一名獨立研究者帶著一群 AI Agent,自主滲透了 John Deere(農機)、SharkNinja(消費性電器)與 Cummins(柴油引擎)三家美國傳統製造業巨頭。
The Verge 的報導完整還原了整個過程,細節相當完整(原報導)。這件事也登上 Hacker News 首頁(討論串)。
以下將拆解整個事件。
事件還原:一個人如何用 Agent 突破三家公司
核心並非「由單一 Agent 完成整條攻擊鏈」,而是多個 Agent 分工協作。
編排者(orchestrator)負責分派任務,每個 Agent 都有各自的角色:
- 偵察 Agent:執行 OSINT、掃描子網域、閱讀外洩文件,並透過 LinkedIn 為員工建立側寫
- 漏洞利用 Agent:根據偵察結果查詢 CVE 資料庫、產生 PoC,並撰寫 exploit 程式碼
- 橫向移動 Agent:取得初始 foothold 後,在內網尋找跳板、提權並轉移
- 報告 Agent:將整場入侵的痕跡、指令與截圖整理成易讀報告
Agent 之間透過共享記憶體與任務佇列溝通。前一個 Agent 的輸出,就是下一個 Agent 的輸入。
與傳統自動化的差異,主要出在中間那一環:漏洞利用 Agent 不會「機械式執行 payload」。它會閱讀 exploit 失敗時的錯誤訊息、分析 stack trace、修改 payload,再重新嘗試。這種自適應重試,在傳統腳本裡幾乎不存在。
舉例來說,某個 CVE 的 PoC 在目標機器上回傳 GLIBC version mismatch。傳統腳本會直接失敗,但 Agent 會自行執行 cat /etc/os-release,再搜尋對應的相容版本。
為何鎖定這三家:農機、消費性電器與柴油引擎
這些目標並非隨機選取。三家公司都是 OT 與 IT 邊界模糊的傳統製造業典型:
- John Deere:農機內含大量聯網裝置,涵蓋精準農業與遠端診斷,但許多老舊系統仍使用硬編碼金鑰
- SharkNinja:消費性電器與 IoT 供應鏈涉及大量代工廠及第三方元件
- Cummins:柴油引擎與工業控制系統的修補週期長達數年
傳統網路公司如 SaaS、金融科技業已經被紅隊演練無數次,WAF、EDR 與 SOC 流程也都經過長期打磨。
傳統製造業卻不是如此。其安全支出長期偏低,主要有三個原因:
- 核心業務是銷售設備,而非處理資料
- OT 與 IT 網路長期隔離,直到 5G 與工業網際網路逐步整合兩者
- 缺乏直接的合規壓力,SOX、PCI 均未直接涵蓋這些領域
對攻擊者而言,這類目標的 ROI 高得多:防禦薄弱、資產價值高,具備工業間諜的潛力,而且得手後也容易隱藏蹤跡。
Agent 紅隊在這類場景中,本質上是以極低的邊際成本,撬開防禦最薄弱的一側。
Agent 紅隊與傳統自動化攻擊的差距
傳統腳本搭配 Burp Suite 自動化的上限,是固定邏輯、固定 payload,以及仍需人工判讀回應。
LLM Agent 的突破集中在三個面向:
1. 理解非結構化回應
Server returned: "Warning: mysql_connect(): Access denied for user 'admin'@'10.0.0.5'..."
