1. VoidLink 是什么为什么云原生 Linux 团队要重新审视检测面VoidLink 是 2025 年 12 月由 Check Point Research 披露的一款 Linux 植入体样本被业内认定为首个由 AI 编写、达到生产级完整度的恶意软件。它用 Zig 语言开发核心能力围绕云原生环境展开通过 eBPF 与可加载内核模块实现 rootkit 级控制自动枚举 AWS、GCP、Azure、阿里云、腾讯云等云厂商元数据收割云凭证并针对容器环境提供后渗透工具。CC 通道支持 HTTP/HTTPS、ICMP、DNS 隧道和 P2P 网格隐蔽层会实时探测目标环境中的安全产品并动态调整行为。对云原生 Linux 团队来说这件事的关键不在于某个样本的 IOC而在于攻击面的变化。传统恶意软件需要人工编写大量底层代码开发周期以月计VoidLink 借助规范驱动开发SDD和 AI 中心 IDE把 20 周计划压缩到 7 天代码量扩展到 88,000 行。这意味着高级攻击框架的产出速度被大幅拉高检测与响应必须从“追样本”转向“盯行为”。适合阅读本文的人负责 Linux 主机安全、Kubernetes 集群安全、CI/CD 管道审计的工程师正在搭建容器运行时监控规则的安全团队以及需要向管理层解释“为什么现在要加审计配置”的技术负责人。下面我会从可复制的审计配置、容器运行时监控规则、验证请求三个层面给出一套能直接落地的检测与响应基线。需要先说明一个前提VoidLink 的 eBPF/LKM 能力意味着单靠用户态日志不够必须把内核可观测性、容器运行时事件、云元数据访问三条线串起来看。我试过在测试集群里只开 auditd 不看容器运行时结果容器逃逸阶段的异常进程创建完全没进告警。所以本文的配置会同时覆盖主机审计和容器运行时两层。2. TaoToken 前置把模型能力接进安全分析流程检测规则写完之后真正耗时的环节是告警研判。VoidLink 这类样本的隐蔽机制会主动规避已知安全产品单一规则命中往往伴随大量噪声。把模型对话能力接进研判流程可以先用自然语言描述告警上下文让模型帮你判断“这组行为更像正常运维还是后渗透”。TaoToken 在这里的角色是提供统一的模型调用入口你不需要在多个厂商 SDK 之间切换。接入前需要准备三样东西Base URL、API Key、Model ID。Base URL 用https://taotoken.net/apiAPI Key 在控制台创建Model ID 按你实际调用的模型填写。控制台地址是https://taotoken.net/consoleAPI Keys 管理页在https://taotoken.net/api-keys。如果你更习惯在编辑器里直接对话调试规则可以用模型对话页https://taotoken.net/models如果要把研判能力做成长期跑的 Agent走 Coding Plan 页https://taotoken.net/coding-plan更合适。这里要强调一点TaoToken 不是安全产品它不替代你的 SIEM、EDR 或容器安全平台。它的定位是模型调用层帮你把告警文本、审计日志片段、容器事件转成可读的研判结论。真正的检测仍然依赖你在 Linux 和容器运行时里配置的规则。对于 Claude Code 这类编码助手场景如果你打算用它来批量生成或审查审计规则接入时同样需要 Base URL、Key、Model ID 三件套。文档页https://taotoken.net/doc里有各语言的调用示例Claude Code 相关配置参考https://taotoken.net/ClaudeCodeAnthropic。我实测下来把审计日志片段贴进对话里让模型做初步分类比人工逐条看 audit.log 快很多但前提是你的日志字段要完整否则模型也只能猜。安全团队常见的误区是先买模型额度再想怎么用。更合理的顺序是先把 auditd 和容器运行时事件采全确认字段结构稳定再接入模型做研判。否则模型拿到的输入本身就是残缺的输出自然不可靠。3. 可复制配置Linux 审计规则与容器运行时监控这一节给可直接落地的配置片段。先配主机审计再配容器运行时最后给一个模型研判的调用配置。3.1 auditd 规则盯住 eBPF、LKM 与元数据访问VoidLink 的 rootkit 依赖 eBPF 和 LKM凭证收割依赖云元数据 API。下面这组规则覆盖内核模块加载、eBPF 系统调用、敏感文件读取和元数据端点访问。把内容写入/etc/audit/rules.d/voidlink-detect.rules# 内核模块加载与卸载 -a always,exit -F archb64 -S init_module -S finit_module -k lkm_load -a always,exit -F archb64 -S delete_module -k lkm_unload # eBPF 相关系统调用 -a always,exit -F archb64 -S bpf -k ebpf_ops # 云凭证与元数据相关文件 -w /etc/cloud/ -p rwa -k cloud_config -w /root/.aws/ -p rwa -k aws_cred -w /root/.config/gcloud/ -p rwa -k gcp_cred -w /var/run/secrets/kubernetes.io/ -p rwa -k k8s_token # 常见持久化位置 -w /etc/systemd/system/ -p wa -k systemd_persist -w /etc/cron.d/ -p wa -k cron_persist加载并确认sudo augenrules --load sudo auditctl -l | grep -E lkm_load|ebpf_ops|cloud_config返回结果里应能看到你写入的规则条目。