本论文提出 FuzzPilot，一种针对 AFL++ 模糊测试工具的控制器，旨在将昂贵的推理过程移出变异热路径。当覆盖率出现平台期时，FuzzPilot 会快照当前语料库，生成候选变异配方（以 JSON 数据形式表示），在独立的 AFL++ 微活动中评估这些配方，并仅推广具有正验证奖励的配方。配方由原生自定义变异器消费，包含操作符权重、字节范围、语料库选择规则和字典令牌等。候选配方可来自本地规则或语言模型代理，后者可利用 Ghidra 提取的常量和反编译上下文作为目标提示。论文在 cJSON 上进行了故意狭窄的评估，每轮运行 5 次 14400 秒，比较了标准 AFL++ 和全功能 FuzzPilot。实验发现 cJSON 覆盖已饱和：基线 AFL++ 在约 2500 秒中位数时达到暴露的 269 条边上限。因此，实验无法证明语言模型提议能提高覆盖率或泛化到 cJSON 之外。在本次范围内，FuzzPilot 保持了吞吐量（中位 execs_per_sec 约为基线的 1.06 倍），并显示出描述性的更短中位平台期（1384 秒对比 2532 秒），但在 N=5 时差异不显著（Mann-Whitney p=0.42）。验证门评估了 20 个模型提出的配方，均未提升（奖励为零）。观察到的平台期减少更可能来自控制器的快照和重启机制，而非模型或配方变异器。本版本最好作为可审计的实现报告和正在进行的非饱和目标评估的基线。适合对模糊测试优化和 LLM 辅助测试感兴趣的研究人员阅读。