← 返回列表

【技巧】人工智能赋能开源情报(OSINT)实操指南

单站 丁爸情报分析师的工具箱 发布 Wed, 18 Nov 2026 11:27:00 +0800 入库 2026-11-18T19:04:14

原创 丁爸 2026-11-18 11:27 四川

AI 在 OSINT 中的正确定位是放大器,不是替代品。放大器意味着:输入垃圾,输出更多垃圾;输入没有验证的线索,输出看起来更可信的谣言。所以本指南把“验证”放在与“采集”同等重要的位置。

人工智能赋能开源情报(OSINT)实操指南

从《OSINT 2025》到可执行工作流:方法、提示词、工具链与验证机制

开源情报研究中心

| 项目 | 内容 |
| 版本 | v1.0(2026-11-18) |
| 依据文档 | Marie Seshat Landry,《OSINT 2025: Deep Search, AI Integration, and Future Trends》, 2025-02-19,17 章 |
| 补充来源 | 2025—2026 年公开研究、厂商文档、行业报道与中文权威转载(编号见附录 E) |
| 方法论口径 | 情报周期五阶段 + 北约 Admiralty 信源评级 + 人机协同(co-pilot) |
| 适用对象 | 企业情报与尽职调查、网络安全威胁情报、调查报道与事实核查、合规与反欺诈团队 |
| 使用边界 | 仅限合法合规的公开来源研究;不涉及入侵、社会工程、付费隐私数据滥用、规避法律授权 |

共 14 章与 5 个附录。目录条目可点击跳转(Word/WPS 中按住 Ctrl 点击)。

第 0 章 导读:怎么用这份指南

第 1 章 基线:先把原始文档读薄

第 2 章 能力地图:AI 在 OSINT 里能干与不能干

第 3 章 开工前的 60 分钟:环境与纪律

第 4 章 主流程:五阶段 SOP

第 5 章 提示词工程:把分析经验编码进提示词

第 6 章 深度检索:让 AI 帮你“问对问题”

第 7 章 图像、视频与地理定位

第 8 章 社交网络、叙事与协同行为

第 9 章 自动化:把重复劳动交给机器

第 10 章 验证与防幻觉:给 AI 输出上三道锁

第 11 章 报告:从“资料堆”到“情报产品”

第 12 章 安全、合规与伦理

第 13 章 落地:90 天路线与能力矩阵

附录 A 工具速查表(按 12 类技术栈)

附录 B 一页纸检查清单

附录 C 提示词卡片索引

附录 D 术语表

附录 E 参考资料

不同岗位的时间预算差别很大,不必从头读到尾。中文侧的行业动态与工具综述,可关注安全内参的开源情报专题 [S2]。

| 路径 | 时间 | 读什么 | 读完能得到 |
| 速览 | 30 分钟 | 第 2 章、第 13 章、附录 B | 知道 AI 该用在哪、不该用在哪,拿到一张检查清单 |
| 上手 | 半天 | 第 3—5 章 + 附录 C | 环境搭好,六个提示词各跑一遍,产出第一份结构化简报 |
| 落地 | 两周 | 全篇 + 第 9 章代码 + 第 13 章路线图 | 一条能自动跑的监测流水线 + 一套验证与留证规范 |

本指南对每类信息标注可信度,读者应据此决定要不要直接采信。

| 等级 | 含义 | 例子 |
| A | 可复核的一手材料:官方文档、同行评议论文、机构公开报告 | arXiv 综述、OWASP 条目、ICO 指引 |
| B | 厂商自述或行业媒体报道,未经独立验证 | 平台功能页、市场分析转载 |
| C | 社区经验、个人判断、单点案例,只能当假设 | “这个提示词效果最好” |

凡带具体数字的断言,本指南均给出资料来源编号(如 [S3])。没有编号的判断属于经验性建议,请按 C 级处理并自行验证。

AI 在 OSINT 中的正确定位是放大器,不是替代品。放大器意味着:输入垃圾,输出更多垃圾;输入没有验证的线索,输出看起来更可信的谣言。所以本指南把“验证”放在与“采集”同等重要的位置,而不是当成最后一章。

先给这份已有的 PDF([S1])做一个客观体检,才能判断哪些内容可以直接用、哪些必须替换。

| 维度 | 观察结果 |
| 体例 | 6 部分 17 章,约 45 页正文,概念导览型,无脚注、无数据表 |
| 成文时间 | 2025 年 2 月 19 日,早于推理模型普及与“智能体”浪潮 |
| 参考文献 | 仅 6 条,含 Bazzell 教材、CSIS 报告与两篇厂商博客 |
| 案例质量 | 均为匿名化概述(“某跨国公司”“某次调查”),无可复核细节 |
| 强项 | 情报周期、深搜定义、伦理三原则的框架清晰,适合做团队共同语言 |
| 弱项 | 没有提示词、没有代码、没有验证方法、没有失败模式、没有成本讨论 |

结论:把它当作“目录和词汇表”来用,而不是当作操作手册。它的价值在于提出正确的问题,不在于回答问题。

以下五点是原文真正的干货,本指南后续所有流程都建立在这五点之上。

骨架一:情报周期五阶段(原文 2.1)

准备→ 收集 → 处理 → 分析 → 分发。关键不在五个词,而在于它是闭环:分发之后要回到准备,用反馈修正下一次的收集计划。多数团队失败在把周期做成直线。

骨架二:深搜的三条腿(原文 5.1)

专用搜索运算符、定制化爬虫、档案与专业数据库 API。原文指出深搜的目标是“标准搜索引擎进不去的隐藏、档案、未索引数据”。这句话在 2026 年依然准确,只是“爬虫”这一条要换成“合规的采集基础设施 + 反封锁”。

骨架三:AI 的三类能力(原文 6.1)

自动化采集、NLP 抽取(实体、情绪、主题)、计算机视觉。这三类能力今天依然成立,但原文低估了第四类:生成与编排(写查询、写代码、写报告、驱动多步流程)。这一类恰恰是 2025—2026 年变化最大的部分。

骨架四:伦理三原则(原文 3.3、14.2)

合规(GDPR 等)、伦理(不侵权、必要时匿名化)、透明(记录来源与方法)。原文补充了三条可执行准则:同意、最小化、可问责。这三条在本指南第 12 章会被翻译成具体的操作动作。

骨架五:工作流四模块(原文 15.1)

自动化采集、数据处理管道、AI/ML 分析模块、报告工具。这是最小可用的系统架构,第 9 章会把它实现成可运行的代码。

缺口一:从“能力描述”到“操作步骤”。

原文说“AI 可以自动抓取并聚合数百个来源的数据”,但没有说用哪个库、怎么去重、怎么处理反爬、怎么留证。本指南用第 4 章的五阶段 SOP 和第 9 章的代码补上。

缺口二:从“AI 很强”到“AI 具体在哪里骗你”。

原文对局限性的描述只有三行:偏见、误报、需要人工监督。而 2025—2026 年的实证研究给出了更精确的失败图谱:大模型在地理定位上会自信地指错国家 [S6],在命名实体识别上低于可接受水平 [S7],而且在只有一项 OSINT 专用系统真正测量过端到端幻觉 [S3]。这些结论直接改变了工作流设计。

缺口三:模型坐标系已经换了三茬。

2025 年 2 月的“先进模型”到 2026 年 11 月已被迭代多轮,且性能并非单调上升——Bellingcat 的对比测试显示新一代模型在地理定位上反而退步 [S6]。任何把“某个模型最强”写死的流程都会过期,正确做法是把模型当成可替换件(第 3.2 节)。

这张表是本指南的骨架:左边是原文的观点,右边是今天可执行的动作,最后一列指向具体章节。

| 原文观点(章节) | 今天怎么做 | 本指南位置 |
| 情报周期是闭环(2.1) | 每个阶段设“质检门”,不通过不准进入下一阶段 | 4.1—4.6 |
| 深搜靠运算符与档案库(5.1、5.2) | 让 AI 生成 dork 并解释每个运算符,再人工删掉幻觉运算符 | 6.2 |
| AI 可做实体与情绪抽取(6.1) | 用 JSON Schema 约束输出,强制标注置信度与原文摘句 | 5.2 P3 |
| 计算机视觉可提取元数据与地物(9.1) | 图像三链验证:来源链、内容链、地理链 | 7.1—7.3 |
| 多语言是全球化调查的前提(10.3) | 原文关键词 + 音译 + 地名别名 + 本地平台四路并行 | 6.3 |
| AI 可生成报告(7.2) | BLUF 结构 + 置信度语言 + 引用回溯,禁止无源断言 | 11.2 |
| 实时监测与预警(8.2) | RSS/API → 去重 → LLM 分级 → 日报,全自动但人工复核 | 9.2—9.3 |
| 人在回路(6.3、12.3) | 明确“AI 建议 / 人决定”的任务边界矩阵 | 2.4 |
| 合规与最小化(3.3、14.2) | 数据分级 + 上机前决策树 + 留存期限 | 12.3 |
| 工具生态(3.1) | 按 12 类技术栈选型,而非按“十大工具”榜单 | 附录 A |

这一章解决最常见的一个错误:把 AI 当成“更快的搜索引擎”。它不是。它是一个语言与模式的处理器,强在压缩、转换、生成、比对,弱在事实、精确、责任。

(1)需求拆解:把模糊委托变成可检索的问题

客户说“查一下这家公司有没有问题”,这句话无法执行。让模型把它拆成 5—8 个关键情报问题(KIQ),每个 KIQ 再拆成 2—4 个可观测指标(EEI),这是 AI 目前最稳定、收益最高的用途之一。原因很简单:这一步不需要事实,只需要结构。

