DarKnight 框架利用检索增强与智能体工具选择在暗网 CAPTCHA 破解中超越闭源模型

该论文提出 DarKnight，一种专为暗网威胁情报调查设计的自改进智能体框架，旨在解决现有 CAPTCHA 求解器依赖商业 API 导致的主权丧失和成本不可控问题。该系统运行于单工作站 GPU 上，使用本地托管的小参数开放权重视觉语言模型（VLM），通过双信号 RAG 检索相似图像的成功与失败案例，并构建特定图像的预处理流水线，从而在不进行每站微调的情况下实现 CAPTCHA 破解。

实验数据显示，在四个真实暗网市场的案例研究中，智能体工具选择优于单纯扩大参数量。部署的开放权重 VLM 结合 DarKnight 在最受保护的市场达到 83.2% 的准确率，比基础模型高出 37.2 个百分点，甚至超越了前沿的 Claude Opus 5（44%）。此外，该框架能以 7.6% 的退化成本恢复 48.2% 的基础失败案例，表明选择性工具使用能有效避免统一预处理带来的性能下降。

事实层面，该研究展示了在特定对抗场景下，通过 RAG 和 Agent 机制优化小模型的有效性；推断层面，这暗示了未来针对封闭系统的自动化对抗可能不再完全依赖云端大模型算力；猜测层面，此类技术若被滥用，将显著降低暗网数据爬取的门槛，但具体监管应对尚未在文中讨论。