HackerAI为什么敢做安全任务?揭秘abliteration模型路由与AI拒答破解机制
HackerAI为什么敢做安全任务?揭秘abliteration模型路由与AI拒答破解机制
HackerAI 是一款 AI 驱动的渗透测试助手。它为什么敢直接执行资产扫描、漏洞利用这类敏感的安全任务?关键在于一套叫 abliteration 模型路由 与 AI 拒答破解 的机制——当通用大模型准备"拒答"时,系统会自动切换到专为安全场景优化的模型,让渗透测试流程顺畅跑通。下面用大白话拆解这套机制。
一、为什么通用大模型会"拒答"安全任务?
HackerAI 的核心定位是"通过聊天来发现并修复漏洞"。你让它对某个站点做侦察,它会规划任务、执行 whatweb、解析 HTTP 响应头、拉取 robots.txt 等(如上图所示)。
但问题在于:安全领域天然踩在内容安全策略的灰区。当你问"怎么利用这个 XSS 漏洞"时,通用模型很可能直接回复"我无法协助"。对一款渗透测试工具来说,这种拒答(refusal)等于任务失败。
HackerAI 的解法分三层,层层设卡:
🔓 审核闸门 → 🧭 abliteration 路由 → 🛟 媒体与回退恢复
二、内容审核闸门:先判断"能不能放开"
在动模型之前,系统先用 OpenAI 的审核接口(omni-moderation-latest)给请求打分。核心逻辑在 lib/moderation.ts 的 determineShouldUncensorResponse:
- 审核分数越高代表风险越大,越低代表越普通;
- 只有分数落在 0 ~ 0.98 这个"温和区间",才被视为"值得放开的边缘安全请求";
- 若命中禁区类别(
sexual、hate、harassment、self-harm、violence等),无论分数如何,一律拦截。
这套判断输出 allowsAbliterationContinuation 标志——只有它被置真,后续的 abliteration 路由才有资格启动。换句话说:先过安全审查,再谈放开,杜绝了借渗透测试之名做高危操作。
三、abliteration 模型路由:把请求交给"懂安全"的模型
审核通过后,evaluateAbliteratedModel(lib/experiments/abliterated-model.ts)负责决定这次请求"走哪条路"。它要同时满足以下条件才会切到 abliteration 模型:
- 服务端已配置
ABLITERATION_API_KEY(isAbliterationConfigured); - 用户为付费订阅(
free用户不启用); - 审核标志为真(
moderationEligible); - 消息不为空,且不含非图片类文件(只接受图片附件)。
模型本体在 lib/ai/abliteration.ts 注册,指向 OpenAI 兼容端点,别名最终都执行 abliterated-model-large-flash:
model-abliterated / model-abliterated-large-v2 → abliterated-model-large-flash
未配置密钥时,HackerAI 会自动降级回标准模型,功能不受影响——这是它"敢"的底气之一:开关可控、随时可退。
四、分步路由:只在前几步"放开"
渗透测试是一个多步 Agent 循环,并不会整段都用"放开"的模型。resolveAbliterationModelForGenerationStep(lib/experiments/abliterated-model-steps.ts)按步数做精细调度:
- 仅当步数索引 <
generationStepLimit(当前策略为 3 步)时,才使用 abliteration 模型; - 后续步骤自动回退到基线模型(
baselineModel); - 参数非法时**失败关闭(fail closed)**到 OpenRouter 基线,绝不误放行。
这种"前几步放开、后几步收束"的设计,既保证了关键侦察/利用步骤不被拒答,又限制了成本与安全敞口。
五、媒体请求的自动恢复
渗透过程中常涉及截图、界面等图片。但 abliteration 端点对图片有限制(lib/ai/abliteration-media.ts:每请求最多 4 张)。超限时:
createAbliterationVisionPreprocessor(lib/chat/abliteration-vision.ts)会把图片转成文字描述,并打上trust="untrusted"标签,避免提示注入;- 若端点返回媒体错误(
413 media_dimensions_too_large、415 media_type_unsupported),createAbliterationMediaRecovery(lib/chat/abliteration-media-recovery.ts)会原地重试一次,保持已选模型不变。
六、合规与安全边界
整套机制并非"无差别放开",而是被多重护栏约束:
- 禁区类别硬拦截:色情、仇恨、暴力、自我伤害等永不放行;
- 分数上限 0.98:高危请求仍会被标准策略拦截;
- 付费 + 无高危文件才触发路由,免费与异常场景自动走基线;
- 危险终端命令仍需用户显式审批(如上图的 Allow once 按钮),人工始终拥有最终否决权。
总结:HackerAI 的"安全自信"从何而来
HackerAI 敢做安全任务,靠的不是绕过审查,而是一套可审计的分级放行体系:
- 用 OpenAI 审核打分划定"可放开区间";
- 用 abliteration 模型承接边缘安全请求,破解 AI 拒答;
- 用分步路由把"放开"严格限制在前几步,其余回退基线;
- 用媒体恢复与失败关闭兜底,保证任何异常都能安全退回。
正是这套"先审查、再放开、后收束"的 abliteration 模型路由与 AI 拒答破解机制,让它在渗透测试场景里既不翻车,也不越界。
📂 延伸阅读:模型注册 lib/ai/abliteration.ts · 路由判定 lib/experiments/abliterated-model.ts · 审核逻辑 lib/moderation.ts · 媒体恢复 lib/chat/abliteration-media-recovery.ts


