基于黑板架构的 AI 渗透测试引擎，通过漏洞知识库 Hint、并发调度优化与模型微调对齐，将渗透识别效率与攻击速度提升 3-5 倍。
系统采用黑板架构（Blackboard Architecture），由四层组成，职责严格分离：
- Cairn Server（FastAPI + SQLite）：事实图真相源，维护 Fact/Intent/Hint 数据结构，仅保证图一致性，不做推理决策。
- Dispatcher：调度执行器，读取图状态、决定任务类型、选择 Worker、管理容器生命周期，是唯一的协议写入者。
- 项目容器（Docker）：每个渗透任务一个独立容器，提供工具链与网络环境，承载 Worker 进程。
- Worker CLI：接收渲染好的 prompt，在容器内执行渗透操作，返回结构化 JSON。Agent 不直接调用协议 API，所有 claim/heartbeat/conclude 由 Dispatcher 代办。
| 概念 | 本质 | 关键属性 |
|---|---|---|
| Fact | 图节点，已确认客观事实 | 只增不改，永久保留；origin/goal 为两个特殊 Fact |
| Intent | 图边，探索意图 | from（Fact id 数组，支持超边）→ to（结论 Fact 或 null）；worker 标识执行者 |
| Hint | 图外输入，人在回路策略 | 任意状态可补充，下一轮 Worker 读图自动吸收 |
在原版四层基础上，新增漏洞知识库注入层（vuln_kb 模块）：
- 位置：Dispatcher 的 prompt 渲染阶段（
prompting.py） - 作用：扫描已有 Fact 描述，提取服务指纹，匹配内置 CVE 知识库，将 PoC 建议注入 prompt 的
{vuln_hints}占位符 - Worker 读图 + 读 CVE 建议一起，直接试已知漏洞而非从头分析
采用 stigmergy（蚁群信息素机制）：多个 Agent Worker 不直接通信，通过改写共享事实图间接协调。每个 Worker 运行 OODA 循环（Observe 读图 → Orient 判断 → Decide 声明意图 → Act 执行），多个循环通过共享图间接同步。图同时是知识库和推理路径审计日志。
渗透测试建模为有向无环图搜索：origin（目标）为起点，goal（验收终点）为目标，Fact 为节点，Intent 为边。图从 origin 向 goal 生长：
- bootstrap：项目初始阶段，Worker 直接尝试解决整个问题
- reason：读全图判断 goal 是否达成、是否需要新探索方向
- explore：认领一条 Intent，执行探索，产出新 Fact
状态变化通过追加新 Fact 表达（不修改历史），事实的时序本身携带状态变化信息。
问题：原版 Worker 每次从零分析目标服务，识别漏洞靠逐步探索，效率低。
算法：
输入：项目当前所有 Fact 描述文本
输出：匹配的 CVE 漏洞建议（注入 prompt）
1. 将所有非 origin/goal 的 Fact 描述拼接为文本
2. 遍历漏洞知识库（15 个服务的指纹正则）：
对每条知识库条目，用正则匹配文本
命中 → 记录服务名 + 对应 CVE 列表
3. 去重（同 CVE 只保留一条）
4. 格式化为"PoC 建议"文本
5. 注入 prompt 的 {vuln_hints} 占位符
知识库覆盖 15 个服务：DataEase（CVE-2025-49001 JWT 绕过）、ThinkPHP 5.0（RCE）、Django Debug（RCE）、Apache 2.4.49/50（路径穿越）、Redis（未授权 RCE）、Jenkins（Groovy RCE）、Struts2（S2-045/057）、Tomcat（WAR 部署）、JBoss（反序列化）、SSRF（file/gopher）、Shiro（550 反序列化）、Fastjson（AutoType）、Log4j（Log4Shell）、WebLogic（14882）、Spring（22963/22965）。
效果：把"探索发现漏洞"加速为"指纹匹配已知 CVE"。例如 DataEase 2.10.20 目标，原版 Worker 需多轮探索才确认 JWT 绕过，优化后 Fact 出现"DataEase"指纹即自动注入 CVE-2025-49001 的 PoC（硬编码 secret 签 JWT），Worker 直接试。
