这篇论文聚焦于大语言模型（LLM）带来的网络安全攻防不对称问题：攻击正在趋于自主执行，而防御仍高度依赖人工分析，导致攻防失衡。作者认为，这种不对称的根本原因在于攻防双方在三个层面的“进化”陷入停滞。为此，他们提出“共同进化”（co-evolution）作为核心思路，让攻击AI代理和防御AI代理通过持续的对抗性交互，安全且自主地驱动彼此能力提升。在此基础上，论文实现了系统SysEvolve，包含三个协同设计的组件：SysField构建真实的多主机网络靶场，SysSpear生成高效且安全的攻击方案，SysArmor执行实时、可解释的防御响应。三者形成一个自驱动的对抗循环，在攻击与防御相互作用中促进双方能力迭代。实验结果表明：SysField在2.1%的开销下实现零损失数据采集，并将257个CVE编排为1148个靶场场景；SysSpear相比基线LLM将攻击成功率提升了超过25%；SysArmor的检测精度比已有系统提高10到1000倍，并已在华为和深信服的生产环境中检测到真实APT攻击。论文还揭示了LLM代理能力的三个关键发现：第一，多步任务组合和更大的网络拓扑会暴露单步评估中隐藏的能力差距；第二，瓶颈往往出现在初始访问之后的“后利用”状态利用阶段；第三，LLM代理易受环境干扰，例如在靶场中部署诱饵端点后，代理的超时次数增加三倍，且后续任务完成率下降，尽管初始访问成功率未受影响。这些发现对安全评估、防御自动化以及AI代理能力研究均有重要参考价值。