智能体时代 漏洞管理要跃迁到10.0版本

新闻
11小时前

智能体时代 漏洞管理要跃迁到10.0版本.png

本文关键看点：

#01

在智能体时代，传统漏洞管理接近失效，应以持续遥测、上下文优先级和智能体修复为核心实现效率跃迁。


#02

破局关键在于整合IT、云、物联网等多源遥测数据，映射资产关系并关联业务影响，实现基于真实风险的优先级排序。


#03

将漏洞发现与修复流程解耦，破解安全运营的效率瓶颈与责任冲突。


▍以下正文内容由AI工具生成，可能存在语义偏差，请以原文为准。


以下为正文


2025 年 11 月，Anthropic 披露，一名威胁行为者已将 Claude 武器化，并发起了一场智能体网络攻击，该攻击在极少人为干预的情况下自主运行。这一人工智能（AI）以任何人类团队都无法企及的速度，完成了侦察、漏洞利用开发、凭据窃取、横向移动以及数据外泄。


漏洞管理并非已经消亡，但它正因“暴露面”的扩大而陷入困境。思科（Cisco）近期宣布 Kenna Security 停产（EOL）且无替代方案。这曾是业界广受推崇的解决方案，但如今暴露面管理（Exposure Management）的范式已经改变。

数十年来，业界一直依赖静态扫描，但这些“点对点”的时间戳列表很快就会过时。此外，CVE 评分的严重程度往往无法反映其对特定企业环境的实际影响。

在智能体时代，漏洞管理正在经历一场蜕变。这并非是从漏洞管理 1.0 到 2.0 的迭代，而是向“漏洞管理 10.0”的跨越：这是一种数量级上的差异。智能体时代漏洞管理的演进特征表现为：持续的遥测、上下文感知的优先级排序，以及智能体修复（Agentic Remediation）的终极目标。

01

两种速度的较量


智能体时代放大了传统漏洞管理的挑战（即静态且不完整的扫描），原因在于威胁参与者与防御者之间的不对称性。

威胁参与者正在利用具备持续、自主行动能力的智能体 AI。这些 AI 能够进行推理、规划、使用工具并执行多步任务以达成目标。智能体 AI 能够以计算的速度识别并利用漏洞。根据 OpenAI 的数据，预计 2026 年计算量将增长 3 倍。

与此同时，漏洞管理仍困于过去十年中耗时且易出错的手动任务：周期性扫描、可见性缺失以及通用的 CVE 严重性评分。

传统漏洞管理程序的结果往往是“一张清单，而非一个修复”。这些程序的衡量指标往往侧重于漏洞数量，而非修复时间（MTTR）或可证明的风险降低。

02

工程生产力悖论


威胁参与者与防御者之间的速度差距，在内部 DevOps 与 SecOps 之间也在不断扩大。AI 辅助开发已将编程从“语法编写”转向“设计简报”。像 Cursor 这样的工具现在每天生成近 10 亿行被采纳的代码。

这种新动态让人想起了“生产力 vs 安全性”的老调重弹。许多网络安全专业人士将“氛围编程”（Vibe Coding）视为“漏洞即服务”（Vulnerability-as-a-Service）。例如，为 OpenClaw 智能体开发的氛围编程社交网络 Moltbook，暴露了 150 万个 API。

安全缺口是巨大的。根据 SonarSource 的《代码状态调查报告》，96% 的开发人员并不完全信任 AI 生成的代码，但只有 48% 的人在将其提交到生产环境前进行了验证。Armis 2025 年第三季度的报告显示，AI 生成的代码正在大规模嵌入硬编码密钥、错误配置的通信协议以及存在漏洞的软件库。

2026 年 AI 普及的速度意味着这些指标可能很快就会像静态漏洞扫描一样过时，但趋势是明确的：氛围编程产生漏洞的速度超过了人类团队审计漏洞的速度。

如果说“氛围运维”（VibeOps）是一辆新车，那么传统的漏洞管理就像是一辆马车。

03

韧性是过程，而非完美


网络安全团队必须每天践行韧性，以便在关键时刻做好准备。

前行的道路需要构建安全运营知识图谱，摄取来自 IT、OT、IoT、云、身份和应用层的遥测数据。

这种“安全数据织网”（Security Data Fabric）映射了资产之间的关系，将漏洞利用的可能性与业务影响相关联，并考虑了现有的缓解或补偿性控制措施。这种上下文环境使得企业能够优先修复业务关键风险，而非依赖通用的严重性定义。

如果组织能够实现这种持续、全面且上下文化的可见性，他们就踏上了通往“漏洞管理 10.0”的征程。

最终的目标是智能体修复，但安全运营团队对此持怀疑态度是可以理解的。毕竟，难道不正是 AI 智能体制造了这些混乱吗？为了消除这些疑虑，智能体修复应当分阶段采用。

第一阶段： 智能体将发现漏洞、识别正确的修复方案并开启变更管理工单。关键在于，人类仍处于决策环路中（Human in the loop）。继续用马车作比喻，第一阶段就像是开启汽车的自动驾驶：驾驶员依然保持控制权。

采用智能体修复的主要障碍是信任，而信任是通过在人类监督下展现出的可靠性逐步建立的。

第二阶段： 智能体将开始在确定性的、无歧义的场景中直接采取行动。例如，如果开发人员将硬编码密钥提交到公共仓库，或云存储桶被错误配置为允许公共访问，这些问题可能会被自动修复。这些属于“已知恶意”情况，不采取行动的风险是即时且明确的。

04

更好的结果


我们正在见证 AI 赋能的持久性威胁的出现——从 APT 演变为“AiPT”。国家级网络攻击变得比以往任何时候都更加强大，而准入门槛却从未如此之低。我将在 RSAC 2026 主旨演讲“AI vs. AI：如何比攻击者重塑进攻更快地重塑防御”中进一步讨论这一点。

向智能体时代漏洞管理的转型必须改变我们衡量成功的方式。如果我们想要衡量平均修复时间（MTTR）和可验证的风险降低，就必须将“发现”与“修复”解耦。如今，同一支团队和工作流同时处理发现和修复，从而制造了瓶颈。

安全团队需要利用能够消除这些瓶颈的解决方案，通过减少扫描次数和持续时间来提高效率，进而降低对网络的影响。

“漏洞管理 10.0”的承诺在于，智能体系统可以持续净化网络、解决“已知恶意”问题、强制执行配置基准、轮换暴露的凭据等。人类专家则可以专注于需要人类判断的工作：迁移计划、复杂的架构挑战以及战略风险决策。

威胁参与者已经实现了向“机器速度”攻击的跃迁。那些能够以适当的人类监督匹配这一速度的防御者，将定义智能体时代的韧性。