“利用AI自动发现并修复漏洞，已经不是遥远的未来，而是可以落地的现实。与此同时，多种AI模型协同使用，在漏洞发现和修复上也更有效。”

7月24日，在首尔COEX举行的国际黑客防御大赛暨安全大会Codegate 2026上，Microsoft Agentic Security副总裁Kim Tae-soo分享了AI快速演进对安全行业带来的变化，并重点介绍了AI在漏洞研究与修复中的最新应用进展。

Kim Tae-soo表示，大型语言模型（LLM）虽然展现出很强的能力，但也会出现低级错误，因此“哪些问题适合交给AI，哪些问题仍需由人判断”，是使用AI时必须把握的关键。

他指出，基于AI Agent的安全研究正在从“提示词工程驱动”转向“系统设计驱动”。早期方法更多依赖Chain of Thought、Few-shot等提示技巧，而现在，系统性能越来越取决于如何设计多Agent协同架构，以及如何让不同模型分工配合。

在演讲中，Kim Tae-soo还介绍了自己参与美国国防高级研究计划局（DARPA）AI Cyber Challenge（AIxCC）的经历，以及Microsoft推进的MDASH项目。

据他介绍，其团队在AIxCC中并未采用单一模型方案，而是让多个Agent同时运行，并对结果进行汇总分析。实践结果显示，相比只使用一个模型，多模型协同在漏洞和缺陷检测方面表现更好。

在系统架构设计上，团队搭建了两条核心工作流：一条用于分析程序崩溃（crash）并定位根因，另一条则基于分析结果自动生成补丁。

团队还引入了由主Agent拆解问题、向子Agent分派任务的协作机制。Kim Tae-soo表示，比赛中能否有效使用静态分析器（static analyzer），以及向Agent提供何种上下文信息、如何组织这些信息，都是影响最终成绩的关键因素。不同团队在“结合既有分析工具与AI”还是“主要依赖AI自主发现漏洞”之间做出的选择，以及提供给模型的参考资料类型和数量，都会显著影响结果。

比赛结束后，团队将相关系统开源，并同步公开了基准测试（benchmark）。

Kim Tae-soo表示，团队随后又将这套比赛经验转化为Microsoft内部的实际应用。其中，Microsoft在6月开发者大会Build上公布的MDASH，就是相关成果之一。

据介绍，MDASH会模拟渗透测试人员的漏洞挖掘流程，分析代码仓库的历史记录以及过往漏洞数据，并据此开展漏洞探索。

该系统不仅负责发现漏洞，还会对每一个发现结果进行类似开发者评审的验证流程，随后自动生成补丁，并通过测试确认补丁是否有效。

Kim Tae-soo举例称，MDASH最早的实际应用场景之一来自Microsoft Windows内核模糊测试（Fuzzing）团队。模糊测试是一种常见的安全测试方法，通过向程序持续输入大量随机或异常数据，以触发错误并挖掘潜在漏洞。

他表示，一些团队长期通过模糊测试仍未发现的漏洞，最终由MDASH识别出来。开发者对MDASH提交的问题进行复核后，确认其中超过90%属于真实漏洞。

Kim Tae-soo还披露了MDASH的基准评估结果：即便采用相对较弱的模型，系统也能表现出中级安全研究人员的能力；在切换到更强模型后，成功率最高可提升至98%。他强调，模型能力越强，对底层基础设施和系统设计的要求也越高。