该论文聚焦 Active Directory（AD）这一企业身份与访问管理核心基础设施，评估大语言模型（LLM）在自主渗透测试中的可行性与可靠性。作者指出，既有研究虽已证明 LLM 可自主完成“假定失陷”条件下的 AD 渗透，但普遍使用孤立智能体，缺乏结构化护栏、确定性验证与多阶段攻击链编排，导致技术覆盖面窄、误报率高、行为风险不可控，难以作为可复现的评测基线。为此，论文提出并基准评测开源 Rust 自主渗透测试框架 NeuroSploit v4.2.0，实验环境选用 Orange Cyberdefense 维护的故意脆弱多林靶场 Game of Active Directory（GOAD），该环境由 5 台虚拟机、2 个林、3 个域组成。框架编排 22 个 AD 专用智能体与 7 套多阶段攻击链剧本，覆盖 AD 杀伤链的 14 个技术类别，包括域内枚举、Kerberoasting、AS-REP roasting、NTLM 中继与强制认证、Kerberos 委派滥用、AD CS 证书服务配置缺陷类问题（ESC1–ESC8 对应场景）、MSSQL 链接服务器横向移动、DCSync、跨林信任滥用以及持久化痕迹检测。评测将 9 个前沿模型（Claude Opus 4.6/4.7/4.8、GPT-6 Astra、GPT-5.6 Sol、Grok 4.6、Qwen 3.8、GLM 5.3、Kimi k3）分别置于框架内运行并与直接调用方式进行对照。结果显示：框架化编排实现 96–100% 技术覆盖率和 90–97% 精度，而直接调用仅覆盖 21–54% 且误报量高出 3.2 倍；使用 Opus 4.8 时，在护栏机制约束下 134 分钟完成三个域的完整失陷链路。护栏成功拦截了会触发账号锁定的口令喷洒、未授权的 DCSync 导出以及超出授权范围的侦察行为。论文结论是：领域专用智能体、POMDP 信念跟踪与跨模型投票构成的结构化编排，在 AD 渗透测试任务上显著优于非结构化的 LLM 直接使用，为自主攻防智能体的安全评测与可控性设计提供了可复现的方法学参考。