如果augenrules --load报错先检查/etc/audit/rules.d/下是否有语法冲突的旧规则。3.2 容器运行时监控Falco 规则示例主机审计看不到容器内的进程行为需要运行时监控补位。下面是一段 Falco 规则重点抓容器内异常进程创建、敏感挂载和元数据访问。写入/etc/falco/falco_rules.local.yaml- rule: VoidLink 容器内异常进程创建 desc: 检测容器内出现的 shell、下载工具与隧道工具 condition: spawned_process and container and proc.name in (bash, sh, curl, wget, nc, socat, ncat) and not proc.pname in (runc, containerd-shim) output: 容器异常进程 (user%user.name container%container.id proc%proc.name cmdline%proc.cmdline image%container.image.repository) priority: WARNING tags: [container, voidlink] - rule: 容器访问云元数据端点 desc: 检测容器内对 169.254.169.254 的访问 condition: outbound and container and fd.sip 169.254.169.254 output: 容器访问元数据端点 (container%container.id proc%proc.name cmdline%proc.cmdline) priority: CRITICAL tags: [container, cloud, voidlink] - rule: 容器内加载内核模块 desc: 检测容器内 init_module 调用 condition: syscall.type in (init_module, finit_module) and container output: 容器内内核模块加载 (container%container.id proc%proc.name) priority: CRITICAL tags: [container, kernel, voidlink]重载 Falco 并确认规则生效sudo falcoctl artifact follow falco-rules:latest sudo systemctl restart falco sudo journalctl -u falco -n 20 --no-pager | grep -i voidlink3.3 模型研判调用配置把告警文本送进模型做初步分类用下面这个 JSON 配置。Base URL、Key、Model ID 三件套按你的实际值替换{ base_url: https://taotoken.net/api, api_key: sk-你的实际Key, model_id: 你的ModelID, system_prompt: 你是Linux安全研判助手。根据给定的auditd或Falco告警判断是否属于后渗透行为输出风险等级和下一步排查命令。, timeout_seconds: 30 }如果你用 Codex 的auth.json结构对应字段是{ base_url: https://taotoken.net/api, api_key: sk-你的实际Key, model: 你的ModelID }注意不要把生产环境的完整日志直接外发先做字段脱敏去掉主机名、内网 IP 和凭证片段。模型研判是辅助最终定性仍要人工确认。4. 验证请求确认规则真的能抓到行为配置写完不验证等于没配。这一节给三个可复现的验证动作分别对应 LKM、元数据访问和容器异常进程。4.1 验证 LKM 审计规则在测试机上加载一个无害的内核模块用系统自带的测试模块然后查 audit 日志sudo modprobe dummy sudo ausearch -k lkm_load -ts recent预期输出里应包含init_module或finit_module记录comm字段显示modprobe。如果没有任何输出检查 auditd 是否在运行sudo systemctl status auditd。4.2 验证元数据访问检测在容器里发起一次对元数据端点的请求kubectl run meta-test --imagecurlimages/curl --restartNever -- \ curl -s -m 3 http://169.254.169.254/latest/meta-data/然后查 Falco 告警sudo journalctl -u falco --since 2 minutes ago | grep -i 元数据端点预期能看到容器访问元数据端点的告警行包含容器 ID 和进程名。如果没触发确认 Falco 的outbound宏是否覆盖了你的网络命名空间。