本文针对 Linux 内核漏洞自动化复现这一长期难题提出 SyzHarness 框架。内核漏洞复现是缺陷分诊、补丁验证与回归测试的关键环节，但其实现有效且高效的自动化仍十分困难。作者指出核心挑战有两点：一是复现程序必须先恢复出能够到达脆弱状态的“触发脚手架”（即一系列前置系统调用与对象设置逻辑），二是必须确定真正触发缺陷的精确具体取值（concrete values）。现有定向灰盒模糊测试（directed fuzzing）擅长朝目标推进覆盖率，却难以自动恢复这类前置脚手架；而纯 LLM 生成方案虽然能写出看似合理的代码，却在具体数值发现与运行时不确定性（nondeterminism）上表现脆弱，容易生成无法稳定触发的复现器。SyzHarness 的解法是将 LLM 推理与覆盖率引导模糊测试结合：给定一个修复补丁，框架使用由代码导航工具（code navigation tools）作为“接地”手段的 LLM 智能体，分析补丁涉及的代码路径，合成一个参数化的 fuzzing harness——其中把确定的前置设置逻辑固定下来，仅把不确定且对触发至关重要的输入参数暴露出来，交给 Syzkaller 进行变异探索。随后 SyzHarness 将该 harness 转换为 Syzkaller 兼容接口，并借助分层可达性反馈（hierarchical reachability feedback）迭代精化 harness，逐步修正脚手架。作者在多个真实 Linux 内核可触发漏洞数据集上评估：在 100 个 KernelCTF 案例上达到 78% 的复现成功率；在 SyzDirect 基准上达到 73%，显著优于此前的定向灰盒模糊测试；在 50 个 2026 年 3 月之后修复的、已知可触发的 syzbot 缺陷上，仅以修复提交作为输入即复现 40/50（80%）。该工作说明将 LLM 的语义理解能力用于“补齐前置条件”、把搜索空间缩小到关键参数后再交由传统模糊测试变异，是一条可行且高效的混合路线，适合漏洞研究、内核维护与自动化测试方向的读者。