(2)查询构造:把自然语言变成检索语法

包括 Google 运算符、平台内搜索语法、SQL、正则、API 查询参数。模型对语法的掌握远好于对事实的掌握,而且语法错误是可立即验证的——搜一下就知道对不对。这是“低风险高回报”的典型场景。

(3)多语言采集与转译

原文 10.3 节强调语言壁垒。实操中 AI 的价值不只是翻译,而是保留原词:同时输出直译、意译、原文关键词表。因为搜索时必须用原文词,机器翻译过的词搜不到东西。

(4)大批量文本的主题与叙事抽取

给定 500 条帖子,让模型归纳出 6—10 条叙事主线,并为每条主线附 3 条原帖引用。这一步是“降维”,人做需要一天,模型做需要十分钟,而且引用可核查。

(5)线索扩展:从实体到下一跳

拿到一个域名、一个邮箱、一个 Git 提交者名字,让模型列出“下一步可以查什么、在哪个平台查、用什么语法”。它给出的往往是通用套路而非新情报,但能有效防止遗漏。

(6)时间线重建与矛盾检测

把散落在多条来源里的时间点汇总成表,标注每个时间点的来源与精度(精确到日/月/年),再让它列出彼此冲突的条目。这是纯逻辑工作,模型表现良好,而且冲突清单本身就是分析产出。

(7)报告起草与结构改写

把要点草稿改写成 BLUF 结构、把技术细节改写成管理层语言、把长报告压缩成一页摘要。注意:只让它改结构,不让它补事实。

(8)代码与自动化脚本

写 Python 采集脚本、写 SQL、写正则、解释报错。这是当前性价比最高的一类用途,因为代码的正确性可以被运行验证。

(1)事实核实。

Bellingcat 用 25 张自有照片、对 24 个模型做了 500 次地理定位测试,结论很直接:多数模型在某个时点给出过幻觉,即使最好的模型也会自信地指向错误地点;GPT-5 系列相比上一代在定位任务上明显退步 [S6]。这不是“再等等就好了”的问题,而是概率生成机制的固有属性。

(2)精确实体抽取。

一项针对 8 个开源与付费聊天机器人的评估发现:在“这条推文是否与网络安全相关”的二元分类上,聊天机器人可以接近专用模型;但在命名实体识别(NER)任务上,表现“低于可接受水平”,即使加大训练数据也无法与专用模型相比 [S7]。含义很明确:批量抽取实体要用专用 NER 或规则 + 人工抽检,不要让通用模型直接产出实体表。

(3)信源可信度的终判。

自动化偏见是真实存在的风险:人倾向于相信机器给出的结论,尤其是当模型输出看起来“有条理”时;面对高风险目标研判,分析员会不自觉地放松审查标准 [S8]。所以信源评级必须由人签字,且评级理由要写下。

(4)法律与伦理判断。

某个查询是否越界、某张人脸是否该搜、某份数据能否跨境,这些判断依赖辖区法律、组织政策与公共利益权衡,模型既不掌握你的授权范围,也无法承担责任。

(5)高风险决策。

目标锁定、威胁优先级排序、战略预警这类决策,业界共识是保留人类最终决定权,AI 只提供建议 [S8]。这不是保守,而是因为错误的代价不可逆。

| AI 负责广度与初筛,人负责深度与判责。 |

2026 年 7 月发表的一篇系统综述(覆盖 74 项研究)给出了同样的结论:现有研究在“采集”和“分析”环节支持充分,在“验证、报告、分发、决策支持”环节覆盖有限;作者认为最稳妥的近期架构是人机协同(human-AI co-pilot)——模型协助采集与初筛,分析员对验证与决策负责 [S3]。这与中文军事情报界对“数据过载”的反思完全一致:AI 应负责筛选与关联,重大决策的判断权必须留在人手里 [S8]。

把任务按“AI 自主度”分三档,团队照此执行,可以大幅减少争议。

| 任务类型 | AI 自主度 | 具体做法 | 人工必做 |
| 查询构造、脚本编写、格式转换、翻译初稿 | 可执行 | 直接采用,出错再改 | 抽查语法与常识 |
| 摘要、聚类、时间线整理、矛盾清单 | 建议 | 采纳为主 | 逐条核对引用 |
| 实体抽取、账号关联、地理定位假设 | 建议 | 作为线索 | 必须一手复核 |
| 信源评级、事实认定、结论措辞 | 禁止 | 不采纳 | 人独立完成 |
| 目标锁定、威胁定级、对外发布 | 禁止 | 不采纳 | 人独立完成并留痕 |

这张表的用法:在项目启动会上把它贴出来,明确“哪些环节可以省人、哪些环节省不得”。多数事故不是因为用了 AI,而是因为在禁止档用了 AI 却没人发现。

OSINT 的第一原则是“不要让目标知道你在看他”。AI 工具会显著增加暴露面:你输入的每一个查询都可能被平台记录,你打开的每一个链接都可能回传你的真实身份。

| 层次 | 最低要求 | 推荐做法 |
| 浏览器 | 调查行为与日常浏览分开 | 单独浏览器配置文件 + 独立容器;高敏感项目使用托管归因浏览器 [S9] |
| 网络 | 不用家庭/公司出口 IP 查敏感目标 | 住宅代理或受管出口,按国家/城市选点 |
| 账号 | 不与真实身份关联 | 项目专用“马甲”账号;只在必要时注册,注册即记录 |
| 文件 | 项目文件独立目录 | 按“案例ID/日期/来源/哈希”命名,见 3.4 |

马甲账号的伦理边界:可以用于观察公开内容、降低被识别概率;不可以用于伪装身份套取信息、添加好友套话、诱导发布。这条线一旦跨过,就从 OSINT 变成了社会工程,法律与平台规则风险完全不同。

不要绑定单一模型,按任务类型路由。以下是一个实用的路由表。

| 任务 | 更适合的模型特征 | 原因 |
| 需求拆解、查询构造、脚本 | 推理型(长思维链) | 需要结构化推理而非记忆 |
| 长文档/多文档比对 | 长上下文 + 引用能力 | 一次性喂完整材料,减少切分损失 |
| 图像/视频初筛 | 多模态 | 只能靠视觉输入 |
| 敏感数据摘要 | 本地部署开源模型 | 数据不出内网 |
| 多语言资料 | 非英语语料强的模型 | 小语种质量差异极大 |

三条“红线”在选型时必须确认:

1. 数据条款:输入是否用于训练、保留多久、可否关闭。企业数据进消费级对话框是常见事故。

2. 可复现性:能否固定模型版本与参数(温度、top_p)。不能固定的模型不适合做需要复核的分析。

3. 降级风险:厂商可能下线旧模型。Bellingcat 就遇到过最擅长地理定位的模型被下架、替换后性能反而下降的情况 [S6]。所以关键任务要保留“当前基线模型 + 备选模型”两套,并每季度复测一次。

这是实操中最容易出事的一环。用一棵决策树解决。

| 数据类型 | 能否进公有云模型 | 处理方式 |
| 完全公开的信息(新闻、官网、公开帖子) | 可以 | 直接使用 |
| 半公开(需登录才能看的内容、论坛内部版块) | 谨慎 | 去标识化后使用,或改用本地模型 |
| 客户提供的商业机密 | 不可以 | 本地模型 / 私有部署 / 合同覆盖的专有实例 |
| 个人敏感信息(身份证号、住址、生物特征) | 不可以 | 脱敏后再处理;原始数据留在受控库 |
| 未公开的调查结论、内部报告 | 不可以 | 仅本地模型,且关闭日志 |

一个简单判据:如果这段内容出现在明天的新闻里会让你难堪,就不要粘贴到公有云对话框。

可复现性的基础是文件管理。推荐结构:

| case-2026-0142/ 00-brief/ 委托书、KIQ、法律预检记录 01-raw/ 原始抓取(只读,永不修改) 02-normalized/ 清洗后的结构化数据(CSV/JSON) 03-analysis/ 图谱、时间线、假设表 04-verify/ 验证记录、截图、哈希 05-report/ 交付物与附件 log.md 操作日志:时间(UTC)、动作、工具、结果 |

命名规则:YYYYMMDDTHHMMZ_来源_简述_哈希前8位。例如20261118T0320Z_weibo_post-a1b2c3d4.png。截图必须同时保存页面 URL、抓取时间(UTC)与文件哈希,否则在需要举证时价值归零。

不追求大而全,先跑通闭环。

| 层 | 免费/低成本方案 | 付费/企业方案 | 说明 |
| 采集 | 浏览器 + RSS + 官方 API | 托管归因浏览、代理池 [S9] | 先解决“能不能稳定拿到” |
| 存储 | SQLite / 本地文件夹 | PostgreSQL、对象存储 | 结构化才可分析 |
| 分析 | 通用大模型 + 表格工具 | Maltego、Fivecast、Recorded Future | 图谱类工具的价值在关系而非数据 |
| 监测 | RSS + n8n + 模型分级 | Dataminr、Zignal、Blackbird.AI | 实时性是核心指标 |
| 验证 | Google Lens / Yandex / SunCalc / Overpass | 商业取证套件 | 免费工具足够完成 80% 的核验 |
| 留证 | 截图 + 哈希 + 时间戳 | Hunchly、Maltego Evidence | 证据链比工具品牌重要 |

工具选型的正确顺序是:先确定要回答的问题,再选工具。反过来的结果通常是买了一堆账号,却说不清哪个工具解决了哪个问题。

本章把情报周期落成可执行的六个阶段(原文五阶段 + 前置的立项)。每个阶段给出:输入、动作、AI 介入点、产出物、质检门。质检门不通过不得进入下一阶段,这是防止返工的唯一有效机制。

输入:委托方的模糊需求。

动作:

1. 写清“决策”,而不是“话题”。不是“了解一下这家公司”,而是“是否建议以 2 亿元估值投资,需在 10 个工作日内给出风险清单”。

2. 用 AI 把需求拆成 KIQ(关键情报问题)5—8 条,再拆 EEI(可观测指标)。

3. 做法律预检:涉及个人信息吗?涉及特殊类别数据吗?是否需要授权?留存多久?