4.3 验证模型研判链路把上面抓到的告警文本整理成一段调用模型接口curl -s https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer sk-你的实际Key \ -H Content-Type: application/json \ -d { model: 你的ModelID, messages: [ {role: system, content: 你是Linux安全研判助手。}, {role: user, content: 告警容器 meta-test 访问 169.254.169.254进程 curl镜像 curlimages/curl。请判断风险等级并给出排查命令。} ] }返回的choices[0].message.content里应包含风险等级和类似kubectl describe pod meta-test的排查建议。如果返回 401检查 Key 是否带上了Bearer前缀如果返回reading choices相关错误说明响应结构和你解析的字段不匹配先打印完整响应体确认。验证完成后清理测试资源kubectl delete pod meta-test sudo rmmod dummy5. 本篇常见错排查401、local proxy failed、reading choices、OAuth接入和验证过程中最容易卡在下面几类报错。逐个说清楚原因和动作。401 Unauthorized。最常见的原因是 Key 没带Bearer前缀或者 Key 本身已失效。先确认请求头格式是Authorization: Bearer sk-xxx注意 Bearer 和 Key 之间有一个空格。如果格式没问题去https://taotoken.net/api-keys确认 Key 状态。还有一种情况是把 Base URL 写成了带路径的形式比如https://taotoken.net/api/v1/chat/completions当成了 Base URL正确做法是 Base URL 只写到https://taotoken.net/api路径由 SDK 或请求拼接。local proxy failed。这个报错通常出现在你本地配置了转发规则但目标地址不可达。检查你的环境变量里是否有HTTP_PROXY、HTTPS_PROXY或ALL_PROXY指向了一个已经停掉的本地端口。用env | grep -i proxy确认如果有临时 unset 掉再试。另外确认https://taotoken.net/api在你的网络环境里可以直接访问不需要额外转发。reading choices 报错。典型表现是代码里写了response.choices[0]但实际返回体里没有choices字段。原因可能是请求体里model字段填错服务端返回了错误对象或者你用的 SDK 版本和接口返回结构不匹配。先打印完整响应体确认顶层字段是choices还是error。如果是error看error.message里的具体描述。OAuth 相关报错。如果你在 Claude Code 或类似工具里配置时遇到 OAuth 失败注意这类工具可能默认走 OAuth 流程而 API Key 接入走的是另一套鉴权。确认你填的是 API Key 而不是 OAuth tokenBase URL 填https://taotoken.net/api。Claude Code 的具体配置参考https://taotoken.net/ClaudeCodeAnthropic里面区分了不同接入方式的字段。规则不触发。auditd 规则写了但ausearch没结果先确认auditctl -l能看到规则再看auditd服务是否真的在跑。Falco 规则不触发检查falco_rules.local.yaml的缩进YAML 对空格敏感condition字段换行时要用保持格式。还有一个容易忽略的点Falco 默认只监控新启动的容器已经运行的容器需要重启或重新加载驱动。模型研判输出不稳定。同一段告警两次调用结果差异大通常是system_prompt太模糊。把研判标准写具体比如“如果进程是 curl 且目标是 169.254.169.254风险等级至少为高”。另外把timeout_seconds设够网络抖动会导致截断。6. 把检测基线固化成流程而不是一次性配置VoidLink 带来的真正压力不是某一个样本而是 AI 把高级攻击框架的开发周期压缩到 7 天这个事实。这意味着你的检测规则不能只针对已知 IOC而要盯住行为模式内核模块加载、eBPF 调用、元数据端点访问、容器内异常进程创建。本文给的 auditd 规则、Falco 规则和验证动作可以直接作为基线跑起来。落地时建议按这个顺序推进先在测试集群把三条 Falco 规则和 auditd 规则跑通确认告警能进你的日志平台再把模型研判接进告警处理流程用https://taotoken.net/api做统一调用入口Key 在https://taotoken.net/api-keys管理最后把验证动作写成定时任务每周跑一次确认规则没有因为系统升级而失效。如果你要把研判能力做成长期运行的 Agent而不是每次手动贴日志走 Coding Plan 页https://taotoken.net/coding-plan配置更省事。规则文档和调用示例在https://taotoken.net/doc模型对话调试在https://taotoken.net/models。安全这件事没有一劳永逸但把基线固化成流程至少能让下一次类似 VoidLink 的样本出现时你不是从零开始查日志。
