PentestAgent：AI 渗透测试工作台

2026-5-26 09:37 766 0

摘要: 它的基本结构可以拆成五层：层级作用仓库位置TUI / CLI负责交互、命令入口、会话管理pentestagent/interface/Agent处理任务、调用 LLM、调度工具pentestagent/agents/Tools终端、浏览器、笔记、Web 搜索、MCP 子 Agentpentestagent/tools/...

关键词：Agent, Notes, PentestAgent, Docker, Shadow, GitHub, Runtime, GH05TCREW, Tools, Server

简介

PentestAgent 是 GH05TCREW 开源的 AI 渗透测试工具，定位是面向黑盒安全测试的 TUI Agent。它可以在终端界面里调用 LLM、浏览器、终端、笔记、MCP 工具和子 Agent，辅助完成授权范围内的安全测试流程。

项目地址：

https://github.com/GH05TCREW/pentestagent

技术原理

PentestAgent 的核心不是单纯“让模型回答渗透测试问题”，而是把模型放进一个可执行、可记忆、可扩展的运行环境里。

它的基本结构可以拆成五层：

层级	作用	仓库位置
TUI / CLI	负责交互、命令入口、会话管理	`pentestagent/interface/`
Agent	处理任务、调用 LLM、调度工具	`pentestagent/agents/`
Tools	终端、浏览器、笔记、Web 搜索、MCP 子 Agent	`pentestagent/tools/`
Runtime	本地或 Docker 中执行命令和浏览器动作	`pentestagent/runtime/`
Knowledge	RAG、Notes、Shadow Graph	`pentestagent/knowledge/`

在普通 Agent 模式下，用户给出任务，模型根据系统提示和历史上下文选择工具执行。工具返回结果后，Agent 再继续推理，直到任务完成或达到最大迭代次数。

在 Crew 模式下，Orchestrator 会管理 Worker Pool。它会根据任务拆分子任务，再让不同 Worker 执行。仓库里的 CrewOrchestrator 还会读取 notes，并把 notes 交给 Shadow Graph 生成策略提示。

这个设计让 PentestAgent 更像一个“带工作台的 AI 安全助手”，而不是一次性命令生成器。

四种工作模式

README 里给出了 4 种 TUI 模式：

模式	命令	适合场景
Assist	`/assist`	一次性辅助任务，执行工具后返回结果
Agent	`/agent`	单任务自主执行
Crew	`/crew`	多 Agent 协作，由 Orchestrator 分派 Worker
Interact	`/interact`	交互式引导，适合边测试边询问

TUI 里还提供了常用命令：

/target        设置目标
/tools               查看可用工具
/notes               查看保存的笔记
/report              从当前会话生成报告
/memory              查看 token / memory 使用
/conversations       浏览和恢复历史会话
/mcp       查看或添加 MCP 服务
/spawn               手动生成子 Agent
/despawn             终止子 Agent

其中 /conversations 比较实用。它会保存历史对话，支持回溯、分叉和恢复。对于安全测试这种长流程任务，这比一次性聊天窗口更适合复盘。

MCP 与子 Agent

PentestAgent 对 MCP 的支持分成两个方向。

第一，它可以消费外部 MCP Server，把第三方工具接入自身工具列表。例如 README 里给了 nmap MCP、Kali MCP、n8n MCP 的示例配置。

第二，它也可以把自己暴露成 MCP Server，让 Claude Desktop、Cursor 等 MCP 客户端远程调用它。

启动 STDIO MCP Server：

pentestagent mcp_server --type stdio

启动 SSE MCP Server：

pentestagent mcp_server --type sse --host 0.0.0.0 --port 8080

MCP Server 模式下，它暴露的能力包括任务执行、异步任务、任务查询、工具启停、会话历史、memory、日志和 metrics。

Kali MCP List

更关键的是 spawn_mcp_agent。这是一个内置工具，允许正在运行的 Agent 生成一个子 PentestAgent，并通过 stdio MCP 接回父 Agent。子 Agent 有自己的运行时、LLM client、会话历史和 notes store。

这种方式适合把大任务拆成多个隔离子任务。例如一个父 Agent 负责总体判断，两个子 Agent 分别跑不同网段的枚举任务。子 Agent 完成异步任务后，会通过通知唤醒父 Agent 读取结果。

RAG、Notes 与 Shadow Graph

PentestAgent 不是只靠上下文窗口记忆。

README 里列了三类知识能力：

能力	说明
RAG	把方法论、CVE、wordlist 放到 `pentestagent/knowledge/sources/` 后自动检索注入
Notes	Agent 把 credential、vulnerability、finding、artifact 等信息保存到 notes
Shadow Graph	Crew 模式下根据 notes 构建知识图谱，辅助发现关系和下一步动作