4. 定义“成功标准”与“停止条件”。

AI 介入点:需求拆解、KIQ 生成、检查清单补全。

产出物:一页纸《情报需求书》,含 KIQ 表、范围边界、法律预检结论、交付格式。

质检门:委托方书面确认 KIQ;法律预检有结论(哪怕结论是“不涉及”)。

输入:《情报需求书》。

1. 建“源清单”:按表面网/深网/社交/公开记录/专业库五类,每类列 3—10 个具体源,标明访问方式与可信度先验。

2. 为每个 KIQ 建“查询矩阵”:语言 × 平台 × 时间窗 × 语法,形成可执行的查询清单(第 6 章)。

3. 执行采集,边采边留证:URL、UTC 时间、截图、哈希、摘要一句话。

4. 记录“未获取”:哪些源打不开、哪些数据要付费、哪些被删除。负面结果同样重要。

AI 介入点:查询矩阵生成、多语言关键词扩展、页面正文抽取、批量摘要。

产出物:01-raw/原始材料 + 采集日志(含失败记录)。

质检门:每个 KIQ 至少有一个独立来源覆盖;所有材料可回溯到 URL 与时间;无来源不明的文件。

输入:原始材料。

1. 去重(按内容哈希 + 相似度)、去噪(广告、导航、重复转载)。

2. 统一结构:时间统一 UTC、地点统一到“国家/一级行政区/城市”、人名保留原文与译名两列。

3. 翻译:只翻“理解所需”的部分,保留原文关键词列。

4. 入库:一张主表(证据表)+ 若干关系表(人物、组织、账号、事件、地点)。

AI 介入点:批量摘要、字段抽取(受 JSON Schema 约束)、翻译、实体归一。

产出物:02-normalized/结构化数据集(CSV/JSON)+ 数据字典。

质检门:随机抽 20 条,人工核对字段准确率;低于 90% 则退回调整提示词或改用专用工具。不要用通用模型直接产出实体表,见 2.2 节的实证结论 [S7]。

输入:结构化数据集。

1. 建实体关系图:节点=人/组织/账号/域名/地址/事件,边=关系 + 证据编号 + 时间。

2. 建时间线:单一时间轴,冲突处并列呈现。

3. 提出假设:至少 3 个互斥假设(含“无异常”这个假设)。

4. 用 ACH(竞争性假设分析)逐条评估证据对每个假设的支持/削弱。

5. 标出“信息缺口”:哪些关键问题目前无证据。

AI 介入点:关系抽取建议、时间线整理、矛盾检测、ACH 表格初稿、缺口清单。

产出物:关系图、时间线、假设评估表、缺口清单。

质检门:每条结论边都挂着证据编号;至少有一个假设被证据削弱(如果一个假设“完美解释一切”,通常是分析者被锚定了)。

输入:分析结论。

1. 三源规则:关键结论至少 3 个相互独立的来源。转载同一通讯社不算独立。

2. Admiralty 评级:给每个来源与每条信息打分(第 10.3 节)。

3. 反向检索:图片/引文/数字逐个反查,确认最早出处。

4. 红队:让另一个模型(或另一位同事)专门找漏洞,提示词见第 5.2 节 P6。

5. 引用回溯:每条断言必须能点开一手链接并看到原文摘句。

AI 介入点:红队攻击、矛盾清单、引用完整性检查。

产出物:04-verify/验证记录表(断言→ 来源 → 评级 → 复核人)。

质检门:0 条无源断言;0 条“C 级来源支撑的核心结论”;红队意见已逐条回应。

输入:验证后的结论。

1. 写 BLUF:第一段给出结论、置信度、建议动作(第 11.2 节)。

2. 正文按“结论—依据—不确定性—建议”组织,不按“我查了什么”组织。

3. 附《来源与方法说明》:模型名称与版本、提示词版本、数据截止时间、已知局限。

4. 分发后收集反馈,回到阶段 0 修正 KIQ。

AI 介入点:结构改写、语言压缩、管理层摘要、多语言版本。

产出物:情报产品 + 方法附录 + 可复现包。

质检门:非专业人员能在 60 秒内说出结论;所有数字可追溯;敏感性审查通过。

| 阶段 | 一句话目标 | 最常翻车的地方 |
| 0 立项 | 把话题变成决策问题 | KIQ 写成关键词,导致后面全在漫游 |
| 1 采集 | 拿得到、留得住 | 只存截图不存 URL 和时间 |
| 2 处理 | 变得可分析 | 让模型直接产实体表,错误静默传播 |
| 3 分析 | 形成可证伪的假设 | 只有一个假设,证据只找支持它的 |
| 4 验证 | 把“看起来对”变成“经得起问” | 三个来源其实是同一篇通稿 |
| 5 报告 | 让决策者 60 秒内能用 | 按调查过程写,而不是按决策需要写 |

OSINT 场景的提示词不要写“请帮我分析”,要用固定六段结构。这个结构的作用是把不确定性显式化。

| 【角色】你是一名有十年经验的开源情报分析师,专长是\<领域>。 【任务】\<一句话,动词开头,可验收> 【上下文】\<已知事实,逐条编号;明确区分"已核实"与"待核实"> 【约束】 1. 只使用我提供的材料,不得引入外部事实; 2. 每条结论必须附原文摘句与来源编号; 3. 无法判断时输出 UNKNOWN,不要猜测; 4. 区分"事实"与"推断",推断需标注置信度(高/中/低)。 【输出格式】\ 【自检】输出前检查:是否有无源断言?是否混淆了时间?是否把相关当成因果? |

四个关键设计:

·材料边界:只使用我提供的材料这一句能砍掉大部分幻觉。配合“材料不足时明确说不足”。

·强制引用:要求“原文摘句”,让引用可以被肉眼比对,而不是只给一个链接。

·UNKNOWN 通道:给模型一个合法的“不知道”出口,否则它只能用编造来填满格式。

·事实/推断分离:这是情报产品的基本要求,也正好是模型最容易混淆的地方。

| 【角色】你是情报需求官(Collection Requirements Manager)。 【任务】把下面的委托拆解为可执行的情报需求。 【委托】\<粘贴原始需求> 【约束】 - 生成 5—8 个 KIQ,每个 KIQ 必须能用"是/否/数值/清单"回答; - 每个 KIQ 拆 2—4 个 EEI,EEI 必须是可观测的公开信息; - 标注每个 EEI 的可能来源类型(官网/监管/媒体/社交/专业库); - 指出 3 个最可能的信息缺口与对应的替代验证路径。 【输出】表格:KIQ编号 | 问题 | EEI | 来源类型 | 优先级(高/中/低) | 备注 |

| 【角色】你是检索专家,精通 Google 高级运算符与各平台站内语法。 【任务】为下列 KIQ 生成查询矩阵。 【KIQ】\<粘贴> 【已知实体】公司名 / 品牌别名 / 域名 / 关键人名 / 产品名 【约束】 - 语言覆盖:中文、英文、\<目标国语言原文>; - 每条查询注明:平台、语法字符串、预期返回什么、为什么这样写; - 只使用真实存在的运算符(site: filetype: intitle: inurl: intext: before: after: AROUND()); - 对每条查询给出"可能的误报类型",方便人工快速筛除。 【输出】表格:编号 | 平台 | 查询语句 | 语言 | 目标 | 误报预警 【自检】逐条确认运算符拼写正确;不要发明运算符。 |

实操提示:模型偶尔会编造运算符(例如related:keyword)。生成后必须自己搜一次,把不工作的删掉。这个动作只需两分钟,能避免后面几小时的无效采集。

| 【角色】你是信息抽取引擎。 【任务】从下面每条文本中抽取实体与事件,严格按 JSON 输出。 【输入】\<编号文本,逐条> 【约束】 - 只抽取文本中明确出现的实体,不得推断、不得补全; - 每个字段附 `evidence`(原文摘句,≤30字)与 `confidence`(0-1); - 文本未提及的字段填 null,不要编造; - 人名保留原文写法,另给 `name_zh`(音译),无法音译填 null。 【输出 JSON Schema】 {"items":[{"id":"","persons":[{"name":"","name_zh":"","role":"","evidence":"","confidence":0}], "orgs":[],"locations":[{"name":"","country":"","evidence":"","confidence":0}], "event":{"date":"","type":"","summary":""},"lang":"","flags":[]}]} 【自检】抽查 3 条:evidence 是否真的在原文中出现?confidence 是否虚高? |

