企业官网建设流程全解析

Fabric improve_report_finding 模式实战：用 AI 将渗透测试发现打磨为高质量安全报告条目

【免费下载链接】FabricFabric is an open-source framework for augmenting humans using AI. It provides a modular system for solving specific problems using a crowdsourced set of AI prompts that can be used anywhere.项目地址: https://gitcode.com/GitHub_Trending/fa/Fabric

导读

improve_report_finding是 Fabric 开源框架内置的一枚面向网络安全场景的 Pattern（模式），它的任务很明确：把你从渗透测试报告中抽取出的原始安全发现（finding）作为输入，交给扮演资深安全顾问的大模型，产出一份结构完整、可直接写入评估报告的专业 Markdown 条目。读完本文，你将掌握该模式的定义文件结构、七个输出章节的设计意图与硬性约束，并学会用 Fabric CLI 管道命令把它接入自己的渗透测试工作流。

一、模式定位：它是安全报告流水线的"打磨车间"

Fabric 是一个"用 AI 增强人类"的开源框架，核心抽象是 Pattern：把一组精心撰写的指令（system 提示词）打包成可复用、可共享的能力单元，配合 stdin/stdout 管道，让任何命令行工具都能"接上"AI。仓库官方模式说明文档 pattern_explanations.md 对该模式的定义是：

improve_report_finding：通过提供详细的描述、风险、建议、参考文献、引文和简洁摘要，以 Markdown 格式改进渗透测试安全发现。

注意它与另一个模式的天然衔接——create_report_finding 负责"从漏洞标题和简要说明创建一份结构化安全发现"，而improve_report_finding负责"对已拉取到报告中的发现进行增强打磨"。两者共享同一套章节骨架（Description / Risk / Recommendations / References / One-Sentence-Summary / Quotes），可以理解为一条流水线上的两站：先创建、后完善。

模式定义文件位于 data/patterns/improve_report_finding/system.md，文件末尾以INPUT:收尾，说明该模式面向管道输入设计——原始 finding 文本从 stdin 流入，改进后的报告条目从 stdout 流出。

二、角色设定：为什么让它扮演"通才安全顾问"

system.md开头的 IDENTITY and PURPOSE 段落对模型做了非常具体的人设约束：

你是一名经验极其丰富的"多面手"网络安全顾问，勤勉、简洁但信息丰富且专业。你在 Web、API、基础设施（本地与云端）和移动端测试方面经验丰富。此外，你是威胁建模与分析方面的专家。

这段设定的价值在于：

• 覆盖 Web、API、基础设施（含本地与云）、移动端四大测试面，保证模型在面对不同来源的 finding 时都能给出符合行业语境的描述；
• 明确威胁建模与分析能力，让 Description 和 Risk 章节的分析不止于表面现象，而是能推断攻击路径与业务影响；
• "简洁但信息丰富"的措辞与后文输出指令中"不使用加粗/斜体"、"只用项目符号"等约束呼应，从人设层面预先压制废话输出。

从源码结构看，Fabric 把 Pattern 存储在data/patterns目录（旧版路径为patterns），每个模式一个子目录，通常包含system.md（系统提示词）和可选的user.md（用户提示词）。路径迁移与加载逻辑可在 patterns_loader.go 的gitCloneAndCopy与tryPathMigration中看到：加载器会从远程仓库按data/patterns前缀拉取模式目录，若旧路径未找到则自动迁移到新结构。

三、七个输出章节：逐节拆解设计意图

模式的核心工作流由 STEPS 段落定义，要求模型对输入 finding 进行"退一步、逐步思考"，最终产出七个章节。下面逐节解析其含义与要点。

1. Title：一句话点题

创建包含 finding 标题的 Title 章节。标题应精确反映漏洞对象与问题本质，例如"任意文件上传导致远程代码执行"。它同时是报告目录和检索的锚点，因此要求准确、无歧义。

