评估用于网络安全 CTF 任务的可本地部署 SLM 中的上下文分段

高能力开放权重小型语言模型（SLM）的日益普及，使先进网络安全能力得以民主化；由于这些模型在本地部署时能够绕过专有 API 的安全防护，这也带来了日益加剧的风险。然而，作为自主智能体部署的 SLM 往往难以应对网络安全夺旗（Capture The Flag，CTF）挑战这类长程探索任务，原因在于上下文膨胀，以及累积的工具调用输出导致的认知退化。为理解并缓解这一网络安全威胁，我们引入了\textit{上下文分段}，这是一种两级智能体框架，可将复杂的漏洞利用任务划分为易于管理且在上下文上相互隔离的子问题。我们在使用受内存限制的 \texttt{gemma-4} 模型的 \texttt{picoCTF} 数据集上进行评估，结果表明，对于 E4B 模型，我们的策略能够充当一种智能搜索：与暴力重试相比，在具备更高令牌效率的同时取得具有竞争力的奖励，并成功解决了标准智能体执行无法完成的 18.52\% 的任务。代码可在 https://github.com/9xeb/context-segmentation 获取。