VoidLink 全AI驱动恶意软件瞄准云原生：TaoToken 视角下的 Linux 检测与响应大纲
1. VoidLink 是什么为什么云原生 Linux 团队要重新审视检测面VoidLink 是 2025 年 12 月由 Check Point Research 披露的一款 Linux 植入体样本被业内认定为首个由 AI 编写、达到生产级完整度的恶意软件。它用 Zig 语言开发核心能力围绕云原生环境展开通过 eBPF 与可加载内核模块实现 rootkit 级控制自动枚举 AWS、GCP、Azure、阿里云、腾讯云等云厂商元数据收割云凭证并针对容器环境提供后渗透工具。CC 通道支持 HTTP/HTTPS、ICMP、DNS 隧道和 P2P 网格隐蔽层会实时探测目标环境中的安全产品并动态调整行为。对云原生 Linux 团队来说这件事的关键不在于某个样本的 IOC而在于攻击面的变化。传统恶意软件需要人工编写大量底层代码开发周期以月计VoidLink 借助规范驱动开发SDD和 AI 中心 IDE把 20 周计划压缩到 7 天代码量扩展到 88,000 行。这意味着高级攻击框架的产出速度被大幅拉高检测与响应必须从“追样本”转向“盯行为”。适合阅读本文的人负责 Linux 主机安全、Kubernetes 集群安全、CI/CD 管道审计的工程师正在搭建容器运行时监控规则的安全团队以及需要向管理层解释“为什么现在要加审计配置”的技术负责人。下面我会从可复制的审计配置、容器运行时监控规则、验证请求三个层面给出一套能直接落地的检测与响应基线。需要先说明一个前提VoidLink 的 eBPF/LKM 能力意味着单靠用户态日志不够必须把内核可观测性、容器运行时事件、云元数据访问三条线串起来看。我试过在测试集群里只开 auditd 不看容器运行时结果容器逃逸阶段的异常进程创建完全没进告警。所以本文的配置会同时覆盖主机审计和容器运行时两层。2. TaoToken 前置把模型能力接进安全分析流程检测规则写完之后真正耗时的环节是告警研判。VoidLink 这类样本的隐蔽机制会主动规避已知安全产品单一规则命中往往伴随大量噪声。把模型对话能力接进研判流程可以先用自然语言描述告警上下文让模型帮你判断“这组行为更像正常运维还是后渗透”。TaoToken 在这里的角色是提供统一的模型调用入口你不需要在多个厂商 SDK 之间切换。接入前需要准备三样东西Base URL、API Key、Model ID。Base URL 用https://taotoken.net/apiAPI Key 在控制台创建Model ID 按你实际调用的模型填写。控制台地址是https://taotoken.net/consoleAPI Keys 管理页在https://taotoken.net/api-keys。如果你更习惯在编辑器里直接对话调试规则可以用模型对话页https://taotoken.net/models如果要把研判能力做成长期跑的 Agent走 Coding Plan 页https://taotoken.net/coding-plan更合适。这里要强调一点TaoToken 不是安全产品它不替代你的 SIEM、EDR 或容器安全平台。它的定位是模型调用层帮你把告警文本、审计日志片段、容器事件转成可读的研判结论。真正的检测仍然依赖你在 Linux 和容器运行时里配置的规则。对于 Claude Code 这类编码助手场景如果你打算用它来批量生成或审查审计规则接入时同样需要 Base URL、Key、Model ID 三件套。文档页https://taotoken.net/doc里有各语言的调用示例Claude Code 相关配置参考https://taotoken.net/ClaudeCodeAnthropic。我实测下来把审计日志片段贴进对话里让模型做初步分类比人工逐条看 audit.log 快很多但前提是你的日志字段要完整否则模型也只能猜。安全团队常见的误区是先买模型额度再想怎么用。更合理的顺序是先把 auditd 和容器运行时事件采全确认字段结构稳定再接入模型做研判。否则模型拿到的输入本身就是残缺的输出自然不可靠。3. 可复制配置Linux 审计规则与容器运行时监控这一节给可直接落地的配置片段。先配主机审计再配容器运行时最后给一个模型研判的调用配置。3.1 auditd 规则盯住 eBPF、LKM 与元数据访问VoidLink 的 rootkit 依赖 eBPF 和 LKM凭证收割依赖云元数据 API。下面这组规则覆盖内核模块加载、eBPF 系统调用、敏感文件读取和元数据端点访问。把内容写入/etc/audit/rules.d/voidlink-detect.rules# 内核模块加载与卸载 -a always,exit -F archb64 -S init_module -S finit_module -k lkm_load -a always,exit -F archb64 -S delete_module -k lkm_unload # eBPF 相关系统调用 -a always,exit -F archb64 -S bpf -k ebpf_ops # 云凭证与元数据相关文件 -w /etc/cloud/ -p rwa -k cloud_config -w /root/.aws/ -p rwa -k aws_cred -w /root/.config/gcloud/ -p rwa -k gcp_cred -w /var/run/secrets/kubernetes.io/ -p rwa -k k8s_token # 常见持久化位置 -w /etc/systemd/system/ -p wa -k systemd_persist -w /etc/cron.d/ -p wa -k cron_persist加载并确认sudo augenrules --load sudo auditctl -l | grep -E lkm_load|ebpf_ops|cloud_config返回结果里应能看到你写入的规则条目。