摘要：现代网络安全中，自动化攻击链生成对防御和安全评估至关重要，但人工构建无法应对攻击行为的快速增长。经典AI规划（如PDDL）提供了一种形式化自动生成攻击链的方法，但其效果依赖于将攻击技术准确翻译为符号谓词的粒度。当前最先进的系统如AURORA采用九类攻击动作链接模型（AALM），然而该粒度的必要性尚未被严格验证。本文旨在实证研究谓词表示粒度对攻击链计划的有效性、生成成本和保真度的影响。研究方法为：构建一个管道，由大型语言模型（LLM）将攻击技术翻译成符号谓词，再由Fast Downward规划引擎进行确定性推理。实验对比了完整的九类AALM方案与根据原子红队（ART）执行证据归纳出的简化五类方案，在包含16种攻击技术的语料库上进行测试。结果表明，计划的有效性和生成成本在两种粒度下基本一致，81.3%的案例生成结果完全相同。进一步分析发现，更高粒度的谓词表示主要提升了攻击链内部结构的分辨率，即能更精细地解释计划步骤的理由，但对最终产生的攻击链是否可行影响不大。这项研究首次系统评估了谓词表示粒度在LLM+规划器攻击链生成流程中的作用，挑战了此前认为高粒度表示更有优势的假设，为未来设计轻量级、高效的攻击链生成系统提供了实证依据。对安全从业者而言，该研究提示在构建自动化攻击模拟工具时，或许可以采用更简洁的谓词模型以降低成本，同时仍需注意不同粒度对计划可解释性的影响。