Fleuret AI 融资支持欧洲挑战一次性渗透测试

Fleuret AI 已筹集 400 万欧元，旨在以持续测试应用的 AI 智能体取代周期性的安全快照。此次 Fleuret AI 融资为这家巴黎初创公司提供资源，用于扩展一个围绕可重复利用的攻击利用证据、修复和复测而构建的平台。

RAISE Ventures 领投本轮种子前融资。Auriga Cyber Ventures、Wind Capital、Better Angle 以及多位网络安全高管也参与其中。这一消息让一家欧洲公司进入一个已吸引 XBOW、Horizon3.ai 和 Pentera 等资金雄厚参与者的市场。

重要的竞争并不只是 Fleuret AI 与这些供应商之间的较量，而是持续的、由智能体主导的测试与年度人工评估之间的竞争；后者至今仍定义着许多组织对渗透测试的理解。

Fleuret 表示，其智能体能够绘制暴露系统的地图、调查应用和 API、利用已确认的弱点，并验证修复效果。这一流程所承诺的不仅是漏洞扫描，也意味着允许一个自主系统在获批范围内像攻击者一样行动。

这种权限带来了核心矛盾。一个有用的智能体必须足够主动，才能证明漏洞存在；同时又必须足够可预测，避免损害生产系统。融资可以加快产品开发，但无法单独解决这一信任问题。

Fleuret AI 融资让持续测试更贴近应用层

本轮融资直接挑战了作为定期、以文档为中心服务的渗透测试模式。

Fleuret 于 2026 年 10 月 5 日宣布这笔种子前融资。根据该公司的融资公告，资金将用于扩充 AI、软件工程和攻防安全领域的人才。

该公司目前约有十名员工，并将 Brevo、Stoïk 和 Yogosha 列为客户。其创始人 Yanis Grigy 和 Augustin Ponsin 曾在求学期间创办一家渗透测试公司。

这一背景很重要，因为自动化渗透测试必须复现的不只是扫描器的速度。传统扫描器会识别与弱点相关的模式；而渗透测试人员会尝试确认这些弱点是否能够导致具有实际影响的入侵。

Fleuret 使用 Émile 和 Champollion 两个智能体来分工完成这些任务。这些智能体会绘制客户环境、探索应用和 API，并在获授权范围内尝试利用发现的弱点。