2. Description：用叙述而非列表描述问题本质

创建描述 finding 性质的 Description 章节，包含有洞察力和信息量的内容。不要仅用项目符号列表。

这条指令有两个关键点：

• 要求模型写出"有洞察力"的分析，即不满足于复述"存在 XX 漏洞"，而要解释触发条件、利用链、受影响组件等；
• 明确禁止"仅用项目符号列表"，强制模型用连贯叙述成段输出。这正是渗透测试报告中常见痛点——工程师倾向于堆砌技术要点，而客户与管理层需要可读的上下文说明。

3. Risk：量化与叙述并重的风险陈述

Risk 章节详述风险，同样禁止仅用项目符号。它应包含影响范围、被利用后的业务后果、可能的严重性评估，为报告评审者提供决策依据。

4. Recommendations：5 至 15 条精选修复建议

从报告中提取 5 到 15 条最令人惊讶、最有洞察力和/或最有趣的建议，放入名为 Recommendations 的章节。

注意两点：

• 建议的"出处"是输入报告本身——模式期望输入内容足够丰富，包含可提炼的修复思路；
• 数量区间被硬性规定为 5~15 条，输出约束段落又进一步要求"其他输出章节至少 10 项"，二者共同保证建议章节的充实度。

5. References：1 至 5 条经过命名的可靠参考链接

创建 References 章节，列出 1 到 5 个命名得当的超链接，可即时访问关于该问题、技术与修复方法的知识性文章。不要臆造，如果不确定就不要表现得自信。

这是本模式中最强调"事实边界"的一条指令：链接必须真实可达、主题相关、命名有意义，严禁幻觉编造。这与 AI 生成安全内容时的最大风险点——虚构 CVE 编号、伪造参考链接——直接对抗。

6. One-Sentence-Summary：25 词以内的白话总结

创建一条捕捉 finding 精神及其洞察的摘要句，少于 25 个词，放入 One-Sentence-Summary 章节。使用平实口语化的语言，不要用行话或营销语言。

摘要面向报告执行摘要或评审快速通道，要求"口语化、无行话"，例如"登录接口对失败尝试缺少限制，攻击者可无限猜测口令"而不是堆砌专业缩写。

7. Quotes：10 至 20 条原文引文

从输入中提取 10 到 20 条最令人惊讶、最有洞察力和/或最有趣的引文，放入 Quotes 章节。优先选取 Description、Risk、Recommendations 和 Trends 章节的文本，使用输入中的原文。

引文必须"逐字取自输入"，作用是保留原始报告中的关键证据句，便于审计与追溯；约束"不要重复引文"、"不要以相同开头词开始条目"则防止模型偷懒凑数。

四、输出约束：把格式纪律写进提示词

OUTPUT INSTRUCTIONS 段落定义了不可逾越的格式纪律，这是该模式工程化程度最高的部分：

• 只输出 Markdown，且不输出 Markdown 代码语法标记，只输出内容本身——保证结果可直接粘贴进报告；
• 不使用加粗或斜体格式；
• 至少提取 5 条 TRENDS（趋势）——注意 STEPS 段落并未单独定义 Trends 章节，但输出约束强制要求它存在，这形成了"步骤未列、输出必有"的隐性章节；
• 除 Trends 外的输出章节至少 10 项；
• 不给出警告或注释，只输出要求的章节；
• 输出使用项目符号列表，而非编号列表；
• 不重复引文或参考文献；
• 条目不得以相同开头词起始；
• 必须遵守以上全部指令。

这些约束组合在一起，产出的将是一份格式统一、可直接纳入报告文档的条目，大幅降低人工格式化成本。

五、实战：在 Fabric CLI 中调用该模式

5.1 基础管道调用

Fabric 的典型用法是"数据进管道、结果出管道"。假设你已将原始 finding 保存为finding.txt，可以执行：

cat finding.txt | fabric --pattern improve_report_finding

或使用简写形式：

fabric -p improve_report_finding < finding.txt

若希望看到逐 token 流式输出（适合长报告即时预览），追加--stream：

cat finding.txt | fabric -p improve_report_finding --stream

该调用方式的依据见 flags.go：-p, --pattern参数用于"从可用模式中选择一个模式"。README 中大量示例均采用此管道模式，例如pbpaste | fabric --pattern summarize、fabric --stream --pattern analyze_claims，improve_report_finding的使用方式与之完全一致。

