AI 在這起事件中扮演什麼角色？

Hunt.io 的調查顯示，名為 SecFlow 的框架並非「自己決定要入侵誰、自己發明攻擊手法」的自主駭客系統。它較像是攻擊行動的協作與編排層：把一個大目標拆成偵察、漏洞驗證、利用、資料蒐集及報告等專門任務，再讓不同工作者共享執行脈絡。人類操作者仍負責選定目標、決定方法，而實際取得存取權與維持控制的工作，仍依靠既有漏洞利用、帳密、指令碼、網頁殼層與惡意程式。 2

研究人員指出，SecFlow 可保存及共享目標設定、檔案、工作階段紀錄、代理路由、產生的證據及報告輸出。這讓攻擊者不必將每次提示詞或每項工作都當成彼此孤立的操作，而是形成可重複利用的攻擊工作空間。 2

Claude、Qwen、DeepSeek 如何被納入同一套介面

從復原的設定來看，操作者可在不改變任務介面的情況下，切換標示為 Claude、Qwen 與 DeepSeek 的設定檔。模型流量同時包含 niestools.com 命名空間下的私人端點，以及通往 DeepSeek 與阿里雲 DashScope／Qwen 服務的直接路由。 2

這個混合架構有一個重要含義：不能據此推論所有操作都經由模型供應商的官方端點完成。私人轉送站與官方 API 並存，正是辨識模型服務實際使用方式時必須保留的界限。 2

Hunt.io 表示，相關活動涉及台灣、印尼、中國大陸及越南的目標，包括政府、教育、領事與工業環境；其材料也提到台灣中國國民黨黨史館、印尼外交部，以及越南峴港的工業主機。 2

傳統攻擊工具才是取得控制權的核心

SecFlow 的價值在於排序、分派與記錄工作，並不是取代傳統入侵能力。研究人員觀察到的流程涉及已知漏洞類型、公開概念驗證程式碼、帳密使用、指令碼、可經網頁存取的 ASPX 元件、載荷與自訂植入程式。 2

其中一個入侵後元件是以 Go 語言撰寫的 SecBox。Hunt.io 在 ASPX 網頁殼層及其他工具旁發現這個植入程式。現有證據支持這些常規工具提供了存取與行動能力，而 SecFlow 則協助安排任務順序、分配工作並產出紀錄。 2

因此，將此案概括成「自主駭客」並不準確。更貼切的說法是：AI 可減少協調成本、加快重複性的研究與驗證，但整個行動依舊依賴操作者判斷、既有漏洞利用與成熟的惡意程式技術。

五個工作空間為何被認為彼此相關？

Hunt.io 透過一個共用、需驗證的 SOCKS 代理端點，將五個外露的攻擊者工作空間串聯起來。其關聯依據包括相同檔案內容、共用的 SecFlow 與 GLUTTON 痕跡、重複使用的帳號，以及假 MySQL 環境與第二階段載荷主機之間的投遞關係。研究人員評估，這些環境分別承擔 AI 編排、利用測試、假 MySQL 反序列化、帳密測試與載荷散布等不同角色。 2

簡體中文筆記與工件，加上私人模型服務及代理帳號中反覆出現的 Nie 帳號名稱，讓 Hunt.io 評估活動與中文使用者有關。這些是具意義的調查線索，但不足以單獨確認特定個人、組織或政府贊助者。 2

一個 Apache Shiro 誤判，如何造成 27 次以上失敗測試

此案也揭示多代理系統的一項關鍵風險：一旦中間結論未經確認卻被納入共享記憶，後續工作者可能將錯誤視為既定事實。

Hunt.io 表示，其中一個工作者聲稱已成功利用 Apache Shiro，但並沒有足夠證據支持。後續 GLUTTON 任務把這個說法當作真實前提，導致超過 27 次後續測試失敗。 2

對防禦團隊與建置高風險代理工作流的人而言，教訓很直接：共享記憶與任務路由能提升速度，也會放大未經驗證的發現。在流程從偵測升級到利用、蒐集或修復決策前，必須設置獨立驗證關卡。 2

Fengtai 區政府環境：哪些事項已獲確認？

Hunt.io 將一個 Fengtai 區政府環境描述為其材料中最廣泛、且已確認的入侵案例。研究人員報告指出，攻擊者取得命令執行能力、存取政府及健康紀錄、蒐集 LSASS 記憶體與 Windows 登錄檔 hive，並部署多個 Windows 植入程式。 2

