定向模糊测试旨在将模糊器导向用户定义的目标函数以发现漏洞，但经常在长时间运行后仍无法触发崩溃。本文识别了两个关键挑战：一是间接调用的静态分析不完整，导致基于距离的引导无法发现可达路径；二是缺乏对崩溃前提条件的语义引导，使得盲目变异在合理时间预算内无法满足这些条件。自然的干预点是初始种子语料库：编码正确控制流路径并满足关键崩溃前提条件的种子可以将模糊测试从盲目探索转变为局部优化。现有的种子生成方法均未同时解决这两个问题：基于语法和格式的方法生成结构有效但无目标感知的输入，而基于LLM的方法要么缺乏目标定位，要么通过单次提示继承了静态分析的局限性。本文提出SeedSmith，一个智能LLM流水线，模拟安全分析师的工作流程：从目标函数出发，迭代探索代码库，解析间接调用，识别崩溃前提条件，并合成满足这些条件的具体输入。由于SeedSmith作为种子生成前端运行，其种子与模糊器无关，可无修改地改进任何下游基于变异的模糊器。在Magma基准测试中，使用SeedSmith种子的模糊器相比默认种子，崩溃时间几何平均加速达到11.51倍（AFL++）到14.66倍（AFLGo）。在ARVO上，SeedSmith使模糊器触发了跨越10个项目的16个先前不可达的bug，涵盖多种输入格式。