探姬去哪了OSINT题组复盘：地理定位与社交情报交叉验证

LitCTF 2023 的 OSINT 题组我印象很深，尤其是这套「探姬去哪了?【0~3】」——光看标题就透着一股"找人找地点"的劲儿，后面还挂着四个编号，摆明了是一套连环题：你解完第 0 题拿到一个结果，第 1 题的线索就藏在里面，一环扣一环。今年各大 CTF 赛事都开始堆 OSINT 题库，这种题越来越值得系统性刷一遍，它考的其实不是"会不会用黑客工具"，而是你对公开信息的敏感度、搜索习惯和交叉验证能力。这篇复盘我尽量把每一步的思路、踩过的坑、以及为什么那么想都写清楚，适合刚接触 OSINT 题型的人跟着走一遍，也适合想系统梳理"地理定位类 OSINT 题"解题框架的朋友收藏起来对照着练。

1. 为什么这套题组值得从头到尾复盘一遍

先说结论：这套题是典型的"由图到地、由地到人、由人到最终答案"的递进式设计。以前很多比赛出 OSINT 就出一题，给一张图让你找坐标，或者给一个用户名让你找 flag，顶多算"单点技能测试"。但「探姬去哪了?【0~3】」把四道题串成了一个完整的调查流程，这就非常贴近真实场景了——真实的情报分析从来不是靠一个工具、一条信息就能得出结论的。

1.1 题目标题里藏着的信息量

"探姬去哪了"这个题目名，主语是"探姬"，这是一个虚拟的人物设定；动作是"去哪了"，说明题目的核心是追踪这个人的活动轨迹。"【0~3】"说明一共有 4 个小题，编号从 0 开始。这种编号方式在 CTF 里还挺常见的，它不只是为了排序，更是在暗示：第 0 题往往是入门题，用来确认一个基础事实，后面每一题都建立在这个事实之上继续深挖。

我当时做题前先做了一件很重要的事：把 0~3 四道题全部下载下来，先看每一题的附件类型和题目描述，而不是急着做第 0 题。这个习惯很关键。因为连环题的出题人通常会在后面的题目描述里透露出题思路，甚至前面的题里没看懂的东西，看到后面的描述就懂了。

1.2 OSINT 题到底在考什么

OSINT 全称是 Open Source Intelligence，开源网络情报，翻译成人话就是：利用公开渠道的信息，通过收集、筛选、交叉比对，得出一个非公开的结论。CTF 里的 OSINT 题本质上是一场"信息挖掘训练"，它不会让你去渗透什么系统、破解什么密码，它考的是：

• 对搜索引擎、地图工具、社交平台公开内容的熟练程度；
• 对图片中隐藏信息的敏感度（包括 EXIF、画面元素、文件命名等）；
• 在碎片化信息中建立时间线和空间线的推理能力；
• 以及最重要的——能不能把多条弱线索交叉验证成一条强证据。

这套「探姬去哪了」四个小题，恰好分别对应了上述几种能力的组合。

1.3 一套题练的是完整的调查闭环

我做完之后把四道题串联起来，发现它们实际上模拟了一个典型的地理追踪流程：

1. 第 0 题：从一个"视觉元素"出发，判断大的地理范围（城市级别）；
2. 第 1 题：在确定城市后，进一步缩小到街区甚至精确坐标；
3. 第 2 题：通过社交平台的公开动态，还原目标人物的行动轨迹；
4. 第 3 题：综合前面所有信息，定位到最终的"藏身点"。

这个流程设计得非常有教学价值。你单独看每一题，难度都不算特别高，但连起来做，每一步的输出都是下一步的输入，会逼着你养成"信息归档"的习惯——我当时用一个文本文件记录每一步的结论和依据，最后做第 3 题的时候，这个文件直接成了我的答案推导表。

提示：做连环 OSINT 题，一定要边做边记录。很多人做到第 2、3 题时往回找前面的坐标、时间、ID 等中间结论，结果发现当时没存，只能翻历史记录重来一遍，浪费大量时间。

