يمكن لوكلاء نماذج اللغة الكبيرة (LLM agents) مثل Claude Code ليس فقط كتابة الأكواد البرمجية، بل أيضًا استخدامها في أبحاث وهندسة الذكاء الاصطناعي المستقلة \citep{rank2026posttrainbench, novikov2025alphaevolve}. نبيّن في هذه الدراسة أن خطّة عمل (pipeline) من نمط \emph{autoresearch} \citep{karpathy2026autoresearch} المدعومة بـ Claude Code قادرة على اكتشاف خوارزميات جديدة لهجمات الخصومية ذات الصندوق الأبيض (white-box adversarial attack algorithms)، تتفوق بشكل \textbf{كبير على جميع الطرق الموجودة (أكثر من 30 طريقة)} في تقييمات اختراق الحماية (jailbreaking) وحقن الأوامر (prompt injection). بدءًا من تطبيقات هجمات موجودة، مثل GCG~\citep{zou2023universal}، يقوم الوكيل بإجراء دورات تكرارية لإنتاج خوارزميات جديدة تحقق معدل نجاح هجمة يصل إلى 40% على استعلامات CBRN الموجهة إلى نموذج GPT-OSS-Safeguard-20B، مقارنةً بما لا يتجاوز 10% للخوارزميات الحالية (\Cref{fig:teaser}، اليسار). وتتميز الخوارزميات المكتشفة بقدرة تعميم عالية: حيث تنتقل الهجمات المُحسَّنة على نماذج بديلة (surrogate models) مباشرةً إلى نماذج مُحتجَزة (held-out models)، محققةً \textbf{معدل نجاح هجمة (ASR) يبلغ 100% ضد نموذج Meta-SecAlign-70B} \citep{chen2025secalign}، مقابل 56% لأفضل خط أساس (\Cref{fig:teaser}، الوسط). وبتمديد لنتائج دراسة \cite{carlini2025autoadvexbench}، تُعدّ نتائجنا دليلًا مبكرًا على إمكانية أتمتة أبحاث الأمان والسلامة التدريجية باستخدام وكلاء نماذج اللغة الكبيرة (LLM agents). وتُعدّ اختبارات الاختراق الخصومية ذات الصندوق الأبيض (white-box adversarial red-teaming) مناسبةً بشكل خاص لهذا الغرض: حيث توفر الطرق القائمة نقاط انطلاق قوية، كما أن هدف التحسين يُنتج تغذية راجعة كثيفة وكمية.