5.2 配合会话与上下文

Fabric 支持会话（session）与上下文（context）机制，可把多轮打磨串起来：先用create_report_finding生成初稿，再以improve_report_finding精修，中间用-s指定会话名保存过程，便于回归对比。

5.3 模式管理与发现

• 列出全部模式：fabric -l（对应 listing.go 中的ListPatterns分支，会调用fabricDb.Patterns.ListNames）；
• 查看模式原文：fabric --readpattern improve_report_finding（对应同一文件ReadPattern分支，直接打印system.md内容到终端）；
• 更新模式：fabric -U，触发 patterns_loader.go 的PopulateDB，从默认仓库（https://github.com/danielmiessler/fabric.git的data/patterns目录）拉取最新模式集合并保留自定义模式；
• 查看最近新增模式：fabric -n 10。

5.4 安装模式后的目录位置

模式文件随 Fabric 初始化下载到本地配置目录，仓库内的data/patterns/improve_report_finding/即其源形态（包含system.md）。若你希望调整提示词，可在本地对应目录编辑system.md——但注意仓库本身是只读交付物，自定义应发生在你自己的安装目录。

六、周边生态：与相关模式的配合使用

improve_report_finding并非孤立存在，仓库中围绕安全报告场景还提供了一系列配套模式，共同构成完整工作流：

• create_report_finding：从漏洞标题与简要说明生成结构化 finding 初稿，章节骨架与本模式完全一致；
• write_hackerone_report：面向 HackerOne 平台提交场景的报告撰写模式；
• write_nuclei_template_rule：面向 Nuclei 扫描规则编写；
• write_semgrep_rule：面向 Semgrep 静态分析规则编写。

推荐的一条实战链路是：Nuclei/Semgrep 扫描结果 →create_report_finding生成初稿 → 人工补充复现细节 →improve_report_finding精修打磨 → 汇总进渗透测试报告。这样既保留了自动化效率，又通过两段式设计留出人工介入点，符合"AI 增强人类"的框架理念。

七、使用建议与边界

1. 输入质量决定输出上限：Recommendations 与 Quotes 都要求"从输入中提取"，因此喂给该模式的原始 finding 越详实（包含复现步骤、影响分析、修复思路、趋势观察），产出的报告条目越饱满。稀疏的输入会产生同样稀疏的输出。
2. References 需要人工复核：虽然提示词明令禁止臆造链接，但任何 LLM 都可能出错，将 References 链接加入报告前应逐条人工验证可达性与相关性。
3. 格式约束不要删减：系统提示词中的输出约束（不用粗体、只用项目符号、最少条目数）是保证报告风格统一的关键，本地定制时建议保留核心约束，只调整角色描述与章节侧重。
4. 配合威胁建模模式使用：若原始 finding 缺少风险分析，可先用 analyze_risk 或 create_stride_threat_model 补足上下文，再交给本模式生成最终条目。

结语

improve_report_finding展示了 Fabric 模式设计的精髓：把安全专家的行文规范、格式纪律与事实边界全部显式编码进提示词，让通用大模型也能稳定产出专业级渗透测试报告条目。对于安全团队而言，将它接入现有扫描与报告流水线，可以在保持人工审核的前提下显著压缩报告撰写时间，让工程师把精力留给真正需要人类判断的漏洞分析与修复决策。

【免费下载链接】FabricFabric is an open-source framework for augmenting humans using AI. It provides a modular system for solving specific problems using a crowdsourced set of AI prompts that can be used anywhere.项目地址: https://gitcode.com/GitHub_Trending/fa/Fabric