随后，该平台会为每项报告的发现附上概念验证。概念验证是可复现的证据，证明某个弱点确实能够被利用，而非仅仅匹配某种特征。

Fleuret 表示，它还将发现结果与修复工作流连接起来。工程团队可以分派问题、实施修复，并要求平台再次测试同一攻击路径。

这形成了一个闭环：发现、利用、修复和验证。与在预定项目结束后收到一份报告相比，这是一种截然不同的运营模式。

该产品目前重点覆盖 Web 应用、API 和外部基础设施。这一范围使 Fleuret 更贴近软件交付流程；在正式评估之间，部署可能多次改变攻击面。

在发布前完成的一次测试，无法评估之后新引入的代码或配置。该报告作为此前评估的证据依然有效，但它所反映的运营状况会立即开始过时。

Fleuret AI 渗透测试旨在缩短这一差距。这家初创公司希望组织能在系统发生变化时运行更深入的测试，而不是等待下一次年度项目。

这笔融资并不能证明 Fleuret 能够在所有应用或攻击路径上匹敌专家团队。不过，它确实为一项尝试提供资金：将渗透测试转化为持续运行的软件流程。

这一变化之所以重要，是因为最强的竞争对手也在提出类似主张。Fleuret 现在必须证明，为何一个专注应用层的欧洲平台值得与更大型的自主测试供应商并列。

欧洲安全法规加大对可重复证据的需求压力

Fleuret 进入市场之际，欧洲组织正面临更广泛的安全义务，以及对已记录控制措施更严格的要求。

欧盟的 NIS2 框架在 18 个关键行业中实施网络安全风险管理和报告要求，涵盖能源、医疗、交通、数字基础设施、制造业和公共行政等领域。

这些规则并非简单要求每一家受覆盖组织购买自动化渗透测试产品。但它们确实提高了关于漏洞、控制措施、事件和修复的可重复证据的价值。

欧盟委员会的 NIS2 指南将漏洞管理和供应链安全列为该框架的一部分，同时也让高级管理层对风险管理失误承担更直接的责任。

这一环境有利于能够长期保留证据的测试系统。安全团队需要展示：他们测试了什么、哪些弱点可被利用、如何响应，以及修复是否有效。

金融机构还面临《数字运营韧性法案》（DORA）带来的另一层要求。该法规为受覆盖金融实体所使用的信息与通信技术系统制定了测试要求。

DORA 还为特定实体定义了威胁驱动型渗透测试。这类演练模拟真实威胁行为者，并在受控条件下测试关键生产系统。

DORA 测试规则提出的要求，并非普通自动化扫描本身能够满足。范围验证、测试人员适格性、风险控制和生产环境保障仍然至关重要。

因此，Fleuret 拥有机会，但并没有监管捷径。其平台可以支持高频测试和证据收集，却不能自动取代所有受监管的评估。

该公司还强调欧洲基础设施和数据存放位置是另一项差异化优势。它表示，其发现结果通过欧洲云服务商 Scaleway 托管在巴黎。

这一定位面向的是关注敏感安全证据存放位置的买家。渗透测试工作区可能包含架构细节、可利用路径、凭证以及访问遭攻破的证据。

将这些材料保留在首选司法辖区内，可以简化部分采购沟通。但这并不能免除对分包处理商、保留政策、访问控制、加密和事件响应流程的审查。

同样的谨慎也适用于主权相关主张。欧洲托管是一项有用的设计选择，但买家必须审查整个服务链，而不是只看单一数据中心的位置。

不过，监管压力强化了 Fleuret 的基本论点。当安全证据记录的系统已经发生变化时，它的价值便会下降。

持续测试提供了一种生成更新记录的方式。它还可以帮助团队将特定部署与新发现相关联，或验证补丁是否封闭了预期路径。

这正是 Fleuret AI 渗透测试可能在欧洲软件公司中获得认可的地方。该服务可以处于周期性专家项目和常规漏洞扫描器之间。

但合规团队会询问，其签名报告和可重放证据是否符合审计人员的预期。安全负责人则会询问，这些智能体是否始终处于授权边界之内。

这些问题同时对传统咨询公司和自动化测试初创公司施加压力。咨询公司必须证明长间隔的合理性，而平台则必须展示深度、控制力和可信证据。

Fleuret AI 融资支持两个智能体，而非又一个漏洞扫描器

Fleuret 的核心技术押注是：协同智能体能够调查并证明普通扫描器仅能标记的攻击路径。

AI 智能体将语言模型与工具、记忆和决策逻辑结合在一起。它可以在追求既定目标时选择行动、解释结果并调整计划。

对于攻防安全而言，这一目标可能包括绘制端点地图、测试身份验证边界或串联多个弱点。每项行动都必须处于客户明确授权范围内。

Fleuret 表示，Émile 会像攻击者一样绘制应用和 API 的地图。Champollion 则帮助将发现转化为证据和修复工作流，不过公开公告提供的架构细节有限。

