360 周鸿祎：做中国版 Mythos 不能照搬美国路线，基模能力的差距可以通过Harness补齐

Mythos 为什么成了全球安全行业的信号

Anthropic 的 Mythos 模型持续成为全球网络安全行业焦点。今年 4 月，Anthropic 启动 Project Glasswing，将 Claude Mythos Preview 作为核心能力提供给关键软件和基础设施伙伴，用于发现并修复底层软件漏洞。Anthropic 称 Mythos Preview 是其在编码和智能体任务上能力最强的前沿模型，已识别出大量关键基础设施零日漏洞。

6 月范围进一步扩大：早期约 50 家合作伙伴扫描代码库发现超 1 万个高危或严重安全缺陷，随后扩展到约 150 家新组织。监管也随之介入——6 月 12 日因美国出口管制指令暂停外国国民访问 Fable 5 和 Mythos 5，6 月 30 日美国商务部解除限制。

核心变化在于：AI 漏洞挖掘能力正从安全厂商的技术能力，变成一种需要被审慎管理的战略资源。这构成了 360 强调"中国人自己的 Mythos"的背景。

360 发布中国版 Mythos：倚天屠龙

在 ISC.AI 2026 第十四届互联网安全大会上，周鸿祎发布 AI 安全"倚天屠龙"两大能力：

• 图龙锋：漏洞自动化挖掘智能体，面向漏洞发现和风险前置。已累计挖掘漏洞 3432 个，其中 105 个高价值漏洞经监管机构确认，多个被国家漏洞库定义为高危漏洞，覆盖开源代码、操作系统、办公软件、AI 智能体平台等场景。360 将其定位为中国版 Mythos，目标是把漏洞挖掘从专家驱动变成智能体驱动。
• 仪天阵：网络安全自动化防御系统，面向安全运营。基于真实网络环境自主规划任务、研判告警、联动处置，解决攻击数量和自动化程度上升后人工值守、专家排队分析跟不上的问题。

两者构成"倚天屠龙"基本逻辑：一端主动发现（自己的漏洞自己先看见），一端自动防御（看见之后能不能自动化响应）。

同时，360 联合飞腾、麒麟等信创、安全、云计算、大模型和算力产业伙伴发起"磐石之盾"安全协作计划。

基础模型差距可通过 Harness 弥补

周鸿祎承认国产模型在底层能力上跟最顶尖模型比仍有差距，但强调通过智能体打造更强的 harness 平台可以让模型发挥得更好。360 选择的是安全场景里的工程化智能体路线，而非纯模型路线。

这一区别关键：

• OpenAI/Anthropic 路线：从通用模型能力外溢进入安全领域，编码能力增强后自然具备代码理解、漏洞发现、补丁生成能力。
• 360 路线：从安全场景反向拥抱模型，拥有漏洞库、攻防知识、政企安全运营经验和客户关系，用智能体把这些资产重新组织起来。

"第二次单向透明"是周鸿祎的核心判断：第一次是传统 APT 攻防中的"敌暗我明"；第二次是"敌快我慢、敌众我寡"——攻击方用智能体并行扫描和验证漏洞，防守方仍依赖少数专家排队分析。

智能体安全：不确定性是最大问题

周鸿祎把智能体分为两类：一是按有限步骤和企业认定流程工作的"工作流型智能体"；二是给定目标后自行寻找路径的开放式推理智能体。后者可在受限环境使用，但在企业内网不加限制使用"一定会带来不安全的问题"。

企业智能体落地的基本矛盾：越开放能力越强，越强越不可控。安全智能体既要拥有足够权限扫描、验证、处置，又必须被严格约束避免越权、误删、误封、误报。隔离、虚拟机、云上办公室、工具和 skill 审批，本质上是安全智能体的运行边界。

烧 Token 不直接等于生产力

360 内部经历两阶段：先看 Token 消耗量（养成习惯），后看 Token 消耗效率。周鸿祎认为消耗 Token 不可怕，但要结合产出看——代码提交、产品方案、PPT 设计或 Agent 成果。

360 在纳米 WORK 中没有简单沿用开放式 Agent 模式，原因有二：安全不确定性太高，Token 消耗太浪费（"做个 PPT 得消耗上亿 Token"）。企业真正需要的是能进入业务流程、可控执行、成本可算、结果可验的 Agent。

磐石之盾是此次发布最值得关注的部分，率先面向信创企业和关键基础设施单位开放。统信、麒麟、山石网科、海光、飞腾、金蝶、壁仞、移动云、宝兰德、达梦等首批加入。图龙锋的第一批场景不是自由开放，而是产业链内的受控协作——相关能力授权认证给 ToB 合作伙伴和重点产业链企业，而非自由开放，避免攻击"平民化"引发安全风暴。

传统网络安全公司面临转型压力

周鸿祎的尖锐判断："如果网络安全厂商自己不进化，不利用智能体技术提升自动化漏洞和自动防御能力，传统网络安全厂商会被大模型厂商无情地干掉，干掉你的往往不是同行。"

截流风险来自场景入口：AI Coding 工具在写代码阶段完成安全审计会使价值链前移；云厂商嵌入 AI 安全检测会边缘化盒子式产品；大模型厂商给开发者配"安全专家"会使安全能力成为编码工具的一部分而非单独采购。

360 的战略变化是：把安全卫士、浏览器、杀毒等软件能力拆成智能体可调用的工具，把专家经验变成可复用 skill，把安全运营系统变成智能体可执行的任务流。

但落地难点在于组织变革。周鸿祎指出很多公司员工用 Claude Code 花了不少 Token，个人代码提交量增加，但组织效率没提高——AI 只提高单点效率，组织架构和业务流程没变，就像"买了最先进的发动机装在马车上"。安全行业同样：漏洞发现速度提升 100 倍，但验证、优先级排序、责任归属、补丁开发、灰度发布仍停留在旧流程，防守方只会被更多告警淹没。

AI 解决了旧问题，也制造了新问题。安全行业仍然要继续推石头，只是这一次，石头变成了智能体。

My Take

从工程化视角看，这篇文章最值得关注的不是"中国版 Mythos"的口号，而是 360 对 Harness 路线的选择。这本质上是承认在基模军备竞赛中无法取胜后，转向"模型 + 工具链 + 数据 + 流程"的系统工程路线——这与前端工程化中"框架能力不够用工程体系补"的思路如出一辙。

对关注 AI 基础设施的人而言，几个信号值得注意：一是智能体落地的主流形态正在从"开放式推理 Agent"收敛到"工作流型 + 受限环境"，可控性和可审计性成为硬约束；二是 Token 成本正在从"创新红利"变成"工程指标"，消耗效率而非消耗量成为度量项；三是安全能力的产业化路径选择了受控协作而非自由开放，治理问题（给谁用、怎么审计、谁负责）成为技术能力之外的关键变量。

"买了最先进的发动机装在马车上"这个比喻，对任何正在引入 AI 工具却未改造组织流程的团队都适用。