如果augenrules --load报错先检查/etc/audit/rules.d/下是否有语法冲突的旧规则。3.2 容器运行时监控Falco 规则示例主机审计看不到容器内的进程行为需要运行时监控补位。下面是一段 Falco 规则重点抓容器内异常进程创建、敏感挂载和元数据访问。写入/etc/falco/falco_rules.local.yaml- rule: VoidLink 容器内异常进程创建 desc: 检测容器内出现的 shell、下载工具与隧道工具 condition: spawned_process and container and proc.name in (bash, sh, curl, wget, nc, socat, ncat) and not proc.pname in (runc, containerd-shim) output: 容器异常进程 (user%user.name container%container.id proc%proc.name cmdline%proc.cmdline image%container.image.repository) priority: WARNING tags: [container, voidlink] - rule: 容器访问云元数据端点 desc: 检测容器内对 169.254.169.254 的访问 condition: outbound and container and fd.sip 169.254.169.254 output: 容器访问元数据端点 (container%container.id proc%proc.name cmdline%proc.cmdline) priority: CRITICAL tags: [container, cloud, voidlink] - rule: 容器内加载内核模块 desc: 检测容器内 init_module 调用 condition: syscall.type in (init_module, finit_module) and container output: 容器内内核模块加载 (container%container.id proc%proc.name) priority: CRITICAL tags: [container, kernel, voidlink]重载 Falco 并确认规则生效sudo falcoctl artifact follow falco-rules:latest sudo systemctl restart falco sudo journalctl -u falco -n 20 --no-pager | grep -i voidlink3.3 模型研判调用配置把告警文本送进模型做初步分类用下面这个 JSON 配置。Base URL、Key、Model ID 三件套按你的实际值替换{ base_url: https://taotoken.net/api, api_key: sk-你的实际Key, model_id: 你的ModelID, system_prompt: 你是Linux安全研判助手。根据给定的auditd或Falco告警判断是否属于后渗透行为输出风险等级和下一步排查命令。, timeout_seconds: 30 }如果你用 Codex 的auth.json结构对应字段是{ base_url: https://taotoken.net/api, api_key: sk-你的实际Key, model: 你的ModelID }注意不要把生产环境的完整日志直接外发先做字段脱敏去掉主机名、内网 IP 和凭证片段。模型研判是辅助最终定性仍要人工确认。4. 验证请求确认规则真的能抓到行为配置写完不验证等于没配。这一节给三个可复现的验证动作分别对应 LKM、元数据访问和容器异常进程。4.1 验证 LKM 审计规则在测试机上加载一个无害的内核模块用系统自带的测试模块然后查 audit 日志sudo modprobe dummy sudo ausearch -k lkm_load -ts recent预期输出里应包含init_module或finit_module记录comm字段显示modprobe。如果没有任何输出检查 auditd 是否在运行sudo systemctl status auditd。4.2 验证元数据访问检测在容器里发起一次对元数据端点的请求kubectl run meta-test --imagecurlimages/curl --restartNever -- \ curl -s -m 3 http://169.254.169.254/latest/meta-data/然后查 Falco 告警sudo journalctl -u falco --since 2 minutes ago | grep -i 元数据端点预期能看到容器访问元数据端点的告警行包含容器 ID 和进程名。如果没触发确认 Falco 的outbound宏是否覆盖了你的网络命名空间。