Why Being a Great Hacker Doesn't Pay Anymore

行业变迁的核心信号：作者强调，过去房间里最厉害的黑客总是赢家——他们找到不知名应用、进入其中、打开外壳（shell）、拿赏金回家。但"那些日子已经过去了"。

新的财富流向：资金正在从黑客手中悄然流向"开发黑客工具的人"。这是一个根本性的转移：卖铲子的人比挖金子的人赚得更多。

收入差距的真相：作者直言不讳——今年收入比你高的人，可能只有你一半的技能，却拥有你所没有的东西：一套系统。这句话是整个视频的情绪锚点，让有技能却没系统的人感到"不舒服，那就对了"。

视频承诺：作者将展示他自己开发的技能模型，该技能的唯一目的就是"绕过身份验证"。同时承诺会告诉观众真相——你是否真的需要这项技能，以及现在的模型是否已经能独立完成。

实验设置：Hacking Hub 上的实验室全部免费，作者选择不按推荐顺序，而是从简单开始。Pulse 是"简单"级别，任务说明极简：接管 Pulse 员工账户。

漏洞利用链（完整链路）：

1. Claude 自主发现登录页、博客、API 登录方式、忘记密码功能、门户网站
2. 发现重置令牌（reset token）并通过 API 找到用户
3. 利用 LinkedIn 常见命名规则（名字.姓氏@公司名）确认员工邮箱存在于门户网站
4. 执行"忘记密码"操作 → 泄露邮件和令牌
5. 设置新密码 → 登录
6. 访问 API 和患者相关内容 → 获得管理员角色
7. 进一步暴露管理员密钥、API 密钥、导出存储桶（export bucket）

为什么 1 分 44 秒很重要：作者明确说"我觉得我根本不可能在两分钟之内弄明白 API 以及用户信息是如何泄露的"。这不仅是效率问题，而是 AI 把人类十年经验压缩成并行执行流。

漏洞的复利效应：发现一个绕过漏洞后，由于"另一端的应用程序才是脆弱的"，会连锁导致 RC、XSS、SSRF 等更多漏洞——这是为什么一份报告往往能衍生第二份、第三份报告。

核心启示：AI 能确保人类不遗漏任何测试点。人类脑子里有一套测试方法，但有时会忘记想测试的东西，而针对云环境培养的技能正是"改变游戏规则的关键"。

JWT 的两种经典攻击：

1. alg=none 攻击：将 JWT 头部的算法字段改为 none，绕过签名验证，可以塞入任意 payload
2. RS256 → HS256 算法混淆：原本用 RS256（非对称），攻击者切换为 HS256（对称），用公钥当 HMAC 密钥签名，服务器若处理不当会接受

人与 AI 的分工：作者坦诚，如果自己做，需要编写代码、下载密钥、弄清楚逻辑，"可能需要的时间远不止一分半钟"。AI 的速度优势明显，但它依赖于人类提供的数据——这是后面"loop"概念的重要伏笔。

批量分配（Mass Assignment）漏洞原理：API 接收 PATCH 请求更新用户信息时，本应只更新"姓名"和"职称"字段，但服务器端直接把整个请求体合并（merge）进用户元数据。攻击者只需在请求体里加一个 is_owner: true 或 admin: true，服务器就会照单全收。

AI 自主侦察的能力：这个实验最值得关注的是——没有给 AI 任何额外数据、没有凭证、没有登录。Claude 完全靠自己：注册账号 → 读取 app.js → 发现 owner 角色字段 → 构造提权请求。这说明 AI 已具备端到端的"侦察-利用"能力。

这个难度的判断：作者认为这是"批量分配"，很容易，基础模型（未经定制训练的 Claude）也能做到。这为后面"定制模型的价值在边缘案例"埋下伏笔。

完整攻击链（最难实验）：

1. 登录获取客户会话（customer session）
2. 用请求头访问特定地址，执行 who am I 方法，返回身份
3. 访问内部网关（internal gateway）
4. 使用 IAM 授予角色（IAM grant role）
5. 该邮箱被授予运营管理员（operations admin）身份
6. 访问 API V1 确认：运营管理员为真、员工身份为真
7. 客户数据交叉暴露（cross-exposure）