2. 第 0 关：一张日常照片里可以拆出多少线索

第 0 关的附件我记得是一张看起来非常普通的照片，内容是某家店的门口或者街边的一角，具体载体是什么不重要，重要的是解题的思路。拿到照片之后，我的第一直觉不是"用眼睛看"，而是"先把照片拆开看"。OSINT 题里面，图片本身就是一个信息容器，它至少藏了四层信息：文件层、像素层、内容层、上下文层。

2.1 文件层：元数据与文件名的"意外之喜"

很多新手拿到图片直接就开始看画面里的招牌、地标，但老手会先做三件很基础的事：

第一，看图片属性里的 EXIF 信息。虽然大部分出题人会清理 EXIF，但如果哪道题忘了清，GPS 坐标、拍摄设备型号、拍摄时间会直接给你省掉一半时间。这道题我看下来，EXIF 是被清理过的，所以这条路没有走通。

第二，看文件名。文件名往往是出题人留后门的高频位置。这道题的文件名我忘了具体是什么，但一般文件名里可能出现地点缩写、日期、经纬度、账号名等。就算没信息，也是一种排除，能让我安心去啃画面内容。

第三，用十六进制编辑器快速翻一下文件头尾。能确认有没有被附加隐藏数据。OSINT 题经常跟杂项题结合，图片末尾塞一段文本或压缩包是常见玩法。我当时快速确认过，文件是干净的，于是进入下一层。

2.2 像素层：识图搜索的正确打开方式

这一层是大家最容易犯错的环节。我基本不用某一家搜索引擎的识图功能直接搜原图，因为直接搜原图，匹配到的是"完全相同的图片"，而赛题里的照片通常经过裁剪、缩放、调色，甚至是从别人动态里转发过来的，直接搜只会得到一堆无关结果。

我更推荐的做法是"分块搜索"：把图片里最有辨识度的局部单独截出来搜。比如题图里的一个招牌、一个古建筑飞檐、一个城市雕塑的剪影，单独截取之后作为搜索对象，往往能命中对应景点的旅游照片或摄影作品。

还有一个实用的操作逻辑：先搜"大概念"，再搜"小概念"。如果照片里有一个标志物，我通常会先搜这个标志物的名字，确认它所在的城市和景区，而不是直接搜"这是哪里"。这个问题看起来绕，其实是把"图像检索"转换成"关键词检索"，因为图像检索的底层也是通过标签和相似度匹配的，你先从画面中提取出"独眼识别特征"，再用关键词搜索效率更高。

2.3 内容层：画面里的每个元素都可能是路标

这道题的照片里，我记得至少有三个可挖掘的视觉元素：一个店铺的 Logo 或特定字体的招牌、远处一个塔状建筑的轮廓、以及街道的类型特征。我当时判断的思路是：

• 招牌的文字或 Logo 能确认这是一家连锁店，而每家连锁店的分布区域可以从品牌官网上查到，或者通过搜索"品牌名+城市"来进行初步锁定；
• 高塔轮廓是一个很有效的地标，不同的城市有不同的电视塔、信号塔形状，塔尖形式、高度比例、周围天际线，都是判断依据。我记得我当时把这个轮廓截图后，通过轮廓匹配的方式锁定了两三个候选城市，再结合连锁店的分布，把范围缩到了一个城市；
• 街道类型特征（比如电线杆样式、路灯样式、公交站牌颜色）可以用来判断区域的新旧程度和城市风貌。

这三个方向是并列的，但还可以做交叉：连锁品牌在哪些城市有门店、电视塔在那个城市的哪个方位拍摄会出现这样的角度，两者一交叉，结论就不再是猜测，而是一个大概率的判断。

2.4 上下文层：题目描述和文件名里的软信息

千万别忽略题目的描述文本。很多 OSINT 题会在描述里故意写一句看似废话的"场景提示"，比如"她好像很喜欢在傍晚喝奶茶"——这句废话其实是在告诉你：时间可能是傍晚，店铺可能附近有奶茶店。这道题的第 0 关描述我记得是给出了"探姬"这个角色的一个社交平台用户名，这正好是下一题的入口。

到这里第 0 关的解题闭环就很清楚了：看到图片 → 查文件信息 → 分块搜索 → 提取视觉特征 → 交叉验证 → 得出城市与大致区域 → 输出第 0 题的 flag 格式。这个闭环本身就是一个可以复用到所有"图片找地点"类 OSINT 题的骨架。

