pentest-ai：让 AI 替你打穿渗透测试的自动化渗透测试框架

一句话介绍

pentest-ai 是一款基于 AI Agent 的自动化渗透测试框架，开发者只需一条命令指向目标，它就能自动完成侦察、漏洞探测、权限维持、证据收集，并生成可直接提交的安全审计报告。支持 MCP（Model Context Protocol）协议，可无缝集成到 Claude Code、Cursor 等 AI 编程工具中，让安全研究员在 AI 辅助下完成专业级渗透测试。

背景故事：为什么渗透测试需要 AI？

传统渗透测试高度依赖人工经验——安全研究员需要手动操作 Nmap 端口扫描、Nikto 漏洞扫描、Burp Suite 抓包改包、SQLMap 注入验证等一系列工具，再将结果整理成报告。一场中型 Web 应用的渗透测试往往需要 3-5 人团队耗费数天。

随着 GPT-4、Claude 等大语言模型能力的爆发，安全社区开始探索用 AI Agent 自动化这一流程。0xSteph 作为安全研究员和 AI 工具爱好者，于 2023 年底发起了 pentest-ai 项目，核心思路是：不依赖云端 API 调用（BYO LLM，用户自备大模型），将真实攻击工具封装为 Agent 工具集，让 AI 自主决策攻击路径，而非简单地调用扫描器。

这一设计理念让它在同类工具（如 AutoGPT 安全分支、SecGPT）中脱颖而出。截至 2026 年初，该项目已获得 837 颗 GitHub Stars，被 OWASP 社区收录推荐。

核心功能：一条命令，完成全套渗透测试

1. 17 个专业 Agent，分工明确

pentest-ai 将渗透测试拆解为 17 个专业 Agent 子类，覆盖完整攻击链：

Agent	职责
`recon`	子域名枚举、端口扫描、CMS 识别
`web`	Web 漏洞探测（SQLi、XSS、CSRF）
`api_security`	REST/GraphQL API 安全测试
`browser`	浏览器自动化漏洞验证
`cloud`	AWS/GCP/Azure 云配置审计
`ad`	Active Directory 域渗透
`mobile`	Android/iOS 应用安全测试
`privesc`	权限提升策略生成
`exploit_chain`	多步骤攻击链串联
`poc_validator`	PoC 脚本生成与验证
`social_engineer`	钓鱼邮件模板生成
`llm_redteam`	对抗性 Prompt 注入测试
`vuln_scanner`	通用漏洞扫描器
`detection`	入侵检测规避策略
`credential_tester`	凭证暴力破解
`report`	自动化报告生成（JUnit XML / SARIF）

每个 Agent 继承自 BaseAgent，通过统一接口注册到 AgentRegistry，由 Orchestrator 统一调度。

2. 205+ 封装工具，60+ SPA 感知探针

工具层是 pentest-ai 的核心能力所在。tools/ 目录按领域划分为 binary（本地二进制工具）、network（Nmap 等）、web（HTTP 请求相关）、cloud、osint、password、wordlists 等子模块，所有工具均通过 ToolRegistry 注册。

其中 probes.py 实现了 60+ 个 SPA（单页应用）感知探针，专门针对现代 Web 应用中大量使用 JavaScript 动态渲染、GraphQL API、React/Vue 框架的挑战——传统扫描器往往对这类目标束手无策，而 pentest-ai 通过 Playwright 驱动真实浏览器执行探测，可以绕过前端框架直接发现漏洞。

3. MCP Server：让 Claude 直接帮你渗透

pentest-ai 最具创新性的设计是内置 FastMCP Server（mcp_server/server.py）。MCP（Model Context Protocol）是 Anthropic 提出的 AI 工具调用协议，pentest-ai 通过它将所有安全工具暴露给 Claude Code：

ptai mcp  # 启动 MCP Server

在 Claude Code 中，用户只需说「帮我审计 pentestai.xyz」，Claude 就会自动调用 mcp_server 中的工具，完成侦察、扫描、漏洞验证，最后生成报告——整个过程无需手动切换工具。这是第一个将完整渗透测试能力接入 AI 编程助手的开源项目。

4. Exploit Chaining：自动串联攻击路径

不同于单点漏洞扫描，pentest-ai 的 exploit_chain Agent 能够识别多个低危漏洞之间的关联性，自动生成多步攻击路径。例如：发现某站点的开放端口 22 → 枚举出 SSH 弱口令 → 通过私钥泄露发现内网另一台主机 → 最终拿下数据库。这种能力大幅提升了渗透测试的实战价值。