这段提示词的关键是evidence字段:它把“模型说了什么”变成“模型引用了什么”,审校成本从“重新读全文”降到“扫一眼摘句”。

| 【角色】你是情报时间线分析师。 【任务】把下列带日期的材料整理成单一时间线,并列出冲突。 【材料】\<逐条粘贴,含来源编号与原文日期> 【约束】 - 统一为 UTC,并在括号内保留原文时间表述; - 标注时间精度:日/月/年/区间/推测; - 同一事件多条来源时并列,不合并、不取舍; - 单独列出"相互矛盾"的条目对,并说明矛盾类型(时间/地点/主体/因果)。 【输出】1) 时间线表 2) 矛盾清单 3) 时间线上的空白区间(值得继续查的时段) |

| 【角色】你是情报分析方法论专家,熟悉竞争性假设分析(ACH)。 【任务】针对问题"\<核心判断>",构建并评估竞争性假设。 【已知证据】\<编号列表,含来源评级> 【约束】 - 至少 3 个假设,必须包含"无异常/无关联"这一假设; - 对每个 假设×证据 组合打分:+2 强支持 / +1 弱支持 / 0 无关 / -1 弱矛盾 / -2 强矛盾; - 只允许使用所列证据,不得新增; - 指出哪个证据对区分假设最关键(诊断性证据),以及哪个证据其实没有区分力。 【输出】1) 矩阵表 2) 各假设得分与简要理由 3) 关键诊断证据 4) 仍无法排除的假设 |

| 【角色】你是对抗性审稿人,任务是找出这份草稿的漏洞,而不是称赞它。 【任务】审查下面的分析草稿。 【草稿】\<粘贴> 【审查清单】 1. 哪些断言没有一手来源?逐条列出; 2. 哪些"事实"其实是推断或转述? 3. 是否存在时间错位(用旧信息描述新状态)? 4. 是否存在把相关当因果? 5. 是否存在来源不独立(同一稿件的多处转载被当成多源)? 6. 如果结论是错的,最可能错在哪一步? 7. 有哪些反证被忽略? 【输出】按严重度排序的问题清单(严重/中等/轻微),每条给出修改建议。 【约束】不要提出无法验证的质疑;每条质疑必须指向草稿中的具体句子。 |

红队提示词是整份指南里单位收益最高的一个。它的作用不是让 AI 更聪明,而是强制它站在反方——这正是模型默认不会做的事。

1. 强制引用原文摘句:不接受只给链接或只给“据报道”。

2. 要求列出“我不知道”:在输出末尾加一节UNKNOWN / 信息缺口。

3. 固定参数并记录:温度、模型版本、提示词版本写进项目日志,否则无法复现。

4. 双模型交叉:同一材料让两个不同厂商的模型各做一次,差异处就是重点复核处。

5. 分步而非一次到底:抽取、归并、评级分三次调用,比一次“全都要”准确得多。

| 反模式 | 后果 | 替代做法 |
| “帮我全面调查这个人” | 得到看似全面的编造 | 拆成 KIQ 逐个查 |
| 一次粘贴 200 页让它“总结一切” | 丢失关键细节且不可核查 | 分块 + 逐块引用 |
| 不设输出格式 | 每次结构不同,无法入库 | 固定 JSON/表格 |
| 允许它“补充背景知识” | 引入过时或错误事实 | 明确“只用我给的材料” |
| 用模型判断真假 | 幻觉被当成结论 | 模型只做线索,人做认定 |
| 只看最终答案不看推理 | 无法发现中间跳步 | 要求给出证据链 |
| 用同一个模型既生成又审核 | 自我确认偏误 | 换模型/换人做红队 |
| 把模型输出直接贴进报告 | 责任无法追溯 | 每条断言回到一手源 |
| 忽略模型版本变化 | 结论不可复现 | 记录版本并季度复测 |
| 让 Agent 自主无限扩线 | 成本失控、暴露风险 | 白名单 + 预算 + 人工确认 |

原文第 5 章把深搜定义为“专用运算符 + 定制爬虫 + 档案/API”。这一章把它拆成可执行的四个层次。

| 层次 | 找什么 | 典型手段 | AI 的作用 |
| L1 索引层 | 表面网页 | Google/Bing/Yandex、站内搜索 | 生成与优化查询语法 |
| L2 档案层 | 已删除、已改版、历史快照 | Wayback、缓存、GDELT、新闻库 | 生成时间窗检索、比对版本差异 |
| L3 数据层 | 结构化公开数据 | 政府开放数据、专利、招标、船讯、航班、卫星 | 解释字段、生成 API 调用、清洗 |
| L4 关系层 | 人与人、组织与组织的连接 | 公司注册、股权、诉讼、捐赠、域名 WHOIS | 设计关系假设与验证路径 |

多数人只做 L1,然后抱怨“搜不到”。真正的信息差在 L2 和 L3。

| 运算符 | 作用 | 例子 |
| site: | 限定站点 | site:gov.cn 采购 中标 |
| filetype: | 限定文件类型 | filetype:xlsx 员工 名单 |
| intitle: | 标题包含 | intitle:"index of" backup |
| inurl: | URL 包含 | inurl:admin login |
| intext: | 正文包含 | intext:"内部资料" |
| "..." | 精确匹配 | "某某科技有限公司" |
| OR/ - | 或 / 排除 | (起诉 OR 判决) -招聘 |
| before:after: | 时间窗 | after:2025-01-01 before:2025-06-30 |
| AROUND(n) | 邻近共现 | "项目" AROUND(5) "回扣" |
| * | 通配 | "* 有限公司 法定代表人 *" |

用第 5.2 节的 P2 模板生成查询矩阵后,必须做三件事:

1. 实测每一条:运算符不存在或语法错误会静默返回零结果,看起来像“没有信息”。

2. 记录命中数:命中数异常大(>10 万)说明查询太宽,异常小(0)说明语法错。

3. 保存查询:查询语句本身是方法资产,下次同类项目可直接复用。

一个真实感的例子:查某公司海外子公司,与其搜公司名,不如搜「注册地址 + 董事姓名 + 成立年份」的组合,因为子公司往往不挂母品牌。让模型列出“子公司可能使用的命名模式”(地名+行业词、创始人姓名缩写、当地语言译名),命中率会明显提升。

原文 10.3 节指出语言是全球化调查的主要障碍。实操中要四路并行,缺一路就会漏。

| 通道 | 做法 | 常见错误 |
| 原文关键词 | 让模型给目标语言的原生词(不是直译) | 用中文直译词去搜外语内容 |
| 音译变体 | 人名/地名的多种罗马化拼写 | 只试一种拼写 |
| 地名别名 | 历史名称、殖民时期名称、当地俗称 | 只用现行官方名 |
| 本地平台 | 目标国的本土社媒、论坛、招聘站 | 只用 Google + 英文平台 |

提示词片段:

| 【任务】为目标实体生成多语言检索词表。 【实体】\<名称> 【约束】 - 对每种语言给出:原生写法、拉丁转写、常见误拼、缩写; - 给出 3 个该语言中最可能讨论该实体的本地平台; - 标注哪些词是中性词、哪些词带有立场(避免用带立场的词导致样本偏差)。 【输出】表格:语言 | 原生词 | 转写 | 误拼 | 平台 | 立场标注 |

样本偏差提醒:如果只用带贬义的词去搜,你当然只能搜到负面信息。这是 OSINT 中最隐蔽的分析错误之一,且会被 AI 放大——因为它会顺着你的用词继续生成同类查询。

同一个主体在不同时间点可能是完全不同的样子。三个动作:

1. 时间窗切分:把长周期切成季度,逐窗检索,观察变化点而不是看总量。

2. 快照比对:Wayback 取同一 URL 的多个版本,让模型比对差异(删除的段落往往比新增的更有信息量)。

3. 事件对齐:把检索结果与公开事件日历(财报、监管处罚、人事变动)对齐,寻找“事件前后言论变化”。

这些源不在普通搜索结果里,但价值极高:

| 类别 | 例子 | 用途 |
| 企业注册 | 各国商事登记、开曼/BVI 代理注册信息 | 股权穿透、实控人 |
| 司法 | 裁判文书、破产公告、知识产权诉讼 | 风险与关系 |
| 监管 | 处罚决定、许可清单、制裁名单 | 合规红线 |
| 采购招标 | 政府采购网、国际组织招标 | 业务真实性与规模 |
| 专利商标 | WIPO、各国专利局 | 技术路线、关联公司 |
| 船舶/航班 | AIS、ADS-B 公开数据 | 物流与人员流动 |
| 卫星影像 | Sentinel(免费)、商业影像 | 设施变化、活动痕迹 |
| 学术 | 论文致谢、基金编号、会议名录 | 人员与机构网络 |

每次检索都记一行,用于复盘与举证。

| 字段 | 示例 |
| 时间 | 2026-11-18T03:20Z |
| 平台 | |
| 查询 | site:xx.com filetype:pdf 年报 2024 |
| 命中 | 37 条,有效 4 条 |
| 有效链接 | 逐条列出 |
| 判断 | 其中 2 条为旧版年报,已用 Wayback 取 2025 版 |
| 下一步 | 用董事姓名反查其他任职 |

原文第 9 章把计算机视觉概括为“识别人脸、物体、环境,提取元数据,检测异常活动”。这一章给出可操作的验证链,因为图像是最容易被伪造、也最容易被 AI 自信误判的领域。

| 层 | 要回答的问题 | 手段 |
| 来源链 | 谁最早发的?原始文件是什么? | 反向图搜、平台时间戳、转发路径、账号历史 |
| 内容链 | 画面里有什么矛盾? | 阴影方向、天气、植被、车牌制式、文字语言、建筑风格 |
| 地理链 | 具体在哪? | 地形匹配、街景、OSM、卫星影像、地标三角定位 |

