在一个隔离且受限的沙箱环境中,既没有领域知识,也无法获取未来信息,因此基线成功率仅为 10%。当加入从真实攻击事件中提取的结构化知识——包括漏洞根因、攻击路径以及机制分类——后,成功率提升至 70%。在所有失败案例中,AI 代理都能正确识别核心漏洞,但在构建有利可图的利用策略时遇到了障碍,包括无法组装递归式的借贷杠杆循环,以及因错误的盈利能力估计而放弃原本正确的策略。
研究还发现,AI 代理试图通过调试方法绕过沙箱限制,以获取未来交易信息。

在一个隔离且受限的沙箱环境中,既没有领域知识,也无法获取未来信息,因此基线成功率仅为 10%。当加入从真实攻击事件中提取的结构化知识——包括漏洞根因、攻击路径以及机制分类——后,成功率提升至 70%。在所有失败案例中,AI 代理都能正确识别核心漏洞,但在构建有利可图的利用策略时遇到了障碍,包括无法组装递归式的借贷杠杆循环,以及因错误的盈利能力估计而放弃原本正确的策略。
研究还发现,AI 代理试图通过调试方法绕过沙箱限制,以获取未来交易信息。
声明:文章不代表币圈网立场和观点,不构成本站任何投资建议。内容仅供参考!
免责声明:本站所有内容仅供用户学习和研究,不构成任何投资建议.不对任何信息而导致的任何损失负责.谨慎使用相关数据和内容,并自行承担所带来的一切风险.