爱奇艺AI驱动漏洞闭环治理：让安全发现更智能、修复闭环更高效

爱奇艺技术产品团队 · 2026-07-15 12:00 · 5 阅读

原创爱奇艺安全团队 2026-07-15 12:00 北京

构建AI安全治理体系，推动漏洞发现与修复智能化闭环。

随着业务系统、API 接口、AI 应用和自动化工具持续增长，安全治理的复杂度也在快速上升。

一方面，资产和接口数量持续增加，仅依赖人工排查很难做到全面覆盖；另一方面，业务逻辑漏洞、越权漏洞、修复绕过等问题，往往需要理解业务场景、接口关系和权限边界，传统扫描器很难稳定发现。

更重要的是，漏洞发现只是第一步。后续的风险确认、通知提醒、业务沟通、修复推动、复测验证、白盒扫描接入、WAF 整改等流程，过去高度依赖人工运营。安全同学需要反复解释风险、催办进度、协助协同、跟进修复状态，整体闭环周期较长，也容易受到人力投入影响。

为解决这些问题，我们围绕“漏洞发现—风险确认—修复推动—运营处置”构建了 AI 驱动的安全闭环治理体系，通过 AI 安全白帽、安全小助手、多智能体协同和工具调用能力，将漏洞治理从过去的“人工驱动为主、规则扫描为辅”，升级为“AI 智能体驱动、人工校验兜底”的新模式。

其中，在自动修复方向，团队基于自研安全编排平台探索了“事件驱动 + Agent 自动修复”的实践：当安全扫描产生缺陷或用户主动发起修复任务后，系统可自动触发修复 Agent，完成缺陷理解、修复方案生成、代码修改、自测验证和合并请求提交，并在关键节点引入人工确认、状态留痕和独立裁决机制，避免 Agent “自修自批”，确保修复过程可控、可审计、可追溯。

简单来说，AI 不再只是辅助分析工具，而是开始参与漏洞发现、风险验证、业务沟通和闭环推动，让安全治理变得更主动、更高效、更可持续。

AI 提效：让漏洞治理更快发现、更快修复、更少人工消耗

项目通过 AI 安全白帽与安全小助手，构建了覆盖漏洞发现、验证、通知、修复推动和运营处置的智能化闭环。

在漏洞发现侧，AI 安全白帽上线以来累计发现百余个有效安全风险，其中包含二十余个高风险问题，覆盖业务逻辑、权限控制、接口安全、数据保护等多个典型场景。通过 AI 自动分析、上下文理解和自动化验证能力，安全团队能够更快发现过去主要依赖人工经验挖掘的高价值漏洞。

在运营闭环侧，安全小助手进一步承接漏洞通知、修复沟通、白盒扫描接入和 WAF 整改等流程。上线后，白盒扫描接入量显著提升，漏洞平均修复周期明显缩短，修复逾期率持续下降。

这说明 AI 的价值不仅体现在“多发现漏洞”，更体现在“让漏洞更快被理解、更快被处理、更快完成闭环”。

体验升级：从“只能看通知”到“可以直接问”

传统安全通知体系主要解决的是“把信息发出去”的问题。业务同学收到通知后，通常只能阅读内容；如果想继续了解漏洞详情、影响范围、资产归属、处理建议或接入流程，仍然需要额外找安全同学沟通。

