实战

一个人 + AI Agent 军队,攻破 John Deere 和 SharkNinja

The Verge 报道:一名研究者用一群 AI Agent 自主渗透,接连拿下 John Deere、SharkNinja、Cummins。Agent 红队的时代来了。

字号

一名独立研究者,带着一群 AI Agent,自主渗透了三家美国传统制造业巨头 —— John Deere(农机)、SharkNinja(消费电器)、Cummins(柴油发动机)。

The Verge 的报道把这个过程完整还原了。原报道写得很细。这事在 Hacker News 也上了首页(讨论帖)。

下面拆开看。

事件还原:一个人怎么用 Agent 打穿三家公司

核心不是"一个 Agent 跑完整个攻击链",而是一群 Agent 分工协作。

编排者(orchestrator)负责分派任务,每个 Agent 都有自己的角色:

  • 侦察 Agent:跑 OSINT、扫子域名、读泄露文档、对员工做 LinkedIn 画像
  • 漏洞利用 Agent:根据侦察结果查 CVE 数据库、生成 PoC、写 exploit 代码
  • 横向移动 Agent:拿到初始 foothold 后,在内网找跳板、提权、转移
  • 报告 Agent:把整次入侵的痕迹、命令、截图整理成可读报告

Agent 之间通过共享内存 + 任务队列通信。前面 Agent 的输出,就是后面 Agent 的输入。

跟传统自动化的区别在中间那一步 —— 漏洞利用 Agent 不会"机械执行 payload"。它会读 exploit 失败时的报错,查 stack trace,改 payload,再 retry。这种自适应重试在传统脚本里基本不存在。

一个具体例子:某个 CVE 的 PoC 在目标机器上报 GLIBC version mismatch。传统脚本直接 fail。Agent 会自己跑 cat /etc/os-release,然后去搜对应的兼容版本。

为什么是这三家:农机、消费电器、柴油机

目标不是随机选的。三家都是典型的 OT/IT 边界模糊的传统制造业:

  • John Deere:农机里有大量联网设备(精准农业、远程诊断),但很多老系统还在用硬编码密钥
  • SharkNinja:消费电器 + IoT,供应链涉及大量代工厂和第三方组件
  • Cummins:柴油发动机 + 工业控制系统,补丁周期长到以年计

传统互联网公司(SaaS、金融科技)被红队打了无数遍,WAF、EDR、SOC 流水线都打磨过了。

传统制造业不是。它们的安全投入长期偏低,原因有三:

  1. 主营业务不是数据,是卖设备
  2. OT 网络和 IT 网络长期隔离(直到 5G + 工业互联网把它们打通)
  3. 合规驱动力弱(SOX、PCI 都不直接覆盖)

对攻击者来说,这种目标的 ROI 高得多 —— 防御松懈、资产价值高(工业间谍)、攻陷后隐蔽性也好。

Agent 红队打这种场景,本质是用很低的边际成本撬开了防御最弱的一边。

Agent 红队 vs 传统自动化攻击,差在哪

传统脚本 + Burp Suite 自动化的天花板是:写死逻辑 + 固定 payload + 需要人解读响应。

LLM Agent 的突破点在这三件事:

1. 理解非结构化响应

Server returned: "Warning: mysql_connect(): Access denied for user 'admin'@'10.0.0.5'..."

传统自动化看到这行直接当字符串处理。Agent 能从中读出:Access denied + 内网 IP 10.0.0.5 + 用户名 admin,然后推断出"目标在内网、可能用默认凭证、下一跳要扫 10.0.0.0/24"。

2. 临时改变策略

传统脚本遇到 WAF 拦截就停。Agent 会读 WAF 返回的拦截页 HTML,识别出是 Cloudflare 还是 ModSecurity,然后切换 payload 编码方式、调整请求头、改用 HTTP/2。