3. 第 1 关：从区域到精确坐标，地图工具的地表侦查战

第 0 关确认了城市和大致的区。第 1 关的题目描述给出的新线索我记得是"她经常在这附近晃悠，但每天都会在同一家店买早餐"，这几乎是在明示：你需要从一片大范围区域里，找到那个"店"。这类题的难点在于，地图上的范围虽然缩小了，但步行范围内仍然有成百上千家店铺，怎么找到目标？靠的是把照片里的细节转化为地图上可验证的特征。

3.1 坐标与精度的认知：为什么"经纬度"要写到小数点后第几位

做地理定位题，必须对经纬度精度有直觉。简单说：

• 小数点后一位，精度大约 11 公里，能定位到一个城市；
• 小数点后三位，精度大约 110 米，能定位到一条街道；
• 小数点后五位，精度大约 1 米，能定位到一个门口。

所以第 1 关题目的最终 flag 如果需要填坐标，通常要求你给到小数点后四位甚至五位。这意味着你的判断必须精确到"这栋楼"而不是"这条街"。我当时做题时把地图工具切换到卫星视图，再叠加街景视图进行比对，目的就是把候选点缩小到"楼宇级别的唯一匹配"。

3.2 在线地图的"无级缩放"与特征比对

地图工具我一般同时开两三个窗口，一个是平面图视图，一个是卫星视图，一个是街景视图。平面图用来确认道路名称和建筑轮廓，卫星图用来确认屋顶形状、连廊结构、门面朝向，街景视图用来模拟人站在地上的视角，和题目照片做逐元素比对。

这个过程中最有用的操作是"沿路走一遍街景"。别小看这个操作，它看起来机械，但非常有效。我记得我当时的做法是：从第 0 关确定的那个区域边界开始，沿着主干道走街景，看沿街店铺的招牌颜色、门口台阶样式、相邻店铺的排列，一旦发现某个画面和题目照片里的排列顺序一致，马上截图存档。这个办法比漫无目的地放大缩小地图高效得多。

3.3 招牌文字是最高密度的锚点信息

在第 1 关的定位过程中，我反复确认了一个结论：招牌上的文字（尤其是中英文混合的差旅风格招牌、特定字体的品牌 Logo）是最高密度的锚点。因为在线地图的街景画面中，招牌文字通常能被清晰拍摄，而且招牌的配色、字体、排列方式，和照片里呈现的内容可以直接一一对应。

你不需要知道这个招牌是哪家店，你只需要在街景里看到一块和题图一模一样的招牌，位置就锁定了。所以操作步骤是：先把题图里的招牌区域放大、增强对比度、必要时用 OCR 工具提取文字 → 把提取出来的文字作为搜索词 → 把搜索结果中的"地址信息"直接丢回地图里定位。

这一步看起来简单，但 OCR 工具的选择很影响效率。我当时用的是网页端免费的 OCR 识别工具，但线上工具的识别精度对倾斜角度和艺术字体的支持不太稳定，后来干脆找了一个离线 OCR 工具跑了一遍，结果反而更干净。这个小插曲也提醒我：OSINT 题里工具不是越高级越好，而是"哪个工具在当前条件下输出最干净的结果就用哪个"。

3.4 实际验证：街景照片与题图的"时间差"陷阱

这里有个非常重要的坑必须说：街景照片是有拍摄时间的，而赛题里的照片不是同一时间拍的。同一个地点，晴天和阴天看起来像两个地方，店面可能换了招牌，行道树可能长高了把视线挡住。我在地图里走了半小时发现某一块很像，但怎么都比对不上，后来把街景时间轴往前拉了几次，才意识到那个位置在更早一次拍摄的街景版本里跟题图完全一致。

所以遇到"半天都对不上的情况"，请先调整街景时间轴。这个操作很多人不知道，但它真实关系到解题成败。地图厂商的街景数据往往覆盖了好几年的多个时间版本，切换时间版本后，同一位置的画面会发生明显变化，你要找的可能不是最新的版本。

4. 第 2 关：社交平台公开动态里的时间线与空间线

到第 2 关，题目给了一个关键新素材：一个社交平台的账号——也就是"探姬"本人的公开主页。这类账号在赛题里是虚构的，但是形象非常完整：它会发布很多日常动态、打卡记录、照片和文字。这一关的目标是：从这些动态里提取时间和地点的对应关系，形成一张行程表，进而推算出"她现在最可能在哪"。