三层必须都过。只做地理定位是最常见的错误——你能证明“这个地点存在”,但不能证明“这张照片拍于该地该时”。

能做:生成候选地点清单并排序、识别画面文字(OCR)、判断大致气候带与建筑风格、比对两张图是否同一地点、把视频关键帧批量转文字描述。

不能做:给出可信的精确坐标、判断图片是否 AI 生成(检测器只是概率信号)、确认拍摄时间。

Bellingcat 的测试给出了一个值得记住的量级:在 500 次定位测试中,多数模型在某个时点给出过幻觉,最好的模型也会自信地指错;而且新一代模型未必更强 [S6]。所以正确用法是把模型当地点假设生成器,把验证交给地图与街景。

1. 取原图:不要用截图,找原始上传(平台压缩会破坏元数据)。

2. 读元数据:EXIF、GPS、设备型号、软件痕迹。注意:社交平台通常已剥离。

3. 反向图搜三件套:Google Lens(含 AI Mode)、Yandex(人脸与场景强)、Bing Visual。三者结果常不重叠。

4. 找最早出处:按时间排序,找第一个发布者,而不是转发量最大的。

5. 文字与标识:路牌、店招、车牌、制服、广告语言→ 缩小到国家/地区。

6. 地形与建筑:山脉轮廓、海岸线、屋顶样式、电线杆形制→ 缩小到城市。

7. 精确匹配:Google Earth / Mapillary / OSM Overpass 查询特定地物组合;用 SunCalc 校验阴影与日期是否自洽 [S19]。

8. 写验证记录:每个判断附截图与理由,标注“已确认/可能/排除”。

工具清单可参考 Bellingcat 维护的在线调查工具包 [S18],它按卫星影像、地图、图像验证等场景分组,更新频率高,比任何“十大工具”榜单更可靠。

| 失败模式 | 表现 | 对策 |
| 相似地标陷阱 | 两个城市有同款摩天轮/同款海滩 | 找“独一无二”的组合特征,而非单一地标 |
| 旧图新用 | 三年前的照片被当作今日现场 | 比对天气、施工进度、植被、车辆型号 |
| AI 自信错误 | 模型给出精确到街道的错误答案 | 只采信“可被地图验证”的部分 |

检测工具(专用检测器、平台标注、C2PA 内容凭证)只能提供信号,不能提供结论。可靠的判断顺序是:

1. 有没有内容凭证(C2PA)?没有不等于假,有也要看签名主体。

2. 原始上传者是谁?账号历史是否可信?

3. 是否有第二视角、第三视角的独立影像?

4. 物理一致性:光照、阴影、反射、声音与口型。

5. 动机分析:谁受益于这条内容被相信?

结论表述纪律:在没有技术取证的情况下,只能说“未能验证其真实性”,不能说“这是假的”。这两句话在法律责任上完全不同。

原文 10.2 节把社交媒体称为“数据金矿”,并提到 AI 可识别协同虚假信息活动。这一章给出可操作的账号画像与协同识别方法。

| 表 | 字段 | 用途 |
| 资料表 | 昵称、ID、简介、注册时间、所在地自述、外链、头像哈希 | 身份线索 |
| 行为表 | 发帖频率、时段分布(换算时区)、语言、设备标识、互动对象 Top20 | 行为指纹 |
| 网络表 | 关注/被关注、转发来源、共同出现、群组 | 关系结构 |

三张表交叉,才能从“这个账号说了什么”走到“这个账号是谁、属于哪个群体”。

时区推断是个便宜且有效的技巧:把发帖时间按 UTC 画出 24 小时分布,活跃峰值通常对应作息时间,可反推大致时区,与自述所在地比对即可发现矛盾。

| 信号 | 观测方法 | 强度 |
| 时间同步 | 多条内容在分钟级窗口内集中发布 | 中 |
| 文案高度相似 | 文本相似度聚类,含相同错别字 | 强 |
| 账号同龄 | 注册时间集中在同一周 | 强 |
| 转发结构异常 | 少数账号贡献大部分放大 | 中 |
| 跨平台同步 | 同一内容在多个平台同时出现 | 中 |
| 叙事模板一致 | 相同的框架、相同的替罪羊、相同的行动号召 | 弱(需结合其他) |

任何单一信号都不足以判定“协同”。正确表述是“存在协同行为的迹象(3 项信号)”,并列出信号清单。

| 任务 | 工具 | 说明 |
| 账号自动化评分 | Botometer、BotSlayer 类工具 | 概率评分,仅作筛选 [S10] |
| 关系图谱 | Maltego、ShadowDragon、Social Links | 图谱工具的价值在关系可视化与留证 |
| 叙事监测 | Blackbird.AI、Zignal、Fivecast | 商业平台,适合持续监测 [S9] |
| 批量文本聚类 | 通用模型 + 向量聚类 | 先聚类再人工读,效率最高 |

Maltego 在 2025 年 5 月收购了网页证据采集工具 Hunchly,这类整合说明行业趋势是“采集—分析—留证”一体化 [S9]。对小团队而言,未必要买全套,但留证环节不能省。

| 【角色】你是叙事分析员,熟悉信息操作与框架理论。 【任务】分析下列 200 条帖子(已去重)的主导叙事。 【材料】\<逐条:时间|账号|文本> 【约束】 - 归纳 5—8 条叙事主线,每条给:核心主张、情绪基调、归因对象、行动号召、出现频次; - 每条主线附 2—3 条代表性原帖(含账号与时间); - 标出叙事之间的演化关系(哪条先出现、哪条由哪条衍生); - 单独列出"反叙事"(反驳这些主张的内容)及其规模; - 不做真伪判断,只做结构描述。 【输出】表格 + 演化说明 + 反叙事规模估计 |

注意最后一条约束:叙事分析不判断真假。真假是事实核查的活,混在一起会让整份分析失去可信度。

1. 不针对普通公民做画像,除非与公共议题直接相关且符合比例原则。

2. 不公开可识别个人的敏感信息(住址、医疗、性取向、家庭成员)。

3. 不参与、不诱导、不挑衅;观察者不变成参与者。

4. 马甲账号不用于套取信任。

5. 未成年人一律特殊处理,默认不采集。

| 级别 | 描述 | 人的角色 | 适用场景 |
| L0 | 全手工 | 全部 | 高敏感、一次性调查 |
| L1 | 脚本采集 + 人工分析 | 分析 | 定期监测、批量抓取 |
| L2 | 采集 + AI 初筛 + 人工复核 | 复核 | 舆情监测、威胁情报日报 |
| L3 | Agent 自主多步执行 | 监督 + 审批 | 成熟流程的规模化,需强护栏 |

绝大多数团队应该停在 L2。L3 的收益是线性的,风险是指数的。

下面这段代码是可直接运行的骨架:RSS → 去重 → 关键词预筛 → 模型分级 → SQLite → Markdown 日报。只用标准库,便于在任何环境跑起来。

| #!/usr/bin/env python3 """osint_watch.py — 最小可用 OSINT 监测流水线(标准库实现)""" import hashlib, json, os, sqlite3, urllib.request import xml.etree.ElementTree as ET from datetime import datetime, timezone FEEDS = ["https://example.org/feed.xml"] # 换成你的源 KEYWORDS = ["供应链", "sanctions", "数据泄露"] API = os.environ.get("LLM_BASE_URL", "https://api.example.com/v1/chat/completions") KEY = os.environ.get("LLM_API_KEY", "") MODEL = os.environ.get("LLM_MODEL", "your-model") DDL = """CREATE TABLE IF NOT EXISTS items( id TEXT PRIMARY KEY, source TEXT, title TEXT, link TEXT, published TEXT, fetched TEXT, summary TEXT, score INTEGER, tags TEXT);""" def get(url, timeout=25): req = urllib.request.Request(url, headers={"User-Agent": "osint-watch/1.0"}) with urllib.request.urlopen(req, timeout=timeout) as r: return r.read() def parse(raw, source): root, out = ET.fromstring(raw), [] for it in root.iter(): if not (it.tag.endswith("item") or it.tag.endswith("entry")): continue def t(name): for c in it: if c.tag.endswith(name): return (c.text or "").strip() return "" title, link = t("title"), (t("link") or t("id")) if title and link: out.append({"source": source, "title": title, "link": link, "published": t("pubDate") or t("updated"), "text": (t("description") or t("summary"))[:3000]}) return out def ask(prompt): body = json.dumps({"model": MODEL, "temperature": 0.1, "messages": [{"role": "user", "content": prompt}]}).encode() req = urllib.request.Request(API, data=body, headers={ "Content-Type": "application/json", "Authorization": f"Bearer {KEY}"}) with urllib.request.urlopen(req, timeout=90) as r: txt = json.loads(r.read())["choices"][0]["message"]["content"] return json.loads(txt[txt.find("{"): txt.rfind("}") + 1]) # 容错取 JSON def classify(item): prompt = f"""你是情报初筛员。判断下列内容是否与本项目相关。 关注词:{", ".join(KEYWORDS)} 标题:{item["title"]} 正文:{item["text"]} 只输出 JSON:{{"score":0-5,"summary":"30字内中文摘要","tags":["最多3个"]}} score 含义:0 无关 / 3 可能相关 / 5 明确相关且含新信息。不确定时给 3,不要猜 5。""" return ask(prompt) def main(): db = sqlite3.connect("osint.db"); db.executescript(DDL) now = datetime.now(timezone.utc).isoformat(timespec="minutes") for feed in FEEDS: try: for item in parse(get(feed), feed): iid = hashlib.sha1(item["link"].encode()).hexdigest()[:16] if db.execute("SELECT 1 FROM items WHERE id=?", (iid,)).fetchone(): continue try: r = classify(item) except Exception as e: r = {"score": 0, "summary": f"LLM失败:{e}", "tags": []} db.execute("INSERT INTO items VALUES(?,?,?,?,?,?,?,?,?)", (iid, item["source"], item["title"], item["link"], item["published"], now, r["summary"], r["score"], ",".join(r["tags"]))) db.commit() except Exception as e: print(f"[warn] {feed}: {e}") rows = db.execute("SELECT score,title,summary,link FROM items " "WHERE score>=4 ORDER BY fetched DESC LIMIT 40").fetchall() with open("daily.md", "w", encoding="utf-8") as f: f.write(f"# 情报日报 {now}\n\n") for s, t, sm, l in rows: f.write(f"- **[{s}] {t}** — {sm} ([原文]({l}))\n") print(f"done, {len(rows)} high-signal items") if __name__ == "__main__": main() |

