拆解 86.3% 背后的架构逻辑：Agent Swarm 协同作战

漏洞挖掘不是一次性的代码分析或PoC生成，而是在信息不完备的条件下，持续提出假设、获取证据、排除错误路径并形成最终结论的研究过程。单一模型可以完成局部推理，但要稳定处理长链路探索、并行假设和严格验证，还需要一套能够组织、保留并约束这些能力的系统机制。为了破解这一难题，Sangfor AI并未采用简单的概率堆砌，而是开创性的构建了“智能体群体（Agent Swarm）协同作战”架构，并引入了严密的“证据管治”机制，确保每一步漏洞调查步骤都清晰可信：

• 有界探索：围绕不同的安全假设分别开启独立、边界清晰的调查分支，让多个可能的解释可以并行推进，而不会互相污染、也不会让某个未经证实的假设悄悄变成集体共识；
• 证据持久化：各调查分支之间通过“证据”而非完整对话历史来协同——已被验证的观察和已被证伪的路径都会被保留下来，避免同一条错误路径被反复重新试错；
• 动态假设裁决：一个协调层持续基于不断演化的证据状态，判断哪些假设仍然成立、哪些问题尚待解决、哪里还值得继续投入，让每一轮探索都成为对搜索空间的有效收窄；
• 对抗式候选评审：当证据支持某个具体的触发方案时，系统才会构造候选输入并提交“对抗式评审”——评审会同时挑战“这次崩溃是否可复现”以及“这次崩溃是否真的对应目标漏洞”，未通过评审的候选会被打回、用于修正下一步探索方向，只有真正经受住检验的候选，才会成为系统最终提交的安全结论。

正如项目团队在技术设计中所强调的：“以假设拓展探索，以证据裁定结论。” 这套机制让系统敢于「广撒网」式地探索多种假设，又能在真正下结论前把关得足够严格，最终，在来源于ARVO的任务上取得87.2%的成功率，在来源于OSS-Fuzz的任务上取得77.7%的成功率，综合成功率达到86.3%。