密码学库的审计历来是安全领域的高地——需要同时理解数学原理、实现细节和攻击路径，传统上依赖顶级人工专家，周期长、成本高。而zkSecurity推出的AI审计代理zkao，正试图打破这一局面。它持续扫描Cloudflare的CIRCL（Cloudflare Interoperable Reusable Cryptographic Library），采用Opus 4.6 + skills和GPT-5.3 + skills等模型，最终确认了7个真实漏洞，全部在上游修复，多数获得HackerOne平台的确认与奖金。这并非AI在代码审计中的第一次尝试，却是在密码学领域第一次证明自己能发现“能用”的漏洞——不是静态分析中的误报，而是可被利用的真实缺陷。

其中两个漏洞被AI自行评定为Critical级：阈值RSA实现中的float64精度丢失，可能导致多轮签名生成时密钥信息的渐进泄露或签名伪造；属性基加密（CP-ABE）的访问控制完全失效，使得任何未满足属性策略的实体都能成功解密本该受约束的密文。后者尤为特别——它由zkao自主发现，而非从已知漏洞模式中简单匹配。这些漏洞的修复已进入Cloudflare的官方代码库，标志着AI审计产物通过了厂商及社区的双重验证。

将此次事件置于行业背景下，其意义更加清晰。此前AI在代码安全中的应用多集中于辅助定位——生成疑似点后由人工反复验证，误报率极高。而zkao的亮点在于自动完成大部分验证工作：模型不仅生成候选发现，还能通过多轮推理、模拟执行或Cross-check来过滤误报，最终将确认的候选提交人工复核。这大幅压缩了审计链条中的人力投入。与自动编程、自动测试形成合力，安全左移的边界正在从源码分析向底层密码算法层延伸。

但光环之下存在明显局限。素材中推荐提到“AI对严重性的判断还很瞎”，折射出当前大模型在安全评估中的核心短板：严重性评级依赖于对攻击场景、资产价值和上下文的理解，而AI缺乏对商业影响和现实攻击链的整体感知。Critical评级可能来自代码局部异常，但实际可利用性可能极低。此外，模型对非标准密码原语或新构造算法的覆盖率有限，若训练数据未包含类似案例，小概率会漏报。因此，人工专家对AI输出的校准和二次判断仍是必须环节。

展望未来，专用审计代理（如zkao）将加速向密码学、嵌入式固件、区块链合约等高技能壁垒领域渗透。安全团队宜建立混合审计流程：用AI覆盖重复性、模式化的检查（如常量错误、类型混淆、边界溢出），让人类聚焦于逻辑创新攻击和业务上下文推理。同时应关注工具的可扩展性——zkSecurity为模型配备的“skills”插件机制允许定制攻击知识，这一思路有望降低专业领域审计工具的构建门槛。对于安全从业者而言，阅读zkao的技术报告、理解其验证链路，将比单纯惊叹数字更重要：AI不是替代审计师，而是把他们的注意力重新聚焦到真正需要人类智慧的地方。