LLMForFuzzing：让大语言模型参与漏洞挖掘

起点

LLMForFuzzing 是我较早参与的一个 AI × Security 项目。

传统 fuzzing 往往需要大量人工经验去构造测试路径，而我们关心的是：LLM 能不能帮助人更快发现潜在攻击面，而不是只会生成表面上像样的代码。

我做的事情

我主要参与了两部分：

• 用 prompt engineering 组织模型生成潜在漏洞利用路径
• 用 Python 脚本把这套生成过程接入自动化流程，减少人工反复试错

它的难点不只是 API 调通，而是怎么让模型输出变得“够用”：

• 不能太空泛
• 不能完全脱离真实代码上下文
• 不能只产生看起来聪明、但无法进入实际流程的建议

项目结果

项目记录显示，团队复现了 24/32 个 PoC，梳理 200+ 个 Adobe / Foxit JavaScript API，生成约 2,000-3,000 个测试 PDF，并贡献了 1 个 UI 相关 zero-day。

源码、测试样本和结项材料可以交叉验证项目链路；规模与 zero-day 结果来自项目记录，本次整理没有重新执行原始 fuzzing 实验。

我最在意的经验

这个项目让我很早就意识到，大模型真正适合的位置往往不是“替代专家”，而是：

• 扩展探索空间
• 提供候选路径
• 缩短人工从无到有的启动时间

在安全领域尤其如此。因为最后做判断、做复现、做确认的，仍然需要严肃的工程与研究能力。

为什么它对我后来的方向重要

后来我继续去做 agent system、RAG 和 benchmark，其实都和这段经历有关。

它让我更相信一件事：AI 最有价值的用法，通常不是表演式地“像人一样思考”，而是嵌进真实工作流，在关键节点上降低认知成本、扩大搜索空间、提升系统效率。