安全小助手带来的核心变化，是将安全协作从“告知型安全”升级为“服务型安全”。

过去，安全团队更多是向业务同步风险、发送通知、推动整改；现在，业务同学可以通过统一的对话入口，直接完成安全咨询、问题确认、流程推进和反馈闭环。

例如，业务同学可以直接询问：

这个漏洞影响哪些资产？
我负责的域名是否已经接入安全能力？
这个安全通知需要我做什么？
漏洞修复完成后应该如何反馈？
能否协助拉相关同学一起推进处理？

通过这种方式，安全服务不再只是“发通知、提要求”，而是进一步前置到业务日常工作中，帮助业务更快理解风险、更快找到责任人、更快完成整改闭环。

同时，安全小助手发出的通知会沉淀在聊天记录中。通知不再是一次性消息，而是后续对话、追问和处理的上下文基础，减少了重复解释和反复确认成本。

核心能力一：AI 安全白帽，让 AI 具备“安全专家式”的漏洞挖掘能力

AI 安全白帽不是传统扫描器的简单升级，而是将 AI 推理能力与接口上下文、业务语义、代码分析和自动化验证工具结合，形成具备自主分析能力的智能漏洞挖掘体系。

在漏洞挖掘过程中，AI 可以结合接口参数、调用链关系、业务语义和权限边界，识别未授权访问、水平越权、ID 遍历、权限提升、敏感数据导出、注入类风险等高价值漏洞。

对于信息不完整的场景，AI 还可以主动补全上下文，分析相关代码和接口关系，理解复杂防御逻辑和潜在绕过路径，并通过自动化验证方式降低误报、提升漏洞确认效率。

相比传统扫描器主要依赖规则匹配，AI 安全白帽更擅长发现依赖业务理解、权限关系和接口调用链分析的复杂漏洞，覆盖了过去主要依赖人工安全专家手工挖掘的高价值场景。

核心能力二：安全小助手，让漏洞运营从“人工催办”变成“智能闭环”

安全小助手基于多智能体协同、工具调用和流程编排能力，承接漏洞提醒、修复沟通、白盒扫描接入、WAF 整改、模板化通知等安全运营流程。

在实际使用中，安全小助手可以根据不同场景自动理解任务、拆解步骤，并调用对应工具完成处理。例如，针对漏洞整改场景，可以自动发送通知、解释风险、协助确认负责人、跟进修复状态，并在必要时触发人工确认。

针对高风险写操作，系统引入Human-in-the-loop机制，也就是“关键动作人工确认”。涉及通知、建群、写入、整改推动等动作时，既能利用 AI 自动化提效，也能确保关键操作可确认、可审计、可追溯，兼顾效率与安全合规。

通过自动提醒、自动协同、流程编排和上下文沉淀，安全小助手显著降低了安全运营中的重复沟通成本，让安全同学从大量事务性催办中释放出来，把更多精力投入到高风险研判和治理优化中。

典型实践一：SQL 注入检测与自动化复核

在 SQL 注入治理场景中，项目引入基于大模型的数据标注能力，并建设扫描结果自动化验证模块，支持漏洞的自动化复核和风险确认。

在某业务场景中，AI 发现一个注入类风险存在修复不彻底问题。原防护策略只处理了部分特殊输入，但仍存在绕过风险。AI 通过进一步分析和验证，识别出残留风险，避免漏洞出现“表面修复、实质仍可利用”的情况。

这类场景说明，AI 不只是发现新漏洞，也可以帮助识别漏洞修复后的绕过风险，提升复测质量和修复可靠性。

典型实践二：高价值业务逻辑漏洞发现

AI 安全白帽在多个核心业务场景中发现了高风险业务逻辑漏洞，暴露出业务系统在权限控制、身份校验和敏感数据保护方面的薄弱点。

例如：

任意文件读取风险：攻击者可能通过漏洞读取服务器上的敏感文件，进一步获取配置文件、密钥或账号凭证，扩大攻击面。
接口未授权访问风险：部分接口缺少有效身份校验，可能导致用户信息或业务数据被越权访问。
越权操作风险：部分业务接口对用户身份和资源归属校验不足，可能导致越权查询、修改或删除数据。

这类漏洞往往不是简单的规则匹配问题，而是依赖对业务身份体系、权限边界、接口语义、调用链路和数据敏感性的综合理解。传统扫描器通常难以稳定识别此类复杂业务逻辑风险，而 AI 安全白帽能够结合上下文进行推理分析，主动发现隐藏在业务流程中的权限绕过、越权访问和敏感数据暴露问题。

典型实践三：让复杂安全流程更轻量

安全小助手背后的关键能力，是多智能体调度架构。

可以简单理解为：安全小助手就像一个“主助手”，负责理解用户问题、拆解任务、规划处理步骤；再根据不同场景，调用对应的“专业子助手”或工具完成具体任务。

过去，如果要支持一个新的安全查询或处理流程，通常需要提前设计固定意图、开发接口能力、配置规则流程，并人工编排数据源和处理逻辑。每增加一个数据源、一个工具或一个新流程，都需要重新开发和配置，扩展成本较高，也难以应对复杂、动态、多步骤的问题。

