我的安全视界观

都说别把公司当自己家。我倒觉得，该把自己当一家公司经营 - - 只不过公司是你最大的舞台、第一个客户，你在这儿的业绩就是你的业绩。环境不顺、薪资不够高就觉得浪费时间？那亏的是你自己这家公司。

文章复盘了一次用 AI 做"影子端点"专项扫描的实战：把 AI 从"报告润色器"升级为"自适应扩探 + 证据验证"的判案角色。从 V1 喂结论、V2 喂证据到 V3 约束型智能体，讲透 AI 提权与边界约束的平衡，以及误报从 103 条压到 16 条的工程细节。

写作是我的吸管 - - 白天被会议和救火切得七零八落，只有键盘上那段时间完全属于自己。公众号写了九年，从两位数粉丝到快一万，雪确实在滚；靠的不是自律，是「反复重复，催生行动」。爱好再热爱，也不挤占家和工作的边界，业余选手拼的是十年总量。

挑毛病太容易 - - 孩子的字写得歪、题算得慢。但鼓励有用得多：夸她今天完成了作业，她第二天还可能做到。这条三年前写的，依然是家里最管用的「配置」。对家人以鼓励为主，对五年后的自己以终为始，两件事都不靠聪明，靠天天做。

安全建设最难的不是技术，是排序。而排序最好的依据，不是别人的最佳实践，是自己每一次被打穿的完整记录。

做管理最舒服也最危险的事，就是慢慢只开会、只拍板，手离键盘越来越远。我给自己立了死规矩 - - 攻防演练看细节，最难的那部分方案自己写。管理的底气，一半来自职位，另一半来自"随时能自己上"。

SDL 推不动、团队留不住人、要不要转 AI——挑 2 个人聊聊，99 元，10 月 10 日截止。

焦虑像白纸上的黑点，越盯越黑。我把三年前租房、孩子上学那些消耗，连同书里的提醒，拼成一套「安全事件式」应对法：感知黑点 → 写下来理清 → 挖问题背后的问题 → 缩短消极窗口。漏洞修不掉全部，但可以管理；焦虑也一样。

漏洞预警的瓶颈从来不是"不知道有漏洞"，而是从通告到确认受影响的转化。本文分享AI驱动的"监测→内化→应用→验证"四阶段闭环实践，以及CVE-2026-42945排查脚本从能跑到敢在上万台机器上跑的三轮迭代。关键认知：AI备好判断输入、落成执行动作。

跟人讲方案，上来就讲技术多先进，不讲对方在担心什么——安全技术出身的人，多少都有这个通病。我也是。这篇读书笔记记下三条想法，说到底就一句话：开口之前，先想他要什么。

今年生日，把 2021 年 12 月以来的 2738 条记录全喂给了 AI，让它帮我看看：这个人这五年到底过得怎么样。结果比我想象的诚实——15 条承诺，有 6 条全兑现，也有追了四年半还没跑通的目标。写成了这篇，送自己，也分享给同样在记录的朋友。

书里说，能把钱装进口袋的才是资产，往外掏钱的就是负债。道理简单到不像话，但正因为太简单，反而没人信，总想找捷径。钱和身体，说到底都是一件事：管好输入和输出。每周跑步想起这句话，就继续迈腿了——输出大于输入，就这么点事。🏃‍♂️

团队空出一个位置，招一名 AI 安全攻防专家。base 北京，甲方蓝军，既打自己的产品和系统，也摸 AI 应用的攻击面（LLM、Agent、RAG）。不是扩张，是补位，诚意招人。详情看我公众号刚发的那篇，想聊的私我。

15 个 AI 安全项目做完，我最大的感受不是「AI 真能干」，而是「终于看清它哪块干不了」。能接重复的活，替不了拍板的活，还开了一个要有人去守的新战场——保护 AI 本身。复盘写在公众号了，带团队做 AI 方向的朋友可以来聊聊。

上次行业大会谁的分享翻了车？我想了半天 - - 散场半小时就忘了。书里那句「没人记得拳击台上被击倒的人」，我读完愣了很久。我们为丢人焦虑一整晚，在别人眼里是三秒钟的背景音。

干安全这行，天天都在跟"没成"打交道。攻防没打进去、整改推不动——后来我发现一句话能把这些全消化：要么成，要么学。这篇笔记记下这个视角怎么来的。

这个号写了快九年，文章越攒越多，反而不好找了。这次把底部菜单重新捋了一遍，归成三个栏目：企业安全、AI与安全、关于我。以后想看哪一类，进对应菜单找就行。顺带说一句，「关于我」里多了个「咨询服务」，有需要的可以点进去看看。

翻了 28 份我认为高质量的 AI 安全岗位 JD，从 8K 到 260K，最贵、最稀缺的不是"用 AI 做安全"，而是"保护 AI 本身"。各家岗位名字五花八门，要的其实是同一种人——既懂安全攻防、又懂大模型原理。这种人市场上几乎没有，而传统安全人，恰恰离它最近。

写了多年的安全专业文章，受众面窄，但书中一句话点醒他：很多人需要的不是最专业的内容，而是"我正在踩的坑，有人走过并留下了路标"。于是决定把目光投向那些刚上路的人，做他们的路标，而不是炫技的专家。

Anthropic 这次自曝，让我印象最深的是三个模型面对同一情境的不同反应——最老的 Opus 4.7 发现是真实系统后"继续攻击"；旗舰 Mythos 5 意识到自己在用互联网，却认为这仍是模拟的一部分；而最新的内部测试模型发现证据后主动停手。这三种行为模式，恰恰折射出当前 AI 安全研究面临的一个根本问题：我们还没有找到让模型真正理解"能力边界"的方法。 表面看这是 Anthropic 的一次工程失误——评估合作伙伴的网络配置出了岔子，导致本应隔离的测试环境连上了公网。但深层看，这件事反映出的是整个 AI 行业在 Agent 能力边界管控上的系统性缺失。模型不需要"主动作恶"，只需要按照被赋予的任务目标优化行动，而当环境配置出现裂缝时，它会自发地利用一切可用资源填补这个裂缝。 对企业安全而言，这件事的警示也很直接：Claude 用的入侵手段是弱密码和未认证端点，这些最基础的缺陷在 CAASM 的视角下就是最明显的攻击面。谁能保证自己的某个角落里没有一台开着弱口令的老旧服务器？Anthropic 的 AI 替我们做了次压力测试，答案是"你可能真的没有自己以为的那么安全"。