CPE 是一个连接键，不是一个评分——NIST 正在把一个智能体放进 NVD

一览

五个日期，其中一个是你现在还来得及行动的截止日。

NIST 究竟说了什么

8 月 12 日，NIST 发布了一份信息征询，主题是让国家漏洞数据库适应一个「漏洞由 AI 发现、安全数据供机器消费」的时代。这份征询问到的问题里包括：哪些漏洞管理任务适合交给 AI、哪些应当要求人工复核、周边需要什么样的保障，以及由 AI 驱动的决策如何保持透明与可审计。意见于 10 月 13 日截止，在案卷号 NIST-2026-0100 下公开发布、不作删节。

随之发布的一篇 NIST 博客披露了该机构一直在建的一款工具，名为 V-etalon，描述为运用 AI 来辅助富化漏洞信息。它尚未发布，而那份披露并没有说它将如何进入生产流程，也没有说分析师将如何复核它的输出。今天的 ITL AI 网络研讨会——《国家漏洞数据库智能体富化工作流的研发》——是关于其思路与架构、实现过程中发现的问题以及早期结果的第一次公开陈述。

压力是真实的，这一点无人争辩。CVE 提交量在 2020 至 2025 年间上升了 263%；2026 年第一季度比去年同期高出近三分之一。NIST 在 2025 年富化了接近 42,000 条 CVE，比此前任何一年都多 45%，而这仍然不够。2026 年 4 月 15 日，NVD 正式转为按风险富化，把分析师集中到 CISA「已知被利用漏洞」目录中的 CVE、联邦政府软件与关键软件上——并把约 29,000 条 2026 年 3 月 1 日前发布的积压记录重新划为「未排期」，没有承诺任何日期。

所以这里的选择并不是「智能体还是分析师」，而是「智能体还是一个空字段」。这个说法是对的，它正是这件事发生的原因，而它也恰恰是把问题遮住的那个说法。

三个字段，三种失效形状

NVD 富化会往一条已发布的 CVE 上挂三样东西：一个 CVSS 严重性评分、一个 CWE 弱点分类，以及若干条说明该缺陷适用于哪些产品版本的 CPE 适用性声明。它们通常被当作一条工作线来谈，因为这三样出自同一位分析师之手。但它们不是一条工作线，因为它们被消费的方式不一样。

CVSS 失效得很响

严重性评分是一个人要读的数字，而旁边就摆着同一个人也能读的描述。如果一个智能体把一次无关痛痒的信息泄露打成 9.8 分，会有人在分诊会上说出来——因为分数和支持它的证据出现在同一个视图里。它的失效模式是优先级排错，代价不小，但它会自我宣告：当队列里塞满并不严重的「严重」发现时，人是会注意到的。而且 CVSS 本来就有争议——厂商、CNA 与 NVD 对分数意见相左是家常便饭——所以消费方早就养成了把它当意见而不是事实的习惯。

CWE 失效得很慢

弱点分类喂给的是分析：你的资产里哪些部位出现哪类缺陷、安全开发的力气该往哪儿使、趋势线长什么样。一个错的 CWE 不会弄坏任何单独一次决策。它劣化的是一个语料，而损害会在一年后以「从一群被贴错标签的样本里得出的结论」的形式浮现。让人难受，可以补救，也不太可能是最终撂倒你的那件事。

CPE 失效得无声无息

一条 CPE 适用性声明不是一次评估。它是一个键。你的扫描器拿着从资产清单里推导出的 CPE 字符串，与 CVE 记录上的 CPE 字符串求交，每命中一次就产出一条发现。这个操作是一次连接（join），而连接的失效模式不是给出错误答案——是给出空结果。

想想两种错各自会做什么。一个过宽的 CPE 产出的是误报：一条针对你并不运行的东西的告警冒了出来，有人去查，于是错误在一天之内被发现，因为总得有人去看它。而一个过窄的 CPE——厂商字符串写错了、版本区间少收了一个发行版、产品在大版本之间改了名——产出的是「没有」。没有行，没有发现，没有告警，没有工单，你整条流水线里也不会留下任何一件产物记录下「有人问过这个问题、答案是否」。漏洞仍然留在你的资产里，而你的覆盖率报告说你是干净的——这比什么都不说更糟，因为它是一句肯定的断言。

为什么「模型准确率 94%」是个错的数字

任何一次对富化智能体的评测都会产出一个头条准确率数字，而那个数字会是三个字段上的平均。一取平均，你就把三样东西混在了一起：一个「错误会被下一个看它的人抓住」的指标，一个「错误要过一年才开始要紧」的指标，以及一个「错误从构造上就不可见」的指标。这个总体值不是那三样的摘要，而是一个把「到底是哪一样动了」藏起来的数字。

• CPE 的召回率必须单独报，而且要说清对着什么算。CPE 的精确率——智能体点名的那些产品里有多少是对的——是容易的那个方向，也是 demo 会展示的那个。召回率——真正受影响的产品里，智能体点到了多少——才是预测无声漏报的那个数字；而要测它，需要一份「按定义就不存在于那些没人富化过的记录上」的真值。
• 版本区间不是字符串，而字符串准确率却按字符串给它打分。「除了上界之外都对」，对上界之上的每一台资产是全错，对之下的每一台是全对。评测的单位必须是本该匹配上的资产，而不是看上去没毛病的记录。
• 相关性错误会毁掉抽样。随机复核智能体产出的 2%，能诚实地估出错误率，却几乎说不出这些漏掉的是不是聚集在某一家厂商、某一个生态、或某一种命名模式上。报任何数之前，先按厂商把它们聚一次类。
• 弃答也是一种结果。一个在解不出来时拒绝吐出 CPE 的智能体，比一个吐出最佳猜测的更有用——因为那个空字段保住了「这里需要人或另一个来源」的信号。这套工作流能不能弃答、以及弃答在它的评测里是否得到奖励，是一个比一个百分点的准确率更值钱的设计问题。