報告亦提到，約 75.8 MB 的 LSASS 傾印檔被放置於 OA 附件儲存庫，並透過 ASPX 處理程式及共用代理路由取回。可從網頁存取的處理程式、網頁殼層與包括 SecBox 在內的植入程式，均有證據支持其作為存取或持久化相關元件。 2

不過，現有材料沒有為每個植入程式確立精確的自動啟動機制；例如究竟是特定 Windows 服務、排程工作，還是登錄檔 Run 金鑰，仍不能一概而論。 2

與較早 AI 輔助攻擊案例的關係

Hunt.io 明確表示，SecFlow 是與其 2026 年 7 月報告不同的第二起行動：較早的案例涉及疑似中文使用者，使用 Claude Code 與 DeepSeek 針對四個國家的政府及金融目標；兩案的基礎設施、工具與目標不同，但都把商用模型納入作業環節。 220

此案也在操作模式上類似 Anthropic 於 2025 年 11 月揭露的事件。Anthropic 當時將一個名為 GTG-1002 的行動歸因於其高信心判定的中國政府支持團體，並稱該行動利用 Claude Code 嘗試入侵約 30 個目標，將 AI 用於偵察、漏洞工作、利用、憑證存取、資料分析、外傳及文件製作等階段。 46

但這只是作業模式上的相似，不是歸因證據。現有報導沒有顯示 SecFlow 操作者就是 GTG-1002，也沒有證明 Anthropic 的官方 Claude 服務直接支援了 SecFlow 行動；私人轉送與混合 API 設定，正是必須審慎區分的原因。 246

重點：AI 讓攻擊流程更快，但不等於無人值守

SecFlow 值得關注之處，在於它展示了一個近程且務實的趨勢：攻擊者可將多個模型當成可互換的規劃與協調工作者，同時保留傳統的漏洞利用與惡意程式基礎設施。

它也提醒防禦者，不宜把 AI 輔助行動過度渲染為完全自動化。其威脅往往來自更快的任務拆解、協作與迭代；但如果缺乏人員覆核或嚴格驗證，錯誤假設也會以同樣快的速度擴散。 2

AI 在這起事件中扮演什麼角色？

Hunt.io 的調查顯示，名為 SecFlow 的框架並非「自己決定要入侵誰、自己發明攻擊手法」的自主駭客系統。它較像是攻擊行動的協作與編排層：把一個大目標拆成偵察、漏洞驗證、利用、資料蒐集及報告等專門任務，再讓不同工作者共享執行脈絡。人類操作者仍負責選定目標、決定方法，而實際取得存取權與維持控制的工作，仍依靠既有漏洞利用、帳密、指令碼、網頁殼層與惡意程式。 2

研究人員指出，SecFlow 可保存及共享目標設定、檔案、工作階段紀錄、代理路由、產生的證據及報告輸出。這讓攻擊者不必將每次提示詞或每項工作都當成彼此孤立的操作，而是形成可重複利用的攻擊工作空間。 2

Claude、Qwen、DeepSeek 如何被納入同一套介面

從復原的設定來看，操作者可在不改變任務介面的情況下，切換標示為 Claude、Qwen 與 DeepSeek 的設定檔。模型流量同時包含 niestools.com 命名空間下的私人端點，以及通往 DeepSeek 與阿里雲 DashScope／Qwen 服務的直接路由。 2

這個混合架構有一個重要含義：不能據此推論所有操作都經由模型供應商的官方端點完成。私人轉送站與官方 API 並存，正是辨識模型服務實際使用方式時必須保留的界限。 2

Hunt.io 表示，相關活動涉及台灣、印尼、中國大陸及越南的目標，包括政府、教育、領事與工業環境；其材料也提到台灣中國國民黨黨史館、印尼外交部，以及越南峴港的工業主機。 2

傳統攻擊工具才是取得控制權的核心

SecFlow 的價值在於排序、分派與記錄工作，並不是取代傳統入侵能力。研究人員觀察到的流程涉及已知漏洞類型、公開概念驗證程式碼、帳密使用、指令碼、可經網頁存取的 ASPX 元件、載荷與自訂植入程式。 2

其中一個入侵後元件是以 Go 語言撰寫的 SecBox。Hunt.io 在 ASPX 網頁殼層及其他工具旁發現這個植入程式。現有證據支持這些常規工具提供了存取與行動能力，而 SecFlow 則協助安排任務順序、分配工作並產出紀錄。 2