4.3 验证模型研判链路把上面抓到的告警文本整理成一段调用模型接口curl -s https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer sk-你的实际Key \ -H Content-Type: application/json \ -d { model: 你的ModelID, messages: [ {role: system, content: 你是Linux安全研判助手。}, {role: user, content: 告警容器 meta-test 访问 169.254.169.254进程 curl镜像 curlimages/curl。请判断风险等级并给出排查命令。} ] }返回的choices[0].message.content里应包含风险等级和类似kubectl describe pod meta-test的排查建议。如果返回 401检查 Key 是否带上了Bearer前缀如果返回reading choices相关错误说明响应结构和你解析的字段不匹配先打印完整响应体确认。验证完成后清理测试资源kubectl delete pod meta-test sudo rmmod dummy5. 本篇常见错排查401、local proxy failed、reading choices、OAuth接入和验证过程中最容易卡在下面几类报错。逐个说清楚原因和动作。401 Unauthorized。最常见的原因是 Key 没带Bearer前缀或者 Key 本身已失效。先确认请求头格式是Authorization: Bearer sk-xxx注意 Bearer 和 Key 之间有一个空格。如果格式没问题去https://taotoken.net/api-keys确认 Key 状态。还有一种情况是把 Base URL 写成了带路径的形式比如https://taotoken.net/api/v1/chat/completions当成了 Base URL正确做法是 Base URL 只写到https://taotoken.net/api路径由 SDK 或请求拼接。local proxy failed。这个报错通常出现在你本地配置了转发规则但目标地址不可达。检查你的环境变量里是否有HTTP_PROXY、HTTPS_PROXY或ALL_PROXY指向了一个已经停掉的本地端口。用env | grep -i proxy确认如果有临时 unset 掉再试。另外确认https://taotoken.net/api在你的网络环境里可以直接访问不需要额外转发。reading choices 报错。典型表现是代码里写了response.choices[0]但实际返回体里没有choices字段。原因可能是请求体里model字段填错服务端返回了错误对象或者你用的 SDK 版本和接口返回结构不匹配。先打印完整响应体确认顶层字段是choices还是error。如果是error看error.message里的具体描述。OAuth 相关报错。如果你在 Claude Code 或类似工具里配置时遇到 OAuth 失败注意这类工具可能默认走 OAuth 流程而 API Key 接入走的是另一套鉴权。确认你填的是 API Key 而不是 OAuth tokenBase URL 填https://taotoken.net/api。Claude Code 的具体配置参考https://taotoken.net/ClaudeCodeAnthropic里面区分了不同接入方式的字段。规则不触发。auditd 规则写了但ausearch没结果先确认auditctl -l能看到规则再看auditd服务是否真的在跑。Falco 规则不触发检查falco_rules.local.yaml的缩进YAML 对空格敏感condition字段换行时要用保持格式。还有一个容易忽略的点Falco 默认只监控新启动的容器已经运行的容器需要重启或重新加载驱动。模型研判输出不稳定。同一段告警两次调用结果差异大通常是system_prompt太模糊。把研判标准写具体比如“如果进程是 curl 且目标是 169.254.169.254风险等级至少为高”。另外把timeout_seconds设够网络抖动会导致截断。6. 把检测基线固化成流程而不是一次性配置VoidLink 带来的真正压力不是某一个样本而是 AI 把高级攻击框架的开发周期压缩到 7 天这个事实。这意味着你的检测规则不能只针对已知 IOC而要盯住行为模式内核模块加载、eBPF 调用、元数据端点访问、容器内异常进程创建。本文给的 auditd 规则、Falco 规则和验证动作可以直接作为基线跑起来。落地时建议按这个顺序推进先在测试集群把三条 Falco 规则和 auditd 规则跑通确认告警能进你的日志平台再把模型研判接进告警处理流程用https://taotoken.net/api做统一调用入口Key 在https://taotoken.net/api-keys管理最后把验证动作写成定时任务每周跑一次确认规则没有因为系统升级而失效。如果你要把研判能力做成长期运行的 Agent而不是每次手动贴日志走 Coding Plan 页https://taotoken.net/coding-plan配置更省事。规则文档和调用示例在https://taotoken.net/doc模型对话调试在https://taotoken.net/models。安全这件事没有一劳永逸但把基线固化成流程至少能让下一次类似 VoidLink 的样本出现时你不是从零开始查日志。