EVA — Exploit Vector Agent：AI驱动的渗透测试导航员

定位：AI 辅助渗透测试 Agent | 语言：Python | 许可：MIT
GitHub：ARCANGEL0/EVA | Star：407★ | Fork：76

1. 场景切入：为什么需要 EVA？

某天你在 CTF 靶场里拿到了一个低权限 Shell，面对一台陌生的 Linux 主机，脑子里闪过一连串问题：该从哪开始？用哪些命令枚举？漏洞优先级怎么排？手工一条条敲命令、分析输出、查 CVE……效率低下，还容易遗漏。

EVA 就是为解决这个问题而生的：它扮演一个经验丰富的红队助手，接入 AI 大模型的能力，自动解析你的命令输出、识别攻击路径、推荐下一步操作，并直接生成可执行的命令序列。它不是替你完成渗透测试，而是给你指路，让你少走弯路。

2. 背景与起源

EVA 由独立开发者 ARCANGEL0 构建，定位为开源社区版的"AI 渗透测试副驾驶"。作者同时维护了另一个项目 NekoCLI，两者在架构上有一定技术传承。

项目明确声明适用范围：CTF、Labs、以及你拥有合法授权的安全测试环境。首次启动时会强制用户确认授权条款，未经授权的渗透行为是违法的，这是 EVA 自身也明确标注的边界。

项目采用 MIT 许可证开源，当前版本 3.5，在 GitHub 上积累了 407 颗星、76 个 Fork、20 个 Topics 标签，涵盖 AI Agent、Cybersecurity、Offensive Security 等多个领域，说明其定位精准——垂直于 AI × 安全赛道的工具类项目。

3. 核心功能：EVA 是如何工作的？

3.1 会话管理与多后端 AI 支持

EVA 支持六种 AI 后端接入，这是它最大的灵活性所在：

Ollama（本地）：推荐使用 ALIENTELLIGENCE/whiterabbitv2 模型，无需联网、数据本地处理，适合隐私敏感的渗透测试场景。配合 Ollama 本地部署，支持一键安装。
OpenAI GPT：通过 OPENAI_API_KEY 配置，支持 GPT-4 等商业模型。
Anthropic Claude：通过 ANTHROPIC_API_KEY 配置，支持 Claude 3.5 Sonnet。
Google Gemini：通过 GEMINI_API_