几个设计要点值得注意:

·先关键词预筛再调模型:成本能降一个数量级。

·SQLite 去重按链接哈希:简单可靠,避免重复分析。

·`不确定时给 3,不要猜 5`:这一句显著降低虚假高分的比例。

·异常不中断:单个源失败不应导致整轮中断,负面结果要打印出来。

如果团队没有开发资源,用 n8n 搭同样的流程,节点顺序如下:

1. Schedule Trigger:每小时或每天。

2. RSS Read:多个源,合并。

3. Remove Duplicates:按 link 去重。

4. IF:关键词匹配,过滤明显无关项。

5. Basic LLM Chain / HTTP Request:调用模型做分级与摘要,要求 JSON 输出。

6. Item Lists + Sort:按分数排序。

7. Google Sheets / 飞书多维表格 / Slack / 邮件:落地与推送。

8. Error Trigger:失败告警,避免“以为在跑其实挂了”。

n8n 官方社区有现成的“RSS + AI 摘要 + 通知”模板可直接改 [S11]。要点是把提示词与输出格式写在节点里并版本化,而不是每次手改。

如果需要一个完全可控、开箱带 RAG 问答的开源 OSINT 平台,Taranis AI 是当前较成熟的选择:它把新闻采集、NLP 增强(实体识别、摘要、故事聚类)、RAG 问答、任务队列整合在一起,采用 EUPL 许可证,且对 CVE、APT、IoC 等网络安全术语有专门识别 [S12]。适合做威胁情报日报与舆情监测的中台。

部署要点:Docker Compose 起服务,Redis 做队列,先小规模接 10—20 个源跑通,再扩源。不要一上来接 500 个源——噪声会把分析员淹没,这正是“数据过载”的典型症状 [S8]。

| 工具 | 适合 | 注意 |
| SpiderFoot | 域名/ IP / 邮箱的自动扩线,200+ 模块 | 结果噪声大,需人工剪枝;扫描行为可能暴露 |
| Maltego | 实体关系图谱 + 120+ 数据伙伴 | 付费数据源价值高;图谱好看≠结论正确 |
| theHarvester / Amass | 子域与邮箱枚举 | 仅用于自有或已授权资产 |

自动化扩线的最大风险不是技术,而是暴露:大规模扫描会触发目标告警,也可能违反平台条款。授权范围内、低速、分批,是三条底线。

如果要走到 L3(让 Agent 自主多步执行),必须同时具备以下四条,缺一不可:

1. 工具白名单:只允许调用预定义的工具与域名,禁止任意 URL 抓取。

2. 预算与步数上限:单次任务最多 N 步、M 次模型调用、K 分钟。

3. 关键动作人工确认:发送、注册、上传、付款、对外互动一律中断等人确认。

4. 完整审计日志:每步的输入、输出、工具、耗时全部落盘。

依据是 OWASP 的智能体应用风险清单(2026 版)与 LLM 应用风险清单中的“提示词注入”条目:当 Agent 会读取外部网页时,网页里藏的指令可能改变它的行为,这叫间接提示词注入 [S4][S5]。防御手段不是“让模型更聪明”,而是架构上不信任外部内容:把抓取到的网页内容当作数据而非指令,用结构化解析剥离指令性文本,并对工具调用做硬性白名单。

这一章是全篇最重要的部分。前面所有效率提升,都会被一次“引用了一个不存在的来源”摧毁。

| 形态 | 表现 | 识别方法 |
| 编造来源 | 给出不存在的报道、论文、链接 | 逐条点开;链接 404 或内容不符 |
| 张冠李戴 | 真实来源,但内容不属于该来源 | 在原文中搜关键句 |
| 时间错位 | 用旧信息描述新状态 | 核对发布日期与事件时间 |
| 过度概括 | “多方证实”“业内人士称” | 追问“哪几方?原话是什么?” |

四种形态里,张冠李戴最难发现,因为它看起来最可信。唯一的对策是强制摘句比对。

关键结论至少三个来源,且必须相互独立。独立性判定:

| 情况 | 是否独立 |
| 三家媒体各自采访了不同当事人 | 是 |
| 三家媒体转载同一通讯社 | 否 |
| 官方通报 + 媒体转述官方 | 否(实为一个来源) |
| 官方通报 + 独立媒体调查 + 第三方数据 | 是(3 个) |
| 同一人在多个平台发同样内容 | 否 |

实操技巧:让模型画“来源血缘图”——谁引用了谁。它做这件事比人快得多,而且这是纯文本比对任务,幻觉风险低。

北约 Admiralty 体系用两个字符描述一条信息:来源可靠性(A—F)+ 信息可信度(1—6)。中文环境常用“甲/乙/丙”或“A/B/C”简化版。完整表如下 [S20]:

| 来源可靠性 | 含义 | 信息可信度 | 含义 |
| A | 完全可靠 | 1 | 已被其他来源确认 |
| B | 通常可靠 | 2 | 很可能是真的 |
| C | 相当可靠 | 3 | 可能是真的 |
| D | 通常不可靠 | 4 | 存疑 |
| E | 不可靠 | 5 | 不大可能 |
| F | 无法判断 | 6 | 无法判断 |

写法示例:B2 = 通常可靠的来源提供、很可能是真的信息。报告中对每条关键信息标注两字符,并注明理由,例如“B2(该公司官网公告,与两家独立媒体报道一致)”。

常见错误:只标信息可信度、不标来源可靠性;或者把所有官方来源一律标 A——官方来源在自身利益相关议题上未必可靠。

每条进入报告的断言,必须有四件套:

1. 可点击的一手链接(不是搜索结果页、不是转载)。

2. 原文摘句(不超过 30 字,能直接比对)。

3. 抓取时间(UTC)与文件哈希(防删除、防篡改)。

4. 评级(A—F / 1—6)与复核人。

一个可执行的检查动作:把所有断言的摘句复制到一个文本文件,用查找功能在原始材料里逐个搜。搜不到的,就是可疑的。

红队不是“再看一遍”,而是有明确攻击目标的结构化审查。三种做法,按成本从低到高:

| 做法 | 成本 | 效果 |
| 用 P6 提示词让另一个模型攻击草稿 | 10 分钟 | 能抓出 80% 的无源断言与逻辑跳跃 |
| 同事交叉审阅(不看你的结论,只看证据) | 1 小时 | 能抓出锚定与确认偏误 |
| 正式 ACH 复盘(把所有假设重跑一遍) | 半天 | 用于高价值/高争议结论 |

关键纪律:红队意见必须逐条书面回应(接受/部分接受/不接受 + 理由),否则红队会退化成形式主义。

情报产品的措辞必须与证据强度匹配。建议统一使用下表,避免“可能”“或许”“疑似”混用。

| 措辞 | 概率区间 | 适用条件 |
| 几乎确定 | 95%—99% | 多源独立 + 一手文件 |
| 很可能 | 80%—95% | 2—3 个独立来源,无矛盾 |
| 可能 | 55%—80% | 单一可靠来源或间接证据链 |
| 不大可能 | 20%—45% | 证据倾向于否定,但存在缺口 |
| 几乎不可能 | 5%—20% | 强反证 |
| 无法判断 | — | 信息不足,明确写出缺口 |

禁用词:据悉、有消息称、业内人士表示、疑似(除非明确说明疑点)。这些词在情报产品里等于“我没有来源”。

| 类型 | 长度 | 结构 | 使用场景 |
| 预警 | 1 页 | 事件—影响—时间窗—建议动作 | 突发、威胁情报 |
| 画像 | 3—8 页 | 身份—关系—行为—风险点—证据附录 | 尽职调查、人员核查 |
| 评估 | 5—20 页 | BLUF—依据—竞争假设—不确定性—建议 | 投资、合规、政策 |

三类产品的共同点:第一段必须是结论,而不是背景。

BLUF(Bottom Line Up Front)的意思是“结论先行”。中文情报产品常见毛病是按调查顺序写,读者要读到第 8 页才知道结论。

样板(供应商风险为例):

| 结论:目标公司 E 的实控人很可能(80%—95%)通过两层离岸架构与已被列入制裁名单的实体存在关联,建议在签约前要求补充最终受益人声明,并将付款路径改为经第三方监管账户。 依据:① 2025 年 11 月注册文件显示其唯一股东为 BVI 公司 X(A1);② X 的董事与 Y 公司董事为同一人(B2,两名独立来源);③ Y 于 2024 年被列入某国制裁清单(A1,官方公告)。 不确定性:未取得 X 的完整股东名册,无法排除代持;关联强度依赖董事同一人这一单一环节。 建议:暂缓签约;补充尽调项见附录 2。 |