5. 本地化运行，零遥测

项目明确承诺：不向任何云端服务器发送数据，所有扫描过程在本地执行。这是渗透测试工具的基本伦理底线，也是安全研究员选择 pentest-ai 而非某些商业扫描 SaaS 的重要原因。

部署体验：开箱即用，多种模式

pentest-ai 提供四种 docker-compose profile，适配不同场景：

Profile	命令	用途
`default`	`docker compose up`	启动 MCP Server，作为 AI 工具
`dev`	`docker compose --profile dev up`	本地源码挂载，热重载，开发调试
`menu`	`docker compose --profile menu run`	交互式命令行菜单（类 hackingtool 风格）
`serve`	`docker compose --profile serve up`	HTTP REST API + Web Dashboard

多阶段 Dockerfile（python:3.12-slim 基础镜像 + prod/dev 双目标）确保生产镜像体积最小化。安装也极为简单：

pip install ptai        # 安装 CLI
ptai install           # 安装工具依赖（nmap、metasploit 等）
ptai scan target.com   # 开始扫描

局限与争议

法律风险：工具本身附带免责声明（AUP + Terms of Service），要求用户仅在获得明确授权的目标上使用。但开源代码无法防止滥用，这是所有攻击性安全工具的固有矛盾。
LLM 幻觉问题：AI Agent 在漏洞验证阶段可能产生误报（将正常功能误判为漏洞）或漏报（忽略边缘 case），专业安全研究员仍需人工复核。
工具生态锁定：依赖特定版本的安全工具链（Nmap、SQLMap、Burp Suite 等），在 macOS 或 Windows 上需要额外配置 Docker 环境。
stealth 模式不完善：detection Agent 提供基础规避策略，但面对成熟 IDS/IPS 系统（如 Zeek + Suricata 组合）仍有较大局限性。

技术架构解析

整体架构：五层设计

┌─────────────────────────────────────────┐
│  CLI / MCP Server / FastAPI (REST)       │  ← 接入层
├─────────────────────────────────────────┤
│  Orchestrator + AgentRegistry           │  ← 调度层
├─────────────────────────────────────────┤
│  17 个专业 Agent                        │  ← 业务层
├─────────────────────────────────────────┤
│  ToolRegistry + 205+ 封装工具           │  ← 工具层
├─────────────────────────────────────────┤
│  LiteLLM（多 LLM 路由）/ httpx / SQLite │  ← 基础设施
└─────────────────────────────────────────┘

关键设计亮点

1. LiteLLM 统一路由：通过 LiteLLM 封装所有 LLM 提供商（OpenAI、Anthropic、Azure、Ollama 等），用户只需配置一个 API Key，pentest-ai 自动选择最优模型。

2. Playwright 驱动浏览器：browser Agent 使用 Playwright 操控真实 Chrome/Firefox 浏览器，可以执行 JavaScript、填写表单、等待 AJAX 完成——这是传统 HTTP 扫描器无法实现的 SPA 测试能力。

3. HITL（Human-in-the-Loop）：对于高危操作（如命令注入、RCE 利用），hitl.py 实现人工审批流程，防止 AI 自行执行不可逆破坏。

4. SARIF/JUnit XML 报告：junit_xml.py 和 sarif.py 生成标准化安全报告格式，可直接导入 GitHub Security、Semgrep、Jira 等平台。

5. 完整测试套件：tests/ 目录使用 pytest + pytest-asyncio，CI 配置在 .github/workflows/ci.yml，预提交钩子（pre-commit）包含 gitleaks（防止 secrets 泄露）和 ruff（代码风格）。

总结与评价

维度	评分	说明
功能完整性	★★★★★	覆盖完整渗透测试攻击链，205+ 工具
架构设计	★★★★☆	模块化清晰，MCP 协议创新性强
文档质量	★★★★☆	README 详细，但高级用法文档偏少
社区活跃度	★★★★☆	持续更新，Discord 社区活跃
上手难度	★★★☆☆	Docker 部署简单，CLI 菜单友好

pentest-ai 代表了 AI 安全工具的一个重要方向：用 AI Agent 重新定义渗透测试的工作流，而非简单地将扫描器包装成 API。对于安全研究员，它是一个强力助手；对于 AI 开发者，它是研究 AI + Security 交叉领域的优秀参考项目。随着 MCP 生态的扩大，预计未来会有更多安全工具接入这一协议，形成 AI-native 的安全测试工作流。

pentest-ai：让 AI 替你打穿渗透测试的自动化渗透测试框架

一句话介绍

背景故事：为什么渗透测试需要 AI？

这一设计理念让它在同类工具（如 AutoGPT 安全分支、SecGPT）中脱颖而出。截至 2026 年初，该项目已获得 837 颗 GitHub Stars，被 OWASP 社区收录推荐。