3. 读懂报错日志并写补丁

最狠的是这一步。Agent 调试自己的 exploit 时,能读 Python/Java 的 traceback,自己定位错误、修复、再跑。传统渗透工具链完全没有这种"自我修复"能力。

这三条叠在一起,Agent 红队的速度比传统自动化快 1-2 个数量级,而且不需要攻击者本人有深度领域知识。

企业的攻击面被重新画了一遍

传统防御体系的隐含假设是:攻击者要么是人,要么是固定工具。

  • WAF 假设攻击者会用已知 payload 模式
  • EDR 假设恶意软件有签名或行为特征
  • SOC 分析师假设告警里出现的是人写的命令

当攻击者变成一群能读 PDF、写脚本、调 API 的自主 Agent,这些假设全部失效。

因为恶意行为看起来就像"一个勤奋的初级工程师在干活":

  • 命令是合理的(nmap、curl、git clone 都是合法工具)
  • 时间分布是人类的(有思考间隔、不像机器那样狂打)
  • 日志是可读的(没有明显 obfuscation)

这意味着 SIEM 里的告警会显著稀释。Agent 不是绕过 WAF,而是让 WAF 不知道该不该拦。

防御侧要跟上的,不是某个具体规则,而是对"自主 Agent 行为模式"的建模 —— 这块目前基本是空白。

开源 Agent 武器化:ReAct、AutoGPT 之后的下一站

Agent 红队不是突然冒出来的。学术圈做了好几年:

  • Anthropic + METR 2024:联合发表过 Claude Agent 红队评估(测的是长任务链上的自主能力,不是真实入侵)
  • ReAct (2022, Princeton):把推理 + 行动耦合进 Agent 循环的经典框架
  • AutoGPT (2023):第一个出圈的"完全自主 Agent"项目
  • PentestGPT (2023):专门做渗透测试的 Agent,GitHub 上有开源实现

这次事件的关键变化是:学术论文 → 公开报道 → 真实击穿。

从研究到武器化的链路短到一年。这意味着开源 Agent 框架(ReAct、AutoGen、CrewAI、LangGraph)现在不只是开发工具,也是潜在的渗透武器。

附一个最小的 ReAct Agent Python 示例(就十几行),感受下逻辑:

from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI

# 定义 Agent 能调用的"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 风格 Agent
agent = initialize_agent(tools, OpenAI(temperature=0), agent="zero-shot-react-description", verbose=True)

# 给定目标
agent.run("对 10.0.0.5 做侦察,找出可利用漏洞并生成 PoC")

这就是攻击者的入口。剩下的交给 Agent 自己跑。

编辑思考

这件事为什么重要:Agent 红队攻击的公开案例,意味着企业安全防御的"时间窗口"被大幅压缩。以前一个新漏洞到大规模利用,有月级别的滞后;现在 Agent 能 24 小时跑、自主决策,这个窗口可能缩到天甚至小时。

反共识观察:我怀疑这件事不会让传统制造业加速上安全预算。大企业买安全产品的决策周期(招标、合规、法务)远比 Agent 武器化的迭代速度慢 —— 攻击者跑得比甲方决策快。真正的赢家可能不是 SIEM/SOC 厂商,而是给 Agent 加沙箱和审计的开源框架(LangGraph 已经内置了人工审批节点,这块可能会变成新标配)。

和过去的差异:Stuxnet(2010)、WannaCry(2017)都是"特定工具打特定目标"。这次是通用 Agent 框架 + 任意目标。攻击成本结构性下降,而防御成本(培养人才、买工具、写流程)还在线性增加。这道裂缝未来 12 个月会越拉越大。

不确定的地方:报道里没有明确说"Agent 框架具体用了哪个",Cummins 那边的入侵是否真的发生还是 Responsible Disclosure 后被修复。这些细节要等 The Verge 后续或当事研究者的技术博客出来才能确认。

来源: https://www.theverge.com/ai-artificial-intelligence/1013643/ai-agents-hack-john-deere-shark-ninja-cummins