这个样板体现了四个要点:结论带置信度、依据带评级、不确定性单独成段、建议可执行。

·节点不超过 40 个,超过就分图;否则读者什么也看不出来。

·每条边标注关系类型 + 证据编号,没有证据的边用虚线并注明“待验证”。

·时间线用统一时区(UTC),并在图注注明。

·地图必须带比例尺与日期;卫星图注明传感器与获取时间。

·图表标题写“结论”,不写“数据”——例如“关联集中于三家离岸实体”优于“实体关系图”。

一份专业报告应附带《来源与方法说明》,包含:

1. 数据截止时间与抓取时间。

2. 使用的模型名称、版本、关键参数。

3. 提示词版本(可附在附录,方便他人复跑)。

4. 来源清单与评级。

5. 已知局限与未覆盖范围。

6. 数据处理脚本(如适用)。

这份附件的作用不只是合规,它也是最好的质量证明:能复现的分析,才谈得上可信。

| 原因 | 表现 | 修正 |
| 无结论 | 通篇是资料汇编 | 补 BLUF |
| 结论超出证据 | “必将”“一定” | 改置信度语言 |
| 来源不独立 | 三篇通稿当三源 | 做血缘图 |
| 时间错位 | 用 2023 年数据说 2026 年 | 标注数据日期 |
| 不可执行 | 建议是“加强关注” | 改为具体动作与责任方 |
| 术语堆砌 | 读者看不懂 | 换管理层语言 |
| 缺不确定性 | 看起来什么都知道 | 单列缺口 |
| 无法复现 | 给不出原始链接 | 补证据附录 |

| 风险 | 后果 | 措施 |
| IP 暴露 | 目标识别调查者、反向施压 | 住宅代理/受管出口;不用公司出口查敏感目标 |
| 浏览器指纹 | 跨项目关联 | 独立容器/虚拟机;禁用同步 |
| 账号关联 | 马甲被识破 | 独立邮箱、独立设备环境、行为节奏拟人 |
| 文件元数据 | 泄露内部信息 | 对外文件清除作者、路径、修订记录 |
| 模型侧泄露 | 查询内容被平台记录 | 敏感查询用本地模型;关闭“改进服务”选项 |

这是 AI 时代新增的攻击面,且直接命中 OSINT 的核心动作——阅读陌生人写的内容。

| 攻击 | 机制 | 防御 |
| 直接注入 | 用户在对话中诱导模型越权 | 系统提示与用户输入分离;输出过滤 |
| 间接注入 | 网页/PDF/邮件中藏指令,被模型读取后执行 | 抓取内容按“数据”处理,剥离指令性文本;工具白名单 [S4] |
| 数据投毒 | 污染训练或检索语料,植入错误结论 | 多源交叉;对检索库做来源审计 |
| 过度代理 | Agent 拥有过大权限,被利用执行危险动作 | 最小权限;关键动作人工确认 [S5] |

实操建议:任何让模型“读网页然后行动”的流程,都必须假设网页是恶意的。至少做到三点——只读白名单域名、抓取结果先做纯文本化、Agent 不持有写权限与支付权限。

| 议题 | 要点 | 落地动作 |
| 合法性基础 | 公开信息≠可任意处理;仍需合法利益评估 | 项目立项时写“处理目的与必要性” |
| 最小化 | 只采集与 KIQ 相关的字段 | 采集清单里逐字段写“为什么需要” |
| 留存期限 | 设定到期删除 | 项目结束 N 天后归档或销毁 |
| 跨境传输 | 数据出境需评估 | 优先本地模型;跨境前做合规判断 |
| 特殊类别数据 | 生物特征、健康、政治观点等 | 原则上不采集;确需时走单独评估 |
| 第三方数据 | 采购的数据源可能本身违规 | 审查供应商合规声明 |

中国《个人信息保护法》与欧盟 GDPR 在“最小必要”“目的限定”“单独同意”上高度一致。跨辖区项目应按最严标准执行,避免“在 A 国合法、在 B 国违法”。

英国信息专员办公室(ICO)的立场很明确:根据英国 GDPR,为唯一识别个人而处理生物特征数据,除 Article 6 的合法性基础外,还需满足 Article 9 的特定条件 [S13]。换言之,人脸搜索不是“搜一下而已”,而是高风险处理活动。

判断顺序:

1. 目的是否涉及唯一识别个人?是→ 进入高风险路径。

2. 是否有法律授权或明确同意?没有→ 原则上不做。

3. 是否符合比例原则(更轻的手段能否达成)?不能→ 不做。

4. 是否有留存与销毁机制?没有→ 不做。

实用替代:多数调查并不需要人脸识别。用“账号行为 + 公开声明 + 文件记录”往往能得到更可采信的结论,且法律风险低一个数量级。

在每个项目启动时问四句话,写进立项文档:

1. 公共利益:这项调查服务的是什么公共利益?能否说清楚?

2. 比例原则:侵入性最小的手段是什么?我是否用了更重的?

3. 最小伤害:如果出错,谁会被伤害?如何降低?

4. 可解释:如果被调查者要求解释,我能说清方法与依据吗?

四问里任何一问答不上来,就应该暂停,而不是“先查了再说”。

·数据出境:使用境外模型 API 意味着输入内容出境,需按组织政策判断。

·训练数据污染:模型可能带有偏见或过时认知,尤其在地区冲突、民族、宗教议题上。

·供应商锁定:模型下线、价格调整、条款变更都可能让流程失效(第 3.2 节)。

·日志留存:部分平台保留输入输出用于风控,敏感项目需确认。

| 阶段 | 目标 | 具体动作 | 验收标准 |
| 第 1—30 天 | 跑通一条最小闭环 | 选 1 个真实项目;用 P1—P3 提示词;手工完成五阶段;建立文件规范 | 产出一份带评级与证据附录的 3 页报告 |
| 第 31—60 天 | 把重复劳动自动化 | 部署 9.2 节脚本或 n8n 流程;接 10—20 个源;建立日报 | 每日自动出报,人工复核时间 \< 30 分钟 |
| 第 61—90 天 | 建立质量与合规机制 | 引入红队与三源规则;制定数据分级与留存制度;做一次模型复测 | 一次完整演练中 0 条无源断言;合规检查通过 |

按 1—5 分自评,找出短板。市面上已有面向从业者的生成式 AI 训练课程 [S17],可作为团队补齐短板的起点。

| 能力 | 说明 | 自评要点 |
| 需求拆解 | 把委托变成 KIQ/EEI | 能否在 30 分钟内写出可执行的 KIQ 表 |
| 检索语法 | 运算符、站内语法、API | 能否独立写出 20 条有效查询 |
| 数据处理 | 清洗、去重、结构化 | 能否用表格/脚本处理 1 万条记录 |
| 提示词设计 | 六段式、Schema 约束 | 能否让输出稳定入库 |
| 图像验证 | 三链验证 | 能否独立完成一次地理定位并留证 |
| 关系分析 | 图谱、时间线、ACH | 能否提出并评估 3 个互斥假设 |
| 写作 | BLUF、置信度语言 | 能否一页纸说清结论 |
| 合规与 OPSEC | 分级、留证、边界 | 能否说清“为什么这个数据不能采” |

| 角色 | 职责 | 是否需要专职 |
| 情报需求官 | KIQ、范围、交付标准 | 小团队可由项目经理兼 |
| 采集员 | 源维护、抓取、留证 | 可由自动化替代 70% |
| 分析师 | 假设、验证、写作 | 核心角色,不可替代 |
| 红队/审校 | 独立复核 | 必须与分析师分离 |
| 合规官 | 法律预检、数据分级 | 可外部顾问 |

最小可行团队是两人:一名分析师 + 一名红队兼合规。一人独自完成“分析 + 审校”是最高频的事故来源。

| 指标 | 定义 | 目标 |
| 时效 | 从事件发生到预警发出 | 按业务定,舆情类 \< 2 小时 |
| 命中率 | 预警中被确认为真的比例 | > 60%,低于则调整阈值 |
| 返工率 | 因证据不足被退回的比例 | \< 15% |
| 幻觉拦截率 | 红队发现的无源断言 / 总断言 | 应逐季下降,说明流程在改善 |

| 失败模式 | 症状 | 对策 |
| 工具收藏家 | 买了 20 个账号,没跑通一个流程 | 先定 KIQ,再选工具 |
| 自动化幻觉 | 日报天天出,没人看 | 加“高信号阈值 + 人工抽检” |
| 只做 L1 检索 | 搜不到就说“没有信息” | 补 L2/L3 源 |
| 单假设锚定 | 所有证据都支持一个结论 | 强制 ACH,含“无异常”假设 |
| 模型依赖 | 模型一升级,结论全变 | 记录版本 + 季度复测 |
| 合规后置 | 上线后才发现不能采 | 立项即做法律预检 |

原始文档结尾写道:OSINT 站在传统与创新的十字路口,AI 加速了调查过程,但伦理与人工监督不可放弃。一年半过去,这句话被实证研究反复确认:AI 在采集与初筛上确实有效,在验证与判断上仍然不可托付 [S3][S8]。