4.1 从打卡动态里建立时间轴

我处理账号信息的第一步，是把所有动态按时间排序，给每条动态打上"地点标签"和"时间标签"。地点标签来自动态里的文字描述、照片背景，时间标签来自动态发布时间的明确显示。

这个过程很多人会低估。因为动态数量可能很多，而且大部分和解题无关。但如果你不排序、不打标签，到后期信息一多，很容易把时间顺序搞混。我当时用的是一个简单的表格：

做完之后，我立刻发现两条关键规律：一个是工作日她几乎固定出现在某个区域（上班/上学），另一个是她每隔几天就会在特定时间段发一张"酒馆/咖啡馆窗外"的图片。这个规律直接指向她某个常去场所。

4.2 把动态里的照片当成新输入，再做一轮信息挖掘

第 2 关里发的动态照片，本身就值得做一次完整的"图片信息挖掘"流程。很多新手会把第 0 关学到的图片分析能力只用在第 0 关的图片上，忽略了后面每一关里的图片都需要同样对待。

我当时对每张动态照片做了三件事：一是查发布时间和地点标签的对应关系；二是看照片里的细节（比如玻璃反光里的街道、桌上的票据、窗外的塔楼）是否跟前面确认过的地理范围吻合；三是看照片里的局部特征能不能和地图街景对上。

其中最有价值的一张动态照片，是"探姬"发的一张窗外视角：照片里有一根路灯杆、一棵树的树冠形态、以及远处建筑的一角。这三样东西同时出现，几乎就是一个小型的"视觉指纹"。我拿着这张照片在地图街景里沿前面锁定的附近路段一张张比对，最终定位到一栋楼下。

4.3 干扰信息的识别：为什么不能全信动态里的文字

我这个环节踩过一个坑，就是太相信动态里的文字描述了。比如一条动态写着"今天也在老地方加班"，我满以为"老地方"肯定是第 1 关定位的那家店，结果去地图里查了附近所有可加班的地点，来回比对了一小时，最后发现"老地方"其实是这家店隔壁街区的一个图书馆——因为她在第 0 关的照片里，背景书架上的书脊标签暴露了图书馆的特征，而这条动态的文字根本没提图书馆三个字。

这个坑总结起来就一句话：动态文字是主观的、口语化的、可能隐藏真意的；动态里的照片、坐标、时间是客观的、可验证的。做题时，以客观数据为准，把文字当成"补充语境"，而不是"答案本身"。这也符合真实情报工作的原则——你不能因为目标说了一句"我在家"，就断定他一定在家。

4.4 社交平台公开信息的搜索习惯：关注列表和评论区的价值

除了目标自己的动态，我还翻了两个平时容易被忽略的地方：关注列表和评论区。

关注列表可以告诉你目标人物在意什么、关注了哪些本地号、社团、店家的账号——一旦发现她关注了某个书店/咖啡店的官方账号，搜索范围立刻缩小很大一圈。评论区则能在互动里发现朋友对她的称呼、约见的暗号、甚至被回复过的"你上次去的那家店叫什么来着？"这类信息。

不过需要注意，评论区信息量大、且噪音也很大。我的操作习惯是只看目标自己发的评论和被人明确 @ 的动态，不逐条读别人的闲聊，这样能省下至少一半时间。

5. 第 3 关：多条弱线索交叉成一个强答案

第 3 关是这套题的收尾，目标很直接：给出"探姬最终所在的位置"，flag 大概率就是某个地点的名字或坐标。但难点在于，从第 2 关动态里只能得出"她常去某区域"，怎么把"某个区域"精确定位到"某一栋楼/某一个房间"？

5.1 把所有结论摊开：做一个总的线索汇总表

做到最后一步，我做的第一件事不是继续搜索，而是把前面所有结论汇总成一张表。这张表大致是这样的：

表格的好处是把"下一步的输入"看得一清二楚。第 3 关的输入是前 2 关的全部输出，而不是新增的某一个素材。

5.2 用"工作日时间线"压缩搜索空间

前 2 关的信息加上第 2 关的时间线，可以推出一张更精确的"日常作息表"。比如说：周一至周五的早上，她大概率出现在早餐店附近；中午的动态配图是办公大堂；傍晚的动态配图是河边；深夜的动态提到"还在改论文"。这已经是一个很规整的"上班族作息"。

