I Used AI to Pick My Bug Bounty Targets
三句話摘要
Bug Bounty 初學者應通過目標選擇而非單純技能提升來提高發現漏洞的成功率,並利用 Cloud Code 和 Eagle Eye 自動化篩選工具。 精選新、冷門但有報酬的漏洞賞金目標,並用 AI 代理自動化篩選流程,對初學者的成功影響遠大於單純磨練技能。 漏洞賞金領域競爭激烈,大型知名程序的簡單漏洞已被眾多獵人發現,初學者會面臨重複提交和被忽視的風險,因此應選擇新程序和新增範圍以獲得更多機會。
重點整理
漏洞賞金領域競爭激烈,大型知名程序的簡單漏洞已被眾多獵人發現,初學者會面臨重複提交和被忽視的風險,因此應選擇新程序和新增範圍以獲得更多機會。
五個關鍵篩選指標為:回應時間(追求24小時快速回應,避免一個月以上),範圍大小和新鮮度(新添加的資產競爭較少),程序年齡(2025-2026年啟動的新程序較佳),安全政策規範檢查,報酬結構(穩定中等報酬的冷門程序優於高報酬但擁擠的大牌項目)。
經驗豐富的獵人傾向高報酬程序,初學者可利用此空隙選擇報酬適中但競爭少的目標,避免直接與高手競爭,提高成功率和持續動力。
Cloud Code 結合 Eagle Eye 瀏覽器可自動化整個篩選流程,AI 代理可在使用者登入的會話中自主搜尋和分析目標,大幅降低手動工作量。
實用技巧與重點
- 篩選指標
- 回應時間:優先 24 小時,避免 1 個月以上
- 範圍新鮮度:優先新添加的資產、應用程式、IP 範圍
- 程序年齡:2025-2026 年啟動的新程序優先
- 已解決報告數:反映程序活躍度
- 安全港和自動化測試規則:必須檢查政策文件
- 報酬數據
- Robinhood Markets:最高賞金 $10,000-$25,000
- 搜尋工具和方法
- Cloud Code + Eagle Eye 瀏覽器
- HackerOne 公開目錄
- Bugcrowd
- Google Dork:`intitle: vulnerability disclosure policy`、`intitle: responsible disclosure`
- 發現的目標範例
- Robinhood Markets
- Anthropic
- Amagi
結論
精選新、冷門但有報酬的漏洞賞金目標,並用 AI 代理自動化篩選流程,對初學者的成功影響遠大於單純磨練技能。
完整解析
許多 Bug Bounty 初學者將失敗歸咎於技能不足,但講者指出,目標選擇的重要性遠超技能本身。原因在於漏洞賞金生態中的競爭動力:當一個程序吸引眾多研究者時,容易發現的漏洞早已被挖掘,剩下的要麼是複雜的漏洞鏈、要麼需要非常規思路才能發現,要麼根本沒有可挖的漏洞,必須等待新功能上線才有機會。因此,精心選擇目標並監控其更新狀況,對成功至關重要。
講者提出評估漏洞賞金程序的五個篩選指標。首先是回應時間,快速的回應(如 24 小時)表示程序積極管理,而一個月的平均回應時間則反映程序可能不活躍,會削弱獵人的動力並增加重複提交風險。其次是範圍大小和新鮮度,新添加的資產和應用程式範圍吸引的關注較少,為初學者提供更多機會。第三是程序年齡和研究者數量,新啟動的程序(2025-2026 年)通常有較少的競爭者,且若持續更新範圍,機會更大;相比之下,運行多年且不更新的老程序已被淘盡,除非具有經驗豐富者的深度洞察。第四是檢查安全港條款和自動化測試規則,確保符合法律要求。最後是報酬水準,講者提出反直觀但重要的建議:穩定的中等報酬且競爭少的程序,往往優於高報酬但擁擠的大牌項目,因為經驗豐富的獵人傾向只關注高報酬,初學者可借此避免直接競爭。
為了自動化目標篩選流程,講者展示如何使用 Cloud Code 和 Eagle Eye 瀏覽器。Eagle Eye 是一個本地運行的 Chromium 瀏覽器,允許 AI 代理在使用者已登入的會話中自主操作,無需手動開啟多個分頁。通過簡單的自然語言提示,Cloud Code 可自動訪問 HackerOne 公開目錄、查詢 Bugcrowd,甚至通過 Google Dork 搜尋公司自託管的漏洞披露政策。講者示範的兩個提示詞分別找出 HackerOne 上的五個付費程序(Robinhood Markets 最高報酬達 $10,000-$25,000)和通過 Google 發現的漏洞披露程序(包括 Anthropic、Amagi 等)。整個過程完全自動化,使用者可在此期間進行其他工作,大幅提高效率並減少手動篩選的繁瑣。


