Rob T. Lee - SIFT-FIND EVIL! I Gave Claude Code R00t on DFIR SIFT Workstation | [un]prompted 2026

羅伯李提出的核心問題源於一個令人不安的現實：Anthropic 最近發布的報告表明，攻擊者已開始使用 Claude Code 與戰術工具組合來加速進攻活動。原本需要數天甚至數週的進攻步驟現在可在數秒或數分鐘內完成。這個觀察促使他反向思考：防守方是否也能利用相同的 AI 能力來加速事件回應？

他的實驗方案巧妙地結合了兩個元素。一方面是 SIFT 工作站——一個經過 18 年打磨的開源數位鑑識工具生態系統，包含了處理 AMCache、Prefetch、事件日誌、內存分析所需的各類工具。另一方面是 Claude Code，一個能理解自然語言指令的 AI 助手。關鍵創新在於用結構化的上下文將兩者綁定：透過 Claude.md 檔案設定明確的執行邊界與規則（例如「這是工具的路徑，不要猜測」「運行此功能，不要運行此功能」），然後用 markdown 格式的技能檔案教 AI 每個工具的用途、執行方式與輸出結果。

傳統的數位取證分析流程繁瑣且耗時。面對一個遭入侵的系統，分析人員需要逐一檢查 AMCache（應用程式執行歷史）、Prefetch 檔案（程式預載數據）、Windows 事件日誌、內存鏡像內容，然後手動整合這些數據成一份時間軸與完整報告。整個過程通常需要 2 到 7 天不等。但在羅伯李的自動化系統中，只需輸入一句話「尋找邪惡」，AI 就會自動協調所有工具、執行分析、提取證據、構建時間軸，最終生成一份包含執行摘要、攻擊鏈、惡意軟體清單、持久性機制、補救建議的完整報告。演講中的實時演示指出，對一個包含模擬 APT 攻擊場景的 C 盤映像進行完整分析只需 14 分 27 秒——加速倍數達 100 倍。

令人印象深刻的是報告的準確性與完整性。羅伯李親自設計了入侵場景（攻擊者通過邊界防禦、破壞管理員帳號、部署惡意軟體、建立持久性），AI 自動識別出的每一個細節都百分百準確。報告自動包含了初始入侵方式（WMI 執行）、隱藏的惡意二進位位置、威脅參與者行為模式、完整的命令鏈與控制通訊。更有趣的是，AI 甚至能在分析後續系統時「記住」在前一個系統發現的惡意軟體簽名，並自動在新系統中搜尋相關跡象，導致檢測速度逐漸加快。

然而，他也誠實地指出了 AI 的局限性。最主要的問題是語境記憶衰退：隨著分析深入或重複使用，模型會逐漸忘記早期的上下文細節，準確度隨之下降。此外，自我糾正能力也有限——AI 無法主動發現與修正自己的錯誤。他的解決方案是在提示中加入自我糾正迴圈（例如「遇到錯誤時自動重試」），並通過模塊化設計減少單次處理的上下文量。

演講的高潮是一個宏大的社區倡議。羅伯李指出，攻擊方擁有的優勢其實很脆弱：人數少（開發團隊規模小）、保密行動（無法互相共享工具與知識）、集中化指揮（缺乏分散的抗性）。而防守方擁有攻擊方完全無法比擬的資源：全球開源社區、數千名安全研究人員、企業級計算資源。問題在於如何整合這些資源。他宣布了一項為期 6 週的黑客松計畫（2025 年 4 月 1 日至 5 月 15 日），旨在將他的概念驗證轉化為企業級、可信任、能在實際事件回應中部署的工具。比賽分為兩條賽道：法醫 MCP 工程（目標是加速整個流程 10 到 100 倍）與解決語境衰退問題。總獎金池設為 $22,000，並且 Anthropic 已同意提供 API 代幣，降低參賽者的開發成本。所有資源——包括他手工構建的磁碟映像、記憶體鏡像、完整的 Claude.md 與技能檔案、演示代碼——將完全免費發布在 sift.ai 上，任何人都可以複製、改進與貢獻。