该论文研究如何为智能体渗透测试自动化构建逻辑攻击图，属于神经-符号漏洞挖掘方向。作者指出，基于扫描器输出、以逻辑形式表达的攻击图能够提供LLM智能体所缺乏的显式且可审计的攻击路径推理；但将MulVAL等符号框架集成到现代安全工作流或智能体流水线时，存在互操作性问题：需要把扫描器证据翻译为初始事实，并编写领域专用规则。为此，论文提出半自动化流水线：解析Trivy、Semgrep、Nmap的发现结果并转换为MulVAL谓词，再借助LLM辅助构建领域专用Datalog规则，将扫描器可检测证据与攻击技术关联，最后由MulVAL/XSB执行符号推理生成结构化攻击路径。评估使用CyBench中54个Web CTF任务，置于Hybrid Reasoner智能体流水线内，但作者明确不评估下游智能体性能。结果显示每个任务至少生成一个可达目标的攻击图，平均真实漏洞覆盖率为53.7%，其中51.9%任务达到完全覆盖；平均噪声路径率为83.9%。端到端中位耗时24.9秒，其中MulVAL推理2.7秒，说明流水线对智能体工作流具备运行时可行性。主要局限在于谓词覆盖率、规则覆盖率和路径精度，后续工作包括语义规则验证和面向图引导渗透测试的智能体级对比。