最有力的那个反驳，以及它为什么并没有把话说死

反驳很简单：眼下有 29,000 条记录根本没有 CPE。一个九成时候把 CPE 做对的智能体，严格优于一个零成时候做对的字段。拒绝这个智能体，是出于对「出处」的洁癖而选了更差的那一边。

如果「错值」的替代品是一份同样无声的缺席，这话就是对的。但它不是，因为消费方在这两种情形下的行为并不一样。缺失的 CPE 是可读的：容器扫描器、SCA 工具与企业级项目早就能识别它并回退——退到厂商公告、退到生态原生的公告库、退到包管理器元数据、退到商业富化源、退到可达性分析。4 月之后有好几家厂商公开重建的正是这套回退，并告诉客户别再把 NVD 当成完整的了。触发那套行为的，正是那个空字段。

一个「有值但错」的 CPE 会把这个触发器拿掉。这个错误的代价不是一条坏记录；而是那条坏记录如果缺席、本会被唤起的那道补偿性控制被压制了。所以「九成总比什么都没有强」是一次范畴错误：你比的并不是「九成对」对上「零成对」，而是「九成对加上一成不可见」对上「零成对加上十成可见」——而你的整个项目，是搭在第二栏上的。

解法不是拒绝这个智能体。解法是让这两种情形重新可区分，而那只需要一个字段。

10 月 13 日之前值得去要的东西

这份信息征询问的是：由 AI 驱动的决策如何保持透明与可审计。这问题问得对，而它有一个具体、便宜、可检验的答案——而那个答案属于数据模型，不属于一份政策文件。

• 出处要落到每个值上，不是每条记录上。每一个被富化的值——每一条 CVSS 向量、每一个 CWE、每一条 CPE 匹配——都带上来源：分析师、CNA、工具，或「工具产出经分析师复核」。按记录记出处是不够的，因为真正有意思的恰恰是那些混合的记录：分析师确认了分数，而工具猜了适用性。
• 工具产出的值要带置信度，并通过 API 暴露为可过滤字段。不是给人读的，是给扫描器拿来配置的：「把置信度低于 X 的工具产 CPE 当作缺失处理」是一条一行的策略，它能把回退行为恢复回来——而这在今天根本写不出来。
• 「未排期」不能被悄悄覆盖。如果一个工具填上了人工分析师本来永远够不到的记录，这条记录应当永久地把这件事写明。一个悄悄变成「已富化」的状态，会摧毁世上唯一那份「哪些东西从来没被查过」的清单。
• 按字段公布评测结果，并把 CPE 召回率按厂商拆开。连真值是怎么造出来的一起公布。一个横跨 CVSS、CWE 与 CPE 的总体准确率数字，无论多高，都该被当作「没有回答」。
• 说清这个智能体读的是什么。一个富化智能体的输入是厂商公告、变更日志与问题追踪器——那是由「对自家产品适用性如何被记录抱有利害关系」的一方写的文本，而且任何能提一个 issue 的人都够得着。这是一条喂给权威记录的不可信输入管线，它的威胁模型值得占上一段。

这一周在你自己的项目里该做什么

这些事一件都不必等 NIST，而且不管那个智能体最终会不会上线，其中大部分本来就该做了。

• 在你自己的流水线里，把「缺席」变成一个独立状态。如果你的漏洞数据模型没法把「这条 CVE 没有适用性数据」与「这条 CVE 不适用于我们」分开表达，那就是一次现在就值得做的 schema 变更。这也正是让你日后能消费出处字段的同一次变更。
• 做快照，做差分。自己留一份 NVD 记录的历史。当一条上个月还没有 CPE 列表的记录忽然有了，那是一个值得被看见的事件——今天是因为它意味着这条记录被迟迟富化了，不久之后则可能意味着它是被一个工具富化的。
• 别再只对着 NVD 报覆盖率。它在 4 月就以公告的形式不再是一个完整的富化来源了。用一个不完整的分母算出来的覆盖率指标，与这整篇文章讲的是同一种失效，只是高了一层。
• 如果你在造消费漏洞数据的智能体，注意刚刚变了什么。一个读 NVD 的修复或分诊智能体，一向读的是人的判断。而它即将读到的，有一部分是另一个模型的输出，并且没有任何标记把两者分开。这是你这个智能体的一条供应链属性，不是一条数据质量的脚注——而这已经是今年第二回，业界悄悄把一个模型摞在了另一个模型未署名的输出之上。

延伸阅读

本站相关：

• 智能体平台的漏洞管理——把这份数据的消费侧当作一项工程属性。
• 漏洞修复智能体——适用性数据出错时，下游会发生什么。
• 不确定性与校准——为什么弃答是一种结果，以及什么时候该为它付钱。
• 披露与内容出处——给机器生成的值打上标记，好让下游系统能照着标记行事。
• 决策回执与审计——「记下这个值是由什么产生的」的一般形式。
• 发现不等于清单——同一种形状的错误，落在另一类资产上。

来源：

• Federal Register — RFI on Modernizing the National Vulnerability Database in the Age of Artificial Intelligence
• NIST — Shaping the NVD for the Future: We Need Your Feedback on AI-Enabled Vulnerability Management
• NIST ITL AI Webinar — The Development of an AI Agent Enrichment Workflow at the National Vulnerability Database
• NIST — Updates to NVD Operations to Address Record CVE Growth
• NVD — Vulnerability Metrics