Рой ИИ-агентов против реальных целей: OAuth-библиотека и две машины HackTheBox
Автономные рои ИИ-агентов постепенно выходят за рамки демонстрационных задач. Один из таких экспериментов провели с DreamTeam — опенсорсным Python-фреймворком, который позволяет нескольким агентам работать без единого управляющего участника.
Агентам задают общую цель, предоставляют доску задач и общую git-папку. Кроме того, они могут самостоятельно создавать инструменты и навыки, необходимые для выполнения работы. Рой сам распределяет задачи между участниками, анализирует результаты и проверяет действия друг друга.
В предыдущем эксперименте DreamTeam использовали для решения математических задач и разработки инструмента под скрытый бенчмарк. Такой сценарий позволял оценить результат по понятным критериям, однако не отвечал на вопрос, насколько рой способен работать с задачами, где требуется исследование и поиск ранее неизвестных проблем.
Проверка собственного кода
Поводом для нового теста стали предложения проверить исходники самого DreamTeam. Для эксперимента в копию проекта добавили три канарейки — заранее подготовленные скрытые закладки, которые должны были показать, способен ли рой обнаружить намеренно оставленные следы.
Результат оказался шире ожидаемого: агенты нашли все три канарейки, а также выявили ещё 13 реальных проблем среди 27 обнаружений. Это стало основанием проверить систему на задачах, максимально приближенных к работе специалистов по безопасности.
OAuth-библиотека и машины HackTheBox
После проверки собственного проекта рой направили в две области. Первая — поиск уязвимостей в популярной открытой OAuth-библиотеке с координированным раскрытием найденных проблем. Вторая — автономное прохождение двух машин на платформе HackTheBox.
В этих сценариях результат нельзя свести только к одному числу из заранее известного бенчмарка. Успех зависит от того, насколько последовательно агенты строят план, распределяют работу, проверяют гипотезы и реагируют на промежуточные результаты.
Эксперимент показал, что рой способен не только выполнять подготовленные задания, но и исследовать собственную среду, находить заранее оставленные канарейки и обнаруживать реальные проблемы в коде. При этом сам подход остаётся исследовательским: его ценность определяется не автономностью как таковой, а качеством координации между агентами и достоверностью полученных результатов.
