Использование ИИ-агентов в багхантинге часто приводит к генерации ложных находок, включая вымышленные уязвимости и необоснованное завышение критичности. Для борьбы с этим исследователи должны предоставлять агентам прямой доступ к инструментам тестирования в изолированной среде, чтобы те могли проверять свои гипотезы, а не додумывать результаты.
Валидация находок требует обязательной ручной проверки через Burp или curl. Использование жестких шаблонов отчетов заставляет ИИ опираться на факты, а не на предположения. Внедрение кастомных правил для разных классов уязвимостей позволяет четко определить критерии, при которых находка считается подтвержденной.
Для повышения качества отчетов рекомендуется использовать контекст приложения и систему из двух агентов: первый ищет уязвимости, а второй пытается их опровергнуть. Это помогает отсеивать спекулятивные цепочки и фокусироваться на реальном влиянии на бизнес, а не на теоретических сценариях, которые ИИ часто драматизирует.
Оптимизация расходов на токены достигается за счет каскадной архитектуры моделей: дорогие решения отвечают за планирование и анализ, а дешевые — за сканирование и сбор данных. Накопление базы знаний о прошлых успехах и ошибках позволяет агенту избегать тупиковых путей и экономить ресурсы при повторных запусках.
Соблюдение границ программы требует настройки правил скоупа для агента, таких как работа с wildcard, списком доменов или одиночным доменом. Четкое ограничение области поиска предотвращает выход за рамки программы, что критически важно для сохранения репутации исследователя и корректной оценки найденных багов вендорами.