所以这份指南的最终建议只有一句:把 AI 用在它能被验证的地方,把不可验证的地方留给人,并把“如何验证”写进流程,而不是写进口号。

下表按 2026 年 OSINT 技术栈的 12 个类别组织,“AI 用法”一列说明该类工具中 AI 介入的具体位置 [S9][S14][S15][S16]。

| 类别 | 代表工具 | AI 用法 | 免费/低成本替代 |
| 调查平台与关联分析 | Maltego、Palantir、DataWalk、ShadowDragon、IBM i2 | 实体解析、关系推荐、图谱聚类 | Maltego 社区版、Neo4j + 脚本 |
| 社交与叙事情报 | Babel Street、Fivecast、Blackbird.AI、Social Links | 叙事识别、协同行为检测、多语言情感 | 通用模型 + 自建聚类 |
| 暗网与泄露监测 | DarkOwl、SpyCloud、Flare、Intelligence X | 泄露数据匹配、风险评分 | Intelligence X 免费查询、HIBP |
| 威胁情报平台 | Recorded Future、Flashpoint、Cybersixgill、SOCRadar | 情报图谱、自动化研判、IoC 富化 | MISP、OpenCTI |
| 人员搜索与背景 | Skopenow、OSINT Industries、LexisNexis、CLEAR | 身份解析、账号匹配 | 手工 + 公开记录(注意合规) |
| 企业与金融犯罪 | Sayari、Kharon、ComplyAdvantage、Linkurious | 股权穿透、制裁筛查、异常交易 | OpenCorporates、各国登记库 |
| 加密与区块链取证 | Chainalysis、TRM、Elliptic、Arkham、Nansen | 地址聚类、风险标签、资金流推断 | Blockchair、Etherscan |
| 攻击面与侦察 | Censys、Shodan、GreyNoise、SecurityTrails、ZoomEye | 资产指纹、暴露面评分 | Shodan 免费额度、crt.sh |
| 地理空间与卫星 | Maxar、Planet、BlackSky、ICEYE、Sentinel Hub | 变化检测、目标识别、影像配准 | Sentinel Hub 免费层、Google Earth |
| 媒体监测与预警 | Dataminr、Zignal、Meltwater、Samdesk | 事件检测、影响评估、去重 | RSS + n8n + 模型分级 |
| 研究基础设施与 OPSEC | Authentic8 Silo、Ntrepid、Massive、Hunchly、SpiderFoot | 归因隔离、自动留证、扩线 | 容器浏览器、Wayback、手动哈希 |
| 数字取证与证据固化 | Cellebrite、Magnet、Nuix、Belkasoft | 文件分类、时间线重建、异常检测 | Autopsy、ExifTool、hashdeep |

选型建议:先用免费层验证“这个流程值不值得自动化”,再决定买哪个。工具之间的差异远小于流程是否闭环。

立项

·[ ] 写清“支持什么决策”,而非“调查什么话题”

·[ ] KIQ 5—8 条,每条可回答

·[ ] 法律预检:个人信息?特殊类别?授权?留存期限?

·[ ] 成功标准与停止条件

采集

·[ ] 每个 KIQ 至少 3 个独立来源

·[ ] 每条材料有 URL + UTC 时间 + 哈希

·[ ] 记录“未获取”与原因

·[ ] 马甲与代理使用符合伦理边界

处理

·[ ] 去重(哈希 + 相似度)

·[ ] 时间统一 UTC,地点统一行政区

·[ ] 抽检 20 条,字段准确率 > 90%

·[ ] 实体表由专用工具或人工产出,非通用模型直接生成

分析

·[ ] 至少 3 个互斥假设,含“无异常”

·[ ] 每条结论边挂证据编号

·[ ] 单列“信息缺口”

验证

·[ ] 0 条无源断言

·[ ] 三源独立性已检查(血缘图)

·[ ] Admiralty 评级完成,理由写明

·[ ] 红队意见逐条回应

·[ ] 图片完成三链验证

发布

·[ ] BLUF 第一段含结论、置信度、建议

·[ ] 置信度语言符合对照表

·[ ] 附《来源与方法说明》

·[ ] 外部文件已清除元数据

·[ ] 敏感信息最小化处理

| 编号 | 名称 | 用在哪一步 | 关键约束 |
| P1 | 需求拆解器 | 阶段 0 | KIQ 必须可用“是/否/数值/清单”回答 |
| P2 | 查询矩阵生成器 | 阶段 1 | 只用真实运算符,标注误报类型 |
| P3 | 结构化实体抽取 | 阶段 2 | 每字段带 evidence 与 confidence |
| P4 | 时间线与矛盾检测 | 阶段 3 | 不合并冲突,标注时间精度 |
| P5 | 竞争性假设 ACH | 阶段 3 | 必含“无异常”假设,禁增证据 |
| P6 | 红队审查 | 阶段 4 | 每条质疑指向具体句子 |
| P7 | 多语言词表生成 | 阶段 1 | 原生词、转写、立场标注 |
| P8 | 叙事解构 | 阶段 3/4 | 只描述结构,不判真伪 |
| P9 | 简报改写 | 阶段 5 | 只改结构,不补事实 |

说明:P1—P6 的完整提示词见第 5.2 节;P7 见第 6.3 节,P8 见第 8.4 节;P9 按第 5.1 节的六段式结构改写即可,约束重点是“不得引入草稿之外的事实”。

| 术语 | 含义 |
| OSINT | 开源情报,从公开来源采集、分析、分发情报 |
| KIQ / EEI | 关键情报问题 / 可观测的基本要素信息 |
| 深搜 | 超越普通索引的检索:运算符、爬虫、档案与专业库 |
| Admiralty 评级 | 来源可靠性(A—F)+ 信息可信度(1—6)的双字符评级 |
| ACH | 竞争性假设分析,用矩阵比较证据对各假设的支持度 |
| OPSEC | 行动安全,保护调查者自身不暴露 |
| 马甲账号 | 用于观察的调查专用账号,不得用于套取信任 |
| 归因隔离 | 通过受管浏览器与代理隐藏真实身份与网络位置 |
| 间接提示词注入 | 恶意指令藏在被模型读取的网页/文档中 |
| 自动化偏见 | 人过度信任机器输出的倾向 |
| RAG | 检索增强生成,先检索资料再让模型作答 |
| C2PA | 内容来源与真实性技术标准(内容凭证) |
| L0—L3 | 自动化分级:全手工→脚本→AI 初筛→Agent 自主 |
| BLUF | 结论先行(Bottom Line Up Front) |
| 三源规则 | 关键结论需三个相互独立来源支持 |

| 编号 | 来源 | 链接 |
| S1 | Landry, M. S.《OSINT 2025: Deep Search, AI Integration, and Future Trends》(2025-02-19),本指南依据的工作区文档 | 工作区 PDF |
| S2 | 安全内参「开源情报」主题页(中文行业动态聚合) | https://www.secrss.com/articles?tag=开源情报 |
| S3 | Palmieri et al.《Agentic and Generative AI for Open-Source Intelligence and Cyber Investigations: Taxonomy, Evaluation, Challenges, and Future Directions》, arXiv:2607.03233 (2026-07-03) | https://arxiv.org/abs/2607.03233 |
| S4 | OWASP Gen AI Security Project, LLM01:2025 Prompt Injection | https://genai.owasp.org/llm-top-10/ |
| S5 | OWASP, Top 10 for Agentic Applications for 2026 | https://genai.owasp.org/resource/owasp-top-10-for-agentic-applications-for-2026/ |
| S6 | Postma, F.《Updated Test of 24 LLMs for Geolocation》, Bellingcat / GIJN (2025-09-03) | https://gijn.org/stories/updated-test-24-llms-ai-geolocation/ |
| S7 | 启元洞见《评估基于大语言模型的聊天机器人在开源情报应用中的能力》,安全内参 (2025-01-06) | https://www.secrss.com/articles/74368 |
| S8 | 聂永喜《开源情报中数据过载问题的破解之道》,国防科技要闻 / 安全内参 (2026-05-29) | https://www.secrss.com/articles/90809 |
| S9 | 黑鸟《覆盖12大技术栈类别的93款开源情报工具》,安全内参 (2026-06-27) | https://www.secrss.com/articles/91681 |
| S10 | RAND, Tools That Fight Disinformation Online(BotSlayer 等) | https://www.rand.org/research/projects/truth-decay/fighting-disinformation/search-tools.html |
| S11 | n8n 工作流模板:RSS + AI 摘要 + 通知 | https://n8n.io/workflows/4503 |
| S12 | Taranis AI(开源 OSINT 平台,EUPL 许可) | https://taranis.ai |
| S13 | UK ICO, Facial recognition technology and surveillance(UK GDPR Art.6/Art.9) | https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/cctv-and-video-surveillance/facial-recognition-technology-frt-and-surveillance/ |
| S14 | Maltego 平台能力页(Maltego Search / Monitor / Graph / Evidence,120+ 数据伙伴) | https://www.maltego.com |
| S15 | Fivecast 平台概览(ONYX / MATRIX / LUNEX,生成式与智能体 AI) | https://www.fivecast.com/platform-overview/ |
| S16 | GeoSpy(AI 图像地理定位) | https://geospy.ai |
| S17 | OSINT Combine《Leveraging Generative AI for OSINT》课程 | https://www.osintcombine.com/training |
| S18 | Bellingcat Online Investigation Toolkit | https://bellingcat.gitbook.io/toolkit |
| S19 | GIJN《Using the Sun and Shadows for Geolocating Photos and Videos》 | https://gijn.org/stories/using-the-sun-and-shadows-for-geolocating-photos-and-videos/ |
| S20 | Admiralty code(情报信源评级体系) | https://en.wikipedia.org/wiki/Admiralty_code |

| 免责声明:本指南用于合法的公开来源研究与教育目的。读者应自行确保其行为符合所在地法律、平台服务条款与组织政策。指南中提及的商业工具仅作示例,不构成推荐或背书。 |

报告已上传知识星球

长按识别下面的二维码可加入星球

里面已有万余篇资料可供下载

续费五折优惠

原文链接:https://mp.weixin.qq.com/s?__biz=MzI2MTE0NTE3Mw==&mid=2651158068&idx=1&sn=e8a0450ed82aa22f2a3e18d25fb69f1f