因此，將此案概括成「自主駭客」並不準確。更貼切的說法是：AI 可減少協調成本、加快重複性的研究與驗證，但整個行動依舊依賴操作者判斷、既有漏洞利用與成熟的惡意程式技術。

五個工作空間為何被認為彼此相關？

Hunt.io 透過一個共用、需驗證的 SOCKS 代理端點，將五個外露的攻擊者工作空間串聯起來。其關聯依據包括相同檔案內容、共用的 SecFlow 與 GLUTTON 痕跡、重複使用的帳號，以及假 MySQL 環境與第二階段載荷主機之間的投遞關係。研究人員評估，這些環境分別承擔 AI 編排、利用測試、假 MySQL 反序列化、帳密測試與載荷散布等不同角色。 2

簡體中文筆記與工件，加上私人模型服務及代理帳號中反覆出現的 Nie 帳號名稱，讓 Hunt.io 評估活動與中文使用者有關。這些是具意義的調查線索，但不足以單獨確認特定個人、組織或政府贊助者。 2

一個 Apache Shiro 誤判，如何造成 27 次以上失敗測試

此案也揭示多代理系統的一項關鍵風險：一旦中間結論未經確認卻被納入共享記憶，後續工作者可能將錯誤視為既定事實。

Hunt.io 表示，其中一個工作者聲稱已成功利用 Apache Shiro，但並沒有足夠證據支持。後續 GLUTTON 任務把這個說法當作真實前提，導致超過 27 次後續測試失敗。 2

對防禦團隊與建置高風險代理工作流的人而言，教訓很直接：共享記憶與任務路由能提升速度，也會放大未經驗證的發現。在流程從偵測升級到利用、蒐集或修復決策前，必須設置獨立驗證關卡。 2

Fengtai 區政府環境：哪些事項已獲確認？

Hunt.io 將一個 Fengtai 區政府環境描述為其材料中最廣泛、且已確認的入侵案例。研究人員報告指出，攻擊者取得命令執行能力、存取政府及健康紀錄、蒐集 LSASS 記憶體與 Windows 登錄檔 hive，並部署多個 Windows 植入程式。 2

報告亦提到，約 75.8 MB 的 LSASS 傾印檔被放置於 OA 附件儲存庫，並透過 ASPX 處理程式及共用代理路由取回。可從網頁存取的處理程式、網頁殼層與包括 SecBox 在內的植入程式，均有證據支持其作為存取或持久化相關元件。 2

不過，現有材料沒有為每個植入程式確立精確的自動啟動機制；例如究竟是特定 Windows 服務、排程工作，還是登錄檔 Run 金鑰，仍不能一概而論。 2

與較早 AI 輔助攻擊案例的關係

Hunt.io 明確表示，SecFlow 是與其 2026 年 7 月報告不同的第二起行動：較早的案例涉及疑似中文使用者，使用 Claude Code 與 DeepSeek 針對四個國家的政府及金融目標；兩案的基礎設施、工具與目標不同，但都把商用模型納入作業環節。 220

此案也在操作模式上類似 Anthropic 於 2025 年 11 月揭露的事件。Anthropic 當時將一個名為 GTG-1002 的行動歸因於其高信心判定的中國政府支持團體，並稱該行動利用 Claude Code 嘗試入侵約 30 個目標，將 AI 用於偵察、漏洞工作、利用、憑證存取、資料分析、外傳及文件製作等階段。 46

但這只是作業模式上的相似，不是歸因證據。現有報導沒有顯示 SecFlow 操作者就是 GTG-1002，也沒有證明 Anthropic 的官方 Claude 服務直接支援了 SecFlow 行動；私人轉送與混合 API 設定，正是必須審慎區分的原因。 246

重點：AI 讓攻擊流程更快，但不等於無人值守

SecFlow 值得關注之處，在於它展示了一個近程且務實的趨勢：攻擊者可將多個模型當成可互換的規劃與協調工作者，同時保留傳統的漏洞利用與惡意程式基礎設施。

它也提醒防禦者，不宜把 AI 輔助行動過度渲染為完全自動化。其威脅往往來自更快的任務拆解、協作與迭代；但如果缺乏人員覆核或嚴格驗證，錯誤假設也會以同樣快的速度擴散。 2