核心功能：一条命令，完成全套渗透测试

1. 17 个专业 Agent，分工明确

pentest-ai 将渗透测试拆解为 17 个专业 Agent 子类，覆盖完整攻击链：

Agent	职责
`recon`	子域名枚举、端口扫描、CMS 识别
`web`	Web 漏洞探测（SQLi、XSS、CSRF）
`api_security`	REST/GraphQL API 安全测试
`browser`	浏览器自动化漏洞验证
`cloud`	AWS/GCP/Azure 云配置审计
`ad`	Active Directory 域渗透
`mobile`	Android/iOS 应用安全测试
`privesc`	权限提升策略生成
`exploit_chain`	多步骤攻击链串联
`poc_validator`	PoC 脚本生成与验证
`social_engineer`	钓鱼邮件模板生成
`llm_redteam`	对抗性 Prompt 注入测试
`vuln_scanner`	通用漏洞扫描器
`detection`	入侵检测规避策略
`credential_tester`	凭证暴力破解
`report`	自动化报告生成（JUnit XML / SARIF）

每个 Agent 继承自 BaseAgent，通过统一接口注册到 AgentRegistry，由 Orchestrator 统一调度。

2. 205+ 封装工具，60+ SPA 感知探针

3. MCP Server：让 Claude 直接帮你渗透

ptai mcp  # 启动 MCP Server

4. Exploit Chaining：自动串联攻击路径

5. 本地化运行，零遥测

部署体验：开箱即用，多种模式

pentest-ai 提供四种 docker-compose profile，适配不同场景：

Profile	命令	用途
`default`	`docker compose up`	启动 MCP Server，作为 AI 工具
`dev`	`docker compose --profile dev up`	本地源码挂载，热重载，开发调试
`menu`	`docker compose --profile menu run`	交互式命令行菜单（类 hackingtool 风格）
`serve`	`docker compose --profile serve up`	HTTP REST API + Web Dashboard

多阶段 Dockerfile（python:3.12-slim 基础镜像 + prod/dev 双目标）确保生产镜像体积最小化。安装也极为简单：

pip install ptai        # 安装 CLI
ptai install           # 安装工具依赖（nmap、metasploit 等）
ptai scan target.com   # 开始扫描

局限与争议

法律风险：工具本身附带免责声明（AUP + Terms of Service），要求用户仅在获得明确授权的目标上使用。但开源代码无法防止滥用，这是所有攻击性安全工具的固有矛盾。
LLM 幻觉问题：AI Agent 在漏洞验证阶段可能产生误报（将正常功能误判为漏洞）或漏报（忽略边缘 case），专业安全研究员仍需人工复核。
工具生态锁定：依赖特定版本的安全工具链（Nmap、SQLMap、Burp Suite 等），在 macOS 或 Windows 上需要额外配置 Docker 环境。
stealth 模式不完善：detection Agent 提供基础规避策略，但面对成熟 IDS/IPS 系统（如 Zeek + Suricata 组合）仍有较大局限性。

技术架构解析

整体架构：五层设计

┌─────────────────────────────────────────┐
│  CLI / MCP Server / FastAPI (REST)       │  ← 接入层
├─────────────────────────────────────────┤
│  Orchestrator + AgentRegistry           │  ← 调度层
├─────────────────────────────────────────┤
│  17 个专业 Agent                        │  ← 业务层
├─────────────────────────────────────────┤
│  ToolRegistry + 205+ 封装工具           │  ← 工具层
├─────────────────────────────────────────┤
│  LiteLLM（多 LLM 路由）/ httpx / SQLite │  ← 基础设施
└─────────────────────────────────────────┘

关键设计亮点

1. LiteLLM 统一路由：通过 LiteLLM 封装所有 LLM 提供商（OpenAI、Anthropic、Azure、Ollama 等），用户只需配置一个 API Key，pentest-ai 自动选择最优模型。

3. HITL（Human-in-the-Loop）：对于高危操作（如命令注入、RCE 利用），hitl.py 实现人工审批流程，防止 AI 自行执行不可逆破坏。

4. SARIF/JUnit XML 报告：junit_xml.py 和 sarif.py 生成标准化安全报告格式，可直接导入 GitHub Security、Semgrep、Jira 等平台。

总结与评价

维度	评分	说明
功能完整性	★★★★★	覆盖完整渗透测试攻击链，205+ 工具
架构设计	★★★★☆	模块化清晰，MCP 协议创新性强
文档质量	★★★★☆	README 详细，但高级用法文档偏少
社区活跃度	★★★★☆	持续更新，Discord 社区活跃
上手难度	★★★☆☆	Docker 部署简单，CLI 菜单友好