原版：单项目 max_project_workers=4，全局 max_workers=8，内网横向时仅 2-3 路 explore 并行。
优化：max_project_workers 提升至 6，max_workers 提升至 16，支持 6 路 intent 并行 explore。配合模型分工——reason 用强模型（决策准、少走弯路），explore 用快模型（执行快、并发高），通过 dispatch.yaml 的 task_types + priority 实现按任务类型分配 Worker。
底座 CyberStrike-OffSec-35B（Qwen3.6-35B-A3B MoE，Cybergym 安全攻防 76.7），复用作者验证的 LoRA 配置（r=32/α=64，目标 q/k/v/o + gate/up/down，排除路由专家），用 158 条 SFT 数据（126 条 Cairn 真实项目 prompt→output + 32 条合成安全场景）微调，让模型对齐 Cairn 协议风格 + 实战偏好。学习率 2e-5 防灾难性遗忘。
腾讯云黑客马拉松 AI 渗透测试挑战赛（第二届）：610 支队伍、1345 人参赛，54/54 题全部解出（唯一 AK 团队），最终季军。赛前零训练、零调优、零领域专用工具，验证了黑板架构 + Fact/Intent 图的通用性。
对本地靶场 http://127.0.0.1:8080/ 发起深度渗透：
| 指标 | 结果 |
|---|---|
| 入口漏洞 | SSRF + 任意文件读取（file:// 读 /etc/passwd） |
| 横向主机数 | 5 台内网主机（172.72.23.22/23/24/26/27） |
| 最高权限 | 172.72.23.26 root（JSP webshell RCE） |
| 攻击链长度 | 10 个 Fact、10 个 Intent |
| 业务安全结论 | 不予放行（7 严重 + 1 高危漏洞） |
攻击链：SSRF 入口 → 内网侦察（扫 docker 桥接）→ 命令注入拿 .24 shell → 横向到 .26 拿 root → 攻击 .27 Redis。
以 proj_035 中 DataEase CVE-2025-49001 JWT 绕过为例：
- 原版：Worker 多轮探索（测试 H2 RCE → 失败 → 测试 API SSRF → 失败 → 最终确认 JWT 绕过），耗时约 3 轮 explore
- 优化版：Fact 出现 "DataEase 2.10.20" 指纹后，vuln_kb 自动注入 CVE-2025-49001 PoC（硬编码 secret + 签 uid:1 JWT），Worker 首轮即试，确认速度提升约 3 倍
内网横向阶段，原版 2 路 explore 并行（i010/i011），优化版 6 路并行（同时探测多台内网主机），横向速度理论提升 3 倍。
将人类渗透工程师的"经验知识"固化为可自动匹配的 CVE 知识库。Worker 识别出服务指纹后，系统自动注入对应漏洞的 PoC 建议，将"探索式发现"转变为"指纹式匹配"。这是渗透自动化的关键突破——模型不需要每次从零推理漏洞利用方式，直接复用已知攻击路径。
首次将经典黑板架构（Hearsay-II 1970s）现代化重构并应用于渗透测试领域。Fact/Intent 图既是知识库（记录已确认发现）、也是推理路径审计日志（完整因果链）、还是 Agent 协作媒介（stigmergy）。区别于传统黑板只存"当前状态"，本协议通过 Intent 保留完整因果链。
Hint 可在任意项目状态（含 stopped/completed）下补充，下一轮 Worker 读图自动吸收。这使得渗透过程中人类可随时注入策略判断（"重点看上传接口""SSH 方向已排除"），实现人机协作的混合智能，而非纯自动化黑盒。
从三个维度提升攻击速度：
- 知识驱动（vuln_kb）：识别效率量级提升
- 并发提升（max_project_workers 3→6）：横向速度翻 3 倍
- 模型分工（reason 强 + explore 快）：决策准 + 执行快
三者叠加，整体攻击速度提升 3-5 倍，且不改动黑板架构内核——所有优化都在外围工程层。
无尽 Cairn 优化版在原版黑板架构内核不变的前提下，通过漏洞知识库 Hint（核心）、并发调度优化、模型微调对齐三个维度，将 AI 渗透的识别效率与攻击速度提升 3-5 倍。核心创新在于将渗透经验固化为可自动匹配的 CVE 知识库，把"探索发现漏洞"转变为"指纹匹配已知漏洞"，这是渗透自动化领域的关键突破。