本文针对企业级多主机网络红队测试中依赖人工专家、成本高昂且难以扩展的问题，提出利用大语言模型（LLM）自动化执行红队演练。作者首先系统评估了现有最先进的LLM辅助攻击系统（如PentestGPT、CyberSecEval3）结合顶级LLM（如Sonnet 4、Gemini 2.5 Pro）在多主机网络攻击场景中的表现，发现这些系统均无法可靠地完成跨多跳主机（stepping stones）的复杂攻击链条。基于对失效模式的分析，作者指出当前系统在任务抽象与接口设计上的不足，并据此设计并实现了Incalmo——一个面向多主机网络自主红队演练的LLM辅助系统。Incalmo的核心思路是：由LLM负责将红队目标分解为高层声明式任务，再由领域特定的任务代理（task agents）具体执行；同时引入辅助服务管理上下文和已获取的资产（如凭证、会话等），以缓解长程规划中的上下文丢失问题。为了评估效果，作者构建了MHBench基准，包含40个真实感仿真网络环境，规模从22台到50台主机不等。实验结果显示，Incalmo在40个环境中成功获取关键资产（关键主机或数据）37个，而现有最先进的LLM辅助系统仅成功3个。此外，Incalmo效率较高：单次成功攻击耗时12-54分钟，LLM API成本低于15美元。本文的贡献在于：揭示了现有LLM攻击系统在多主机场景中的适用性瓶颈，提出了面向红队演练的任务抽象与执行解耦架构，并提供了可复现的高质量评测基准MHBench。适合红队自动化研究者、企业安全架构师及渗透测试工具开发者阅读。