2026 年 6 月，安全研究员 Lam Jun Rong 披露了 Squid 代理服务器 FTP 目录列表解析器中的内存泄露漏洞 Squidbleed（CVE-2026-47729）。研究人员使用 Claude Mythos Preview 辅助审查代码并定位问题；相关缺陷可追溯到 1997 年加入的兼容逻辑。
这起案例的重要性不在于证明 AI 可以替代安全研究员，而在于展示了模型在给定代码、测试环境和明确审计目标后，能够帮助研究人员发现容易被经验判断忽略的边界条件。
漏洞机制与影响
问题位于 Squid 的 FTP 目录列表解析逻辑。代码使用 strchr 判断当前字符是否属于空白字符集合，但 C 标准规定，搜索字符串的终止空字符也属于可匹配范围。当畸形目录条目在时间戳之后没有文件名时，指针可能越过缓冲区边界，随后将相邻堆内存作为文件名复制并返回。
研究人员使用 AddressSanitizer 验证了越界读取，并指出泄露内容可能包含同一进程堆内存中的请求数据。实际风险取决于 Squid 配置、FTP 可达性和内存布局，不能据此推断所有部署都会泄露凭据。
修复方式是在继续搜索空白字符前先检查当前字符是否为字符串终止符。该问题已在 Squid 7.6 中修复；使用受影响版本且允许代理访问 FTP 的运营者应参考官方安全公告升级或禁用不需要的 FTP 功能。
AI 在发现过程中做了什么
Rong 的记录显示，Claude Mythos Preview 在审计过程中指出了 strchr 对终止空字符的处理，并协助扩展对 FTP 状态机的检查。研究人员随后完成复现、影响分析和报告。漏洞也由其他研究人员独立提交，这说明最终确认仍依赖人工验证与协调披露。
因此，更准确的描述是“AI 辅助发现”，而不是“模型在几分钟内完成了人类 29 年做不到的事”。漏洞存在时间长，并不等于其间每次代码审查都覆盖了这段逻辑；一次成功案例也不能直接证明自动化审计已经普遍优于人工审计。
从个案到工具化审计
Squidbleed 与 Anthropic 的 Project Glasswing 展示了同一方向：模型可以并行浏览大型代码库、提出可疑路径，再由研究人员复现和分级。Help Net Security 在 5 月对 Glasswing 阶段性结果的报道表明，这类系统已经能批量产生值得验证的安全线索。
但数量和命中率必须结合筛选口径理解。模型输出、独立验证、漏洞严重性判断和修复优先级是不同环节。对维护者而言，现实做法仍是把模型作为审计工具之一，并通过测试、模糊测试、人工复核和负责任披露流程确认结果。