傳統自動化只會將這行文字視為字串。Agent 則能從中讀取 Access denied、內網 IP 10.0.0.5 與使用者名稱 admin,進而推論目標位於內網、可能採用預設憑證,下一步應掃描 10.0.0.0/24。
2. 動態調整策略
傳統腳本遇到 WAF 阻擋便會停止。Agent 則會解析 WAF 回傳的封鎖頁 HTML,辨識出是 Cloudflare 或 ModSecurity,再切換 payload 編碼方式、調整請求標頭,並改用 HTTP/2。
3. 解讀錯誤日誌並自行修正
最關鍵的是這一步。Agent 偵錯自身的 exploit 時,可以閱讀 Python 或 Java 的 traceback,定位錯誤、修正程式並重新執行。傳統滲透工具鏈完全缺乏這種「自我修復」能力。
三者結合後,Agent 紅隊的速度比傳統自動化快上 1 至 2 個數量級,且攻擊者本人不必具備深厚的領域知識。
企業攻擊面遭到全面重塑
傳統防禦體系隱含的假設是:攻擊者不是人,就是固定工具。
- WAF 假設攻擊者會使用已知的 payload 模式
- EDR 假設惡意軟體具有簽章或行為特徵
- SOC 分析師則假設告警中會出現人為撰寫的指令
當攻擊者變成一群能閱讀 PDF、撰寫腳本、呼叫 API 的自主 Agent,這些假設便全部失效。
因為惡意行為看起來就像「一名勤勞的初級工程師正在工作」:
- 指令合理,例如
nmap、curl、git clone都是合法工具 - 時間分布符合人類行為,存在思考間隔,不會像機器般瘋狂發出請求
- 日誌可讀性高,沒有明顯 obfuscation
這意味著 SIEM 中的告警會被大幅稀釋。Agent 並未繞過 WAF,而是讓 WAF 無從判斷是否該攔截。
防禦方需要補強的並非某一條具體規則,而是對自主 Agent 行為模式進行建模,而這塊領域目前幾乎仍是一片空白。
開源 Agent 武器化:ReAct、AutoGPT 之後的下一步
Agent 紅隊並非突然出現,學術界已研究數年:
- Anthropic + METR 2024:共同發表 Claude Agent 紅隊評估,測試的是 Agent 在長任務鏈中的自主能力,而非真實入侵
- ReAct(2022,Princeton):將推理與行動耦合至 Agent 迴圈的經典框架
- AutoGPT(2023):首個廣受關注的「完全自主 Agent」專案
- PentestGPT(2023):專為滲透測試打造的 Agent,GitHub 上已有開源實作
這次事件的關鍵變化是:學術論文 → 公開報導 → 實際突破。
從研究到武器化的鏈路已縮短至一年。這表示開源 Agent 框架,如 ReAct、AutoGen、CrewAI、LangGraph,如今不僅是開發工具,也成為潛在的滲透武器。
以下是一個最小的 ReAct Agent Python 範例,只有十餘行,可直接看出其運作邏輯:
from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI
# 定義 Agent 能調用的"工具"
tools = [
Tool(name="nmap", func=lambda target: os.popen(f"nmap {target}").read(), description="网络扫描"),
Tool(name="search_cve", func=lambda cve: requests.get(f"https://cve.mitre.org/data/{cve}.json").text, description="查 CVE"),
]
# 初始化 ReAct 風格 Agent
agent = initialize_agent(tools, OpenAI(temperature=0), agent="zero-shot-react-description", verbose=True)
# 給定目標
agent.run("對 10.0.0.5 做侦察,找出可利用漏洞并生成 PoC")
這就是攻擊者的入口,接下來便交由 Agent 自行執行。
編輯觀察
為何重要:Agent 紅隊攻擊出現公開案例,代表企業安全防禦的「時間窗口」遭大幅壓縮。過去從新漏洞曝光到大規模利用,往往有數個月的落差;如今 Agent 能全天運行並自主決策,這個窗口可能縮至數天,甚至數小時。
反直覺觀察:這件事未必會促使傳統製造業加速提高安全預算。大型企業採購安全產品的決策週期,包含招標、合規與法務審查,遠比 Agent 武器化的迭代速度慢;攻擊者的行動速度已超過甲方決策速度。真正的贏家可能不是 SIEM 或 SOC 廠商,而是為 Agent 提供沙箱與稽核能力的開源框架。LangGraph 已內建人工審批節點,這項能力可能成為新標準配置。
與過往案例的差異:Stuxnet(2010)與 WannaCry(2017)都是「針對特定工具鎖定特定目標」。這次則是通用 Agent 框架搭配任意目標。攻擊成本在結構性下降,防禦成本,包含人才培育、工具採購與流程建置,卻仍呈線性增加。這道落差在未來 12 個月內只會愈拉愈大。
尚待確認之處:報導並未明確指出實際採用哪個 Agent 框架,也未說明 Cummins 的入侵是否確實發生,或是在 Responsible Disclosure 流程完成後遭到修復。相關細節仍待 The Verge 后续報導或當事研究者的技術部落格確認。