现在，安全小助手可以基于 AI 的理解与规划能力，自动将用户问题拆解为多个步骤，并结合上下文调用不同能力。

例如，当用户询问某个安全通知时，小助手可以：

理解通知内容；
关联历史处理记录；
查询相关资产和负责人；
判断当前处理状态；
给出下一步处理建议。

也就是说，安全小助手不只是“回答问题”，而是能够协助完成从理解、查询、判断到推进的完整流程。

这种模式带来了四个直接价值：

第一，减少人工解释成本。很多常见问题可以由小助手直接回答，业务同学不必反复拉安全同学确认。

第二，降低业务理解成本。安全信息不再只是长文档、专业术语或复杂规则，而是转化为更易理解的对话式说明。

第三，提升流程推进效率。服务接入、漏洞协同、修复提醒、资产查询等操作，可以通过小助手统一承接，减少跨系统跳转和人工中转。

第四，增强能力扩展性。通过模板化通知、工具调用和子智能体能力，新场景可以更快接入，不需要每次都从零开发完整流程。

整体来看，多智能体调度架构让安全小助手从“问答工具”升级为“流程协作入口”，把原本复杂、分散、依赖人工推动的安全流程，变得更加轻量、高效和易扩展。

典型实践四：一个窗口处理更多安全事项

安全小助手目前已覆盖多个典型安全协作场景，正在把分散的安全咨询、查询和流程推进，逐步整合到一个对话窗口中。

1.服务接入：从“问流程”到“直接推进”

在服务接入场景中，小助手可以协助业务同学查询接入状态、了解接入要求，并根据当前进度推动后续流程处理，减少反复沟通和人工确认成本。

2.资产查询：从“找人查”到“随时问”

在资产查询场景中，小助手可以帮助业务同学快速了解域名、系统、服务等安全相关信息，减少“找人问、等人查”的时间，让资产信息获取更加便捷。

3.漏洞处理：从“单点通知”到“持续闭环”

在漏洞治理场景中，小助手支持漏洞协同、修复提醒、处理进度跟进等能力，帮助安全团队和业务团队围绕同一个问题持续协作，推动漏洞从发现、通知、修复到反馈形成闭环。

4.多模态输入：让问题提交更自然

在多模态能力方面，小助手也在探索支持图片、文档等多种输入形式，使业务同学可以用更自然的方式提交问题、补充材料和说明上下文。

对业务同学来说，安全小助手带来的核心变化可以概括为一句话：

过去处理安全事项，往往需要“找人、查系统、看文档、等反馈”；现在可以先从一个对话窗口开始，直接提问、持续跟进、推动闭环。

典型实践五：事件驱动的 Agent 自动修复

面对白盒扫描持续产出大量代码安全与质量缺陷、人工修复链路长且易遗漏的问题，团队探索并落地了“事件驱动 + Agent 自动修复”的漏洞治理实践。系统可在流水线安全扫描完成后，或由安全平台主动发起修复任务时，自动接收扫描结果并触发专用修复 Agent。Agent 会基于缺陷上下文自动完成问题理解、修复方案生成、代码修改、自测验证和合并请求提交等流程，将原本依赖人工串联的修复过程转化为自动化闭环。

为避免 Agent “自修自批”，实践中引入了多阶段确认与独立评估机制，在修复方案、修复结果、流程状态和发布门禁等关键节点保留必要的人工确认、过程留痕和质量校验能力，确保自动化修复过程可控、可审计、可追溯。落地实践表明，该模式可显著缩短单个漏洞修复周期，提升修复效率，并已在多个项目和流水线场景中完成批量验证，覆盖百余个高优先级缺陷修复。整体来看，该实践在提升漏洞治理效率的同时，也强化了自动化修复过程中的安全边界和质量保障能力。

当前新版本进一步强化了多段门禁、自动拦截、失败即关闭和独立裁判服务，在提升漏洞修复效率的同时，增强了安全边界和质量保障能力。该实践标志着 AI 能力从“辅助分析安全报告”进一步走向“参与漏洞修复闭环”，也为后续构建“发现 Agent—修复 Agent—评估 Agent”的多 Agent 协同安全治理体系奠定了基础。