代码里的 ShadowGraph 使用 NetworkX。它会从 notes 中抽取 host、service、credential、finding、artifact 等节点，再建立 AUTH_ACCESS、HAS_SERVICE、RELATED_TO 等关系。

这对黑盒测试很重要。一次测试不会只有一个结果，常见情况是先拿到一个服务指纹，再发现一个凭据，再把凭据和另一个主机产生关联。Shadow Graph 的价值就在于把这些碎片连起来。

Playbook

PentestAgent 内置 attack playbooks，用来把特定测试类型拆成阶段化任务。

README 给出的运行方式：

pentestagent run -t example.com --playbook thp3_web

仓库里目前可以看到 thp3_web、thp3_network、thp3_recon 等 playbook。以 thp3_web 为例，它分成 Discovery 和 Exploitation 两个阶段，Discovery 关注技术栈、内容发现、参数点、认证会话机制；Exploitation 关注注入、XSS、权限绕过、SSTI、SSRF、反序列化、XXE、文件包含等类别。

这里要注意：playbook 是任务结构，不等于漏洞确认。实际结论仍需要人工复核和授权边界控制。

Playbook Demo

快速上手

PentestAgent 要求 Python 3.10+，并需要 OpenAI、Anthropic 或其他 LiteLLM 支持的模型 API Key。

克隆项目

git clone https://github.com/GH05TCREW/pentestagent.git
cd pentestagent

安装依赖

Linux / macOS：

./scripts/setup.sh

Windows：

.scriptssetup.ps1

也可以手动安装：

python -m venv venv
source venv/bin/activate
pip install -e ".[all]"
playwright install chromium

配置模型

使用 Anthropic：

ANTHROPIC_API_KEY=sk-ant-...
PENTESTAGENT_MODEL=claude-sonnet-4-20250514

使用 OpenAI：

OPENAI_API_KEY=sk-...
PENTESTAGENT_MODEL=gpt-5

README 写明它支持 LiteLLM 支持的模型，所以实际模型范围不只这两类。

启动 TUI

pentestagent

带目标启动：

pentestagent -t 192.168.1.1

使用 Docker 隔离运行工具：

pentestagent tui --docker

Docker 模式下，工具会在容器里运行。README 还提供了两个预构建镜像：基础镜像和 Kali 镜像。

docker run -it --rm 
  -e ANTHROPIC_API_KEY=your-key 
  -e PENTESTAGENT_MODEL=claude-sonnet-4-20250514 
  ghcr.io/gh05tcrew/pentestagent:latest

Kali 镜像包含更多安全工具：

docker run -it --rm 
  -e ANTHROPIC_API_KEY=your-key 
  ghcr.io/gh05tcrew/pentestagent:kali

n8n MCP Example

使用场景

1. 授权黑盒测试辅助

任务示例：在已授权目标上做信息收集、端口枚举、页面梳理、发现记录和报告整理。

技术要点：使用 Agent 或 Interact 模式，让模型调用 terminal、browser、notes 等工具。建议配合 Docker Runtime，把命令执行限制在容器环境内。

2. 多 Agent 分工

任务示例：父 Agent 负责总体方向，子 Agent 分别处理不同网段、不同服务或不同测试路径。

技术要点：通过 /spawn 或 spawn_mcp_agent 生成子 Agent。子 Agent 通过 MCP 工具接回父 Agent，并支持异步任务结果通知。

3. MCP 工具整合

任务示例：把 Kali MCP、MetasploitMCP、nmap MCP 或内部自研 MCP 工具接入同一个 TUI。

技术要点：在 mcp_servers.json 中配置外部 MCP Server。工具太多时，PentestAgent 会用 MCP RAG Tool Optimizer 按任务检索相关工具，减少上下文压力。

4. 安全测试过程复盘

任务示例：保存一次测试的对话、工具调用、笔记、发现和报告，用于团队复盘。

技术要点：会话历史会持久化保存，TUI 里可以用 /conversations 浏览和恢复。Notes 还能被 Agent 后续读取，继续补充上下文。

需要注意的点

第一，项目仍是 Alpha。pyproject.toml 里开发状态为 Development Status :: 3 - Alpha，不要直接把它当成成熟商用扫描平台。

第二，仓库没有提供公开 benchmark 数据。文章里的判断只基于项目介绍、代码结构和本地文件，不把功能状态夸大成实测效果。

结尾

PentestAgent 的重点在 TUI、MCP、子 Agent、RAG、Notes 和 Docker Runtime 这几块组合能力。

如果只是想找一个“问一句给一条命令”的工具，它可能显得偏重。但如果你关注 AI 安全测试工作台、MCP 工具编排和多 Agent 协作，它的架构值得拆开看。