利用 GitHub Security Lab Taskflow Agent 实现 AI 驱动的模糊测试

📌 One-Sentence Summary

GitHub Security Lab 推出了 Fuzzing Taskflow，这是一个由 AI 驱动的自主流水线，利用 LLM 智能体和 MCP 工具为 C/C++ 项目自动执行 Harness 编写、覆盖率优化和崩溃分诊。

📝 Summary

Fuzzing Taskflow 通过自动化编写 Harness、分析覆盖率和分诊崩溃的迭代过程，解决了持续模糊测试中的人力瓶颈。该系统基于 GitHub Security Lab Taskflow Agent 框架构建，通过 MCP 工具将 LLM 驱动的决策与执行分离。该流水线具备带有平台期检测的覆盖率反馈循环、使用动态字典和自定义变异器的结构感知模糊测试，以及用于维持进度的持久化语料库。最后，它将繁琐的分诊过程自动化，生成包含根因分析和修复建议的详细漏洞报告，并可通过实时 HTML 仪表盘进行监控。

💡 Main Points

决策与执行的分离

架构采用 Shell 驱动程序、用于提示词的 Taskflow YAML 以及用于执行的 MCP 工具。LLM 智能体负责高层决策（测试什么、如何填补空白），而 MCP 工具处理基础操作（运行 AFL、编译），确保了判断与行动之间有清晰的边界。

自动化覆盖率反馈循环

智能体迭代运行 AFL，通过独立的 .cov 二进制文件分析源代码行覆盖率，并采取针对性行动（如构建新种子或编辑 Harness）以触达未覆盖的分支，同时利用翻倍时间预算和平台期检测来优化计算资源。

多层结构感知模糊测试

为了克服字节级变异的限制，系统采用了四种机制：针对常见格式的预建字典、源代码级 Token 提取、覆盖率驱动的动态字典增强以及语料库拼接操作符。

AI 驱动的分诊与报告

流水线自动执行崩溃最小化和去重，随后利用 LLM 分析调用链，区分真实漏洞与 Harness Bug，并提供包含可达性论证和建议补丁的 Markdown 报告。

💬 Key Quotes

我最在意的设计原则是职责的清晰分离：LLM 智能体负责决策，而 MCP 工具负责执行。

字典实际上是在向模糊测试器尚未触达的代码方向生长。

区分真实漏洞……与单纯的 Harness Bug……正是那种过去需要我坐下来手动追踪代码才能做出的判断。

📊 Article Meta

AI Screening： 90

Featured： Yes

Source： The GitHub Blog

Author： Antonio Morales

Category： 软件编程

Language： 英文

Read Time： 8 min

Word Count： 1964

Tags：

编程与工程 , 安全 , AI Agent , 开发者工具 , 性能优化