把这些作息规律和地理位置叠在一起，可以推断出：她白天大概率在早餐店附近某个写字楼/高校里，晚上会去河边散步，深夜回到住处。那么最终位置只可能在几个候选点里：早上和深夜出现的这一片区域，一定有一个"生活圈核心"。这个生活圈核心就是几个候选地点之间距离最近的交叉点。

5.3 最终位置的"最后一公里"验证

筛选出候选点之后，剩下的就是"最后一公里"验证。我用的办法是回到地图街景，在候选点周边做一次地毯式搜索，寻找所有和动态照片或题图里一致的视觉元素。这一步要尤其注意细节：窗户扇数、墙面颜色、门头台阶数、空调外机的安装位置，每一个都是精细比对的点。

我当时最终确认了一个位置，是因为两点：一是从那里窗户望出去的景色，和动态里那张窗外照片高度吻合；二是楼下店铺招牌和题图里某个视觉特征一致。二者同时命中，就不是巧合了。此时答案已经呼之欲出，flag 按题目要求的格式提交即可。

注意：这里的每条推理都不是"确定性"单一的，而是多个弱线索叠加成强证据。单独一条可能被推翻，但五条汇聚在一个点上，几乎不会有别的解释。这就是交叉验证的力量。

6. 复盘之后：这套题留给我的工具与思考习惯

最后聊一些这套题之外的收获。做 OSINT 题，工具和技术在其次，方法论才是核心。方法论可以总结成一句我经常挂在嘴边的话：一切从公开信息出发，一切结论以交叉验证为准。

6.1 我常用的 OSINT 定位类工具清单

结合这套题，我整理了一份我实际用过的工具和用途，供参考。需要说明的是，工具不在多，顺手最重要：

这里必须强调一个通用习惯：任何工具的结果都只能算"候选线索"，不能直接当作答案。搜索引擎会给你相似图片的推测，但你要做的是回到地图或原文里去验证，而不是简单复制搜索结果。

6.2 踩坑记录：时间都浪费在了哪里

复盘这次做题，我浪费时间的三个点很像：

第一，在 EXIF 已经清空的情况下，我还是花了十几分钟反复确认文件里有没有隐藏数据。这个检查可以做，但应该控制在一次，不要反复做。

第二，反向图片搜索时，一开始截了整张图去搜，出来的都是无关图片。后来改成分块搜索，效率才上来。这个"整图 vs 分块"的差别，是很多初识 OSINT 的人最容易忽略的操作差异。

第三，在地图街景比对时，忘了切换时间版本，在错误的年份里浪费了大量时间。这个经验前面说过了，现在每次做地理比对，我都会先把时间轴过一遍。

6.3 边界意识：CTF 里的 OSINT 是演习，不是实战手册

我每次分享 OSINT 内容都会特别说明一句：CTF 里的 OSINT 题目是出题人精心构造的"人工场景"，所有人物、账号、地点都是虚构的，目的是训练思维方式。真实的开源情报分析，必须严格遵守法律法规和平台规则，不能使用任何非公开手段，也不能把技术用于刺探他人隐私。

这也是我在做这套题时反复告诫自己的——题目里越容易获得的"信息"，越是出题人希望我发现的信息；而现实世界中，每个人的隐私边界都需要被尊重。把 CTF 里学到的分析思路用到正规的渗透测试、事件溯源、威胁情报等合规工作中，才是这套题真正有价值的地方。

做完这套「探姬去哪了」，最大的收获其实不是那几个 flag。我发现自己从此看照片的习惯变了：先看文件属性，再看画面里的招牌、路牌、反射倒影；到一个新城市，会下意识地注意路灯样式和公交站牌的配色。这些习惯在 CTF 之外几乎无用武之地，但一旦再遇到任何"找地点"的题目，我至少知道从哪里下手。这就是这类型题训练的意义——它不会让你学会什么惊天动地的技能，但会让你对信息多一份敏感，对结论多一份谨慎。