为什么这个实验"最酷"：因为它涉及多步骤逻辑、内部 RPC、IAM 权限授予，不是单一的点状漏洞，而是一条完整的权限提升链。AI 能在 1 分 11 秒内串起来，说明它不只是"找洞"，而是"理解系统"。

黑客的核心直觉：寻找异常：作者点明——做漏洞赏金时，他在"寻找异常情况、奇怪的、奇怪的行为"，这些行为让人觉得"没错，这就是漏洞，这就是我想追查的目标"。AI 同样能提供这种"很好的分析"。

通用侦察方法论（每个目标都一样）：

1. 获取登录页面
2. 读取 JavaScript
3. 检查 JS 中发生了什么校验
4. 这些校验可能也发生在服务器端
5. 然后就结束了

四个问题的统一原则：作者借 AI 之口总结了贯穿四题的主线——

"客户端不受信任，所以任何客户端被信任执行的操作都是漏洞。"

这句话是整个技术分析部分最重要的一句话。它解释了：

• 为什么忘记密码流程会被滥用（客户端可控的邮箱输入）
• 为什么 JWT 能被篡改（客户端持有 token）
• 为什么批量分配能提权（客户端可控的请求体）
• 为什么内部 RPC 能被调用（客户端伪造的标头）

关于 CTF 的诚实说明：作者承认这些都是 CTF（夺旗赛）应用，通常很干净，每个应用只有一个意外 bug。这保证了演示的可重复性，但也意味着真实生产环境的复杂度会更高。

为什么拒绝消息是金矿：第三个示例中，攻击 B 入口收到拒绝消息并列出了具体的被阻止字段。这恰恰暴露了"拒绝列表"的存在——有拒绝列表就意味着有未被阻止的同级对象。这是反直觉的：你被拒绝得越详细，你被攻击的路径就越清晰。

基础模型长什么样：作者展示了最初使用的基础提示词，"并不长"，只是描述了漏洞是什么、需要关注哪些方面，以及"你正在帮这位漏洞赏金猎人"、"这是一个身份验证绕过方法"。它指导 AI 研究如何绕过 MFA、滥用 SSO 等。

定制模型包含什么（不可分享的部分）：

• 作者的漏洞信息和大量 JS 侦察资料
• 一些登录绕过技巧：类型转换（type confusion）、响应操纵（response manipulation）、动词篡改（verb tampering）、403/401 绕过
• 无密码攻击：滥用密码重置、魔法链接
• 过去发现的许多不同攻击链（现在只作参考）
• 工具：Burp Suite、Caido、FFU 等

基准测试的真相：

• 定制模型 vs 基础模型 → 都能解决问题
• 模型本身在这方面已经相当不错
• 唯一区别：定制模型多消耗约 20,000 个 token
• 对简单部分，你可能不需要定制模型

定制模型的真正价值（全视频最重要的一段）：

它的价值在于那些模型会直接忽略的 bug，那些奇怪的极端情况，那些只有在真实报告中看到它失败时才会明白的问题。

这意味着：定制模型不是为了"做得更快"，而是为了"看见基础模型看不见的东西"。20,000 个额外 token 买的不是速度，而是失败经验的编码化。

最终论断（视频的"题眼"）：

关键不在于黑客技术，不在于黑客本身，也不在于人工智能，而在于它们之间的循环。构建好这个循环，你就是在和模型竞争。你仍然是它运作的原因。

六倍产量与拒绝率下降的隐喻：作者提到，当广告投放量（报告撰写量）扩大六倍时，拒绝率不仅没有飙升，反而从 32% 降到 24%。这意味着"更多的输出，更高的信号强度"。类比到 AI + 人类：AI 负责产量（筛选潜在客户），人类的专业知识负责信号（分辨真假），两者结合反而提升了整体质量。