谷歌旗下 Wiz 推出 AI 漏洞挖掘系统 Atlas：多智能体协作，已发现超 200 个漏洞
据 IT之家 7 月 29 日消息，谷歌旗下网络安全部门 Wiz 近日发文公布了一款面向漏洞挖掘的 AI 智能体系统 Atlas。来源显示，Atlas 通过多个 AI Agent 分工协作，模拟人类安全研究团队的工作流程，目前已在多个知名开源项目中发现并验证超过 200 个此前未知的安全漏洞，并因帮助 GitHub 发现一项重大远程代码执行漏洞 CVE-2026-3854，获得 10 万美元漏洞发现奖金。
Atlas 如何用多智能体拆解漏洞研究流程
与让单一大模型从头到尾完成代码审计不同，Atlas 的核心思路是把漏洞挖掘拆成多个阶段，并交给不同智能体分别执行。Wiz 介绍称，这些智能体分别负责理解代码库、建立漏洞假设、验证与质疑假设，以及最终确认和生成报告，整体更接近一个自动化安全研究小组。
在实际流程中，Atlas 会先针对目标软件代码库建立威胁模型，并使用代码属性图（Code Property Graph）分析程序结构，寻找可能的攻击路径。随后，多个 AI 智能体会提出潜在漏洞假设，并围绕这些假设生成可能存在的多步骤复合型漏洞候选方案。
值得关注的是，Atlas 并不直接接受所有候选结果。来源显示，系统会将候选漏洞交给三个分别承担“支持论证”“反驳分析”和“最终裁决”角色的智能体处理，只有通过这一轮对抗式验证的结果才会被保留下来。最后，Atlas 还会自动搭建专用测试环境、安装依赖组件，并执行攻击输入来触发漏洞，从而确认漏洞是否真实存在。
降低成本：大模型与小模型分层使用
AI 漏洞挖掘的难点之一，是如何在大规模代码分析中控制成本。Wiz 表示，Atlas 采用了更精细的任务分配策略：在复杂漏洞利用链分析、最终裁决等需要高推理能力的环节，才调用能力更强的大型模型；而在代码属性图分析、初步筛选等边界更明确、重复性更高的任务中，则使用成本更低的小型模型。
这种设计反映出当前 AI Agent 系统的一个重要趋势：并非所有任务都需要最强模型，而是通过模型分层、工具调用与程序化协作来提升整体效率。对于安全场景而言，系统还结合确定性代码分析技术进行引导，并使用对抗式审核机制提前过滤误判，再通过面向漏洞研究的执行框架（Harness）做验证，以降低误报风险。
- 多智能体协作：不同 AI Agent 承担代码理解、假设提出、验证质疑和最终裁决。
- 程序分析结合 AI：通过代码属性图识别程序结构和潜在攻击路径。
- 自动化验证：自动搭建环境、安装依赖并执行攻击输入，确认漏洞可触发。
- 成本分层：复杂推理交给大模型，重复性分析交给小模型。
影响与解读：AI 安全工具从“辅助审计”走向“自主研究”
从 Atlas 的设计看，AI 在网络安全领域的角色正在从代码审计辅助工具，进一步转向能够自主组织流程、提出假设并完成验证的研究型系统。传统静态分析工具往往依赖规则和模式匹配，容易在复杂业务逻辑、组合型漏洞和跨模块攻击链上受限；而多智能体系统可以把“推理、质疑、验证”纳入流程，理论上更适合处理复杂漏洞。
不过，这并不意味着 AI 已经可以完全替代安全研究员。漏洞确认、影响评估、修复建议和披露流程仍涉及大量上下文判断，尤其是在真实生产环境中，误报、复现成本和责任边界都需要谨慎处理。Atlas 强调自动生成攻击验证程序，也说明漏洞挖掘系统若要在产业中落地，关键不只是“提出可能性”，而是要拿出可验证证据。
来源还提到，Wiz 引用 AI 漏洞研究基准测试 CyberGym 结果称，Atlas 取得 90.9% 的成绩，超过 GPT-5.5-Cyber、Claude 4.6 以及 Claude Mythos Preview 等竞争模型。基准测试成绩固然能说明系统能力，但对于企业用户和开源社区而言，更值得关注的是其在真实项目中的发现效率、误报控制和修复闭环。
对中文开发者和安全团队来说，Atlas 的发布释放了一个明确信号：未来软件供应链安全、开源项目维护和企业代码审计，都可能越来越多依赖AI Agent 编排的自动化安全流水线。当 AI 能够持续读取代码、建立威胁模型并自动验证漏洞，安全防护也需要更早嵌入研发流程，而不是等到上线后再被动响应。