关键区别在于行为方式。扫描器通常执行预定义检查并报告匹配项；智能体则可以解读意外响应、选择另一条路径，并构建多步骤攻击路径。

例如，一个应用可能存在薄弱的对象授权。访问一个端点可能会暴露另一位客户的记录，但只有在测试人员更改标识符并理解应用的账户结构之后才会发生。

特征检测可能错过这种业务关系。拥有充分上下文的智能体则可以调查应用是否正确实施了所有权控制。

Fleuret 表示，若没有可复现的利用证据，它不会报告发现。这一政策针对的是自动化安全测试最长期的问题之一：大量疑似弱点排队等待工程师手动验证。

证据之所以有价值，是因为它改变了优先级排序。一个理论上的弱点需要与许多其他警报竞争；一次可重放的攻破则能准确告诉团队哪条路径奏效，以及需要关注什么。

复测完善了这一工作流。在工程师部署修复后，平台可以重复先前的操作，并记录易受攻击的行为是否依然存在。

这一机制解释了为何自动化渗透测试正在吸引资本。它的价值不仅在于更快地运行传统测试，还在于保留攻击逻辑，以便组织在每次重大变更后重复使用。

这一方法也带来学习机会。重复测试可以揭示，同类漏洞是否会在不同服务、团队或发布版本中反复出现。

组织可以将这些证据与开发流程关联起来。反复出现的授权漏洞，可能暴露共享中间件、代码审查或架构标准中的薄弱环节。

不过，Fleuret 尚未公开足够的独立评估数据，来证明其具备广泛覆盖能力。公告列举了客户并描述了工作流，但未公布对比性的检测结果。

它也没有说明人工会以何种频率审查智能体决策。这一点很重要，因为自主性存在一个从引导式自动化到高度独立执行的连续谱系。

该公司的公开材料强调概念验证、欧洲托管和持续复测。这些都是合理的产品优先事项，但买家在评估期间仍需要获得技术层面的答案。

他们应询问系统如何处理身份验证、速率限制、破坏性操作、意外数据和不断变化的应用状态，也应审查授权控制和测试日志。

最有说服力的演示，应在客户可控、且接近生产环境的预发布环境中进行。团队可以将结果与近期人工主导的评估进行比较，并审查每一项操作。

那项测试揭示的将不只是一个基准分数。它还会表明，这些智能体是否理解组织的应用程序、能否保持在授权范围内，以及能否产出开发者可用的证据。

主要对手是年度安全快照

只有当持续运行的智能体能够在不舍弃人工渗透测试人员判断力的前提下扩大覆盖范围，Fleuret 的商业论点才会成立。

传统渗透测试会在一次明确界定的项目中集中投入专家注意力。熟练的测试人员会探索业务逻辑、质疑既有假设，并判断异常响应是否具有运营层面的意义。

这种模式能够产出深入的发现。但它也存在无法避免的时效性问题：多数组织无法在每次部署后都委托进行一次完整的人工评估。

持续测试平台正是针对这一间隔发力。它们可以重复已知检查、探索发生变化的攻击面，并在无需每次重建整个测试项目的情况下验证修复效果。

Horizon3.ai 一直在企业基础设施领域推进这一模式。该公司的 NodeZero 产品通过自主攻击路径测试网络、云环境及其他系统。

2026 年 8 月，Horizon3.ai 宣布完成一轮大规模融资，并表示已执行数十万次生产环境测试。其披露的规模为企业买家提供了一个成熟的自主测试参考点。

一份市场扩张报道也介绍了 Horizon3.ai 的国际增长，以及其对可预测生产环境测试的重视。这些能力提高了 Fleuret 必须达到的门槛。

XBOW 是另一家相近的对比对象，尤其是在以应用程序为核心的进攻性安全领域。它主打能够识别并验证软件漏洞的自主黑客。

该公司于 2026 年 3 月宣布获得规模可观的 C 轮融资。其自主测试扩张显示，资本和经验丰富的安全人才正以多快的速度涌入这一领域。

Pentera 则通过自动化安全验证来处理这一问题。其覆盖范围横跨内部与外部攻击面，因此对寻求广泛控制测试的组织具有相关性。

Fleuret 的机会更为具体。它可以成为一家聚焦应用程序、API、审计证据和修复闭环的欧洲选择。

较小的公司也能够与早期客户紧密协作。这有助于其使工作流程适应欧洲采购、数据驻留和行业特定的合规预期。

不过，Fleuret 并非只是在地域层面竞争。欧洲客户已经可以购买成熟国际供应商的产品。

这家初创公司必须证明，它能更好地适配客户的应用程序和运营约束。它还需要提供集成能力，让安全发现能够进入工程工作流而不丢失上下文。

这一工作流维度至关重要。当证据与工单、代码变更和复测结果脱节时，报告的实用价值就会下降。

有效的平台应保留完整链路。团队需要原始请求、观察到的行为、利用证据、受影响服务、责任人、修复措施和验证记录。

这与根据技术证据构建可搜索知识库所面临的更广泛挑战相似。信息必须保持关联、最新，并让正确的人能够访问。

持续测试也改变了咨询公司的角色，但并不一定会将它们排除在流程之外。

人工专家可以专注于复杂业务逻辑、非常规威胁模型、社会工程、物理控制和创造性的攻击链。智能体则可以在这些项目之间覆盖可重复的测试工作。

这种混合模式比完全替代更像是可信的近期结果。它也促使咨询公司提供持续验证，而不是将每份报告视为最终产品。

因此，胜出的产品可能会在减少重复劳动的同时补充专家工作。Fleuret 面临的挑战，是证明其智能体能够占据这一有价值的中间地带。

攻陷证明并不能消除自主性风险

可重放的证据可以减少误报，但无法保证完整覆盖、安全执行或可靠的业务判断。

自主渗透测试运行在一个异常敏感的环境中。智能体获得的工具旨在发现弱点，并在真实系统上加以利用。

误报会浪费工程团队的时间。漏报会造成错误的信心。不安全的操作可能中断服务、损坏数据，或触及授权范围之外的系统。

Fleuret 的概念验证要求解决了第一个问题。如果每份漏洞报告都附带可重放的利用过程，开发者就能检查确切行为。

这项政策并不能完全解决漏报问题。智能体可能为其发现的缺陷提供准确证据，却遗漏更深层的授权失效或陌生的攻击链。

它同样无法回答：当测试遭遇意外的生产环境条件时，系统会如何运行。安全运行取决于范围执行、操作控制、凭据、速率限制、监控和紧急停止机制。

学术研究支持这种谨慎态度。近期一项针对自主企业网络测试的研究发现，智能体可能追踪无关路径，并在规划与执行之间丢失信息。

该研究还识别出需要人工监督的安全问题。这些发现见于计算机协会发布的一项企业测试研究。

其他评估报告了其在图形界面、复杂业务逻辑方面的困难，以及较高的误报率。性能还可能随模型、提示词、工具配置和目标环境而变化。

基准测试带来了另一层不确定性。训练环境通常包含已知漏洞、清晰目标，或模型训练数据中已有代表性的应用模式。

生产系统则更为杂乱。它们包含定制工作流、不一致的文档、部分权限、第三方服务，以及某一组织特有的业务规则。

因此，基准测试成功只能证明在既定条件下的能力。它并不能证明智能体能够在每个在线应用程序中复现专家评估。

此外还存在治理问题。组织必须决定自主系统可以执行哪些操作，以及哪些操作需要人工批准。

读取一个端点不同于修改一条数据库记录。测试访问控制不同于创建持久访问。证明某个弱点不同于最大化其影响。

可信的平台应明确这些边界，并从技术上加以执行。仅靠合同条款无法阻止智能体采取不安全操作。

客户应要求提供详细日志，展示系统尝试过什么、每一步由哪个工具执行，以及哪些证据支持结果。日志还应标识被阻止的操作。

Fleuret 对证明和复测的重视令人看好，因为它将重点放在可观察行为上。然而，该公司尚未发布独立安全评估或广泛的对比基准测试。

对于一家年轻初创公司而言，这种缺失可以理解，但仍然具有实质性影响。投资者信心和具名客户是有用信号，却不能替代技术验证。

安全团队应将早期部署视为受控评估。可以从预发布系统、有限范围、受监控的凭据和明确的停止条件开始。

他们应将智能体的发现与人工审查进行比较，特别是围绕授权和业务逻辑的问题。还应衡量验证结果所花费的时间，而非只统计发现数量。

最有用的指标并非智能体报告了多少漏洞，而是在不增加不可接受运营风险的前提下，有多少经过验证、具有后果的问题进入了修复流程。

Fleuret 必须在多样化的客户环境中证明这一等式。在此之前，任何关于替代深度人工测试的说法都应谨慎限定。

Fleuret AI 融资轮后值得关注的事项

下一批证据必须来自部署、安全控制和可重复的结果，而不是又一则融资公告。

第一个信号是独立技术验证。Fleuret 需要在真实应用程序中，将其智能体与经验丰富的渗透测试人员进行对比评估。

有价值的结果应区分发现能力、利用验证、业务逻辑覆盖、误报和漏报。它们还应说明目标复杂度和人工协助程度。

强劲的结果将支持 Fleuret 的说法，即其系统提供的不只是快速扫描。较弱或定义狭窄的结果，则会使其更适合位于定期人工测试项目之间的混合角色。

第二个信号是其在受监管欧洲行业中的客户扩张。Fleuret 已经列出数字化公司，但金融服务、医疗保健和关键基础设施具有更严格的采购及运营要求。

这些市场的采用将检验数据驻留、审计证据、身份控制和生产安全。它还将揭示买家是否接受在既有保障计划中使用由智能体生成的报告。

不断增长的客户名单本身无法解决这个问题。案例研究应说明测试范围、修复结果，以及自动化评估与人工评估之间的关系。

第三个信号是竞争对手如何应对。XBOW、Horizon3.ai、Pentera、咨询公司和安全测试平台都具备切入持续验证的路径。

它们可以增加欧洲托管、应用程序覆盖、智能体工作流或更深入的修复集成。在这些能力趋同之前，Fleuret 必须建立可防御的优势。

其最明确的切入点，是面向应用程序和 API 的高度集成欧洲平台。如果客户能够将每一次利用都关联到修复及经过验证的复测，这一定位就会更强。

如果用户仍需进行大量人工验证，或还需要单独工具才能获得有意义的覆盖，该定位就会削弱。若自主执行造成采购延迟、抵消了承诺的速度优势，它同样会被削弱。

因此，Fleuret AI 融资轮意义重大，但并非定论。它为一家年轻公司提供了资源，用以验证持续进攻性安全能否成为常规工程基础设施。

对于开发者而言，直接相关性在于代码变更与可利用性证据之间的反馈周期更短。对于安全负责人而言，则是在专家主导测试项目之间测试更多系统的可能性。

企业买家现在应要求使用自身的应用程序模式进行受监控的试用。将智能体的证据与人工发现进行比较，检查每一项操作，并衡量修复时间。

这项评估将揭示自动化渗透测试究竟是在减少安全积压，还是仅仅改变其形式。答案将决定 Fleuret 是成为欧洲领域领导者，还是成为拥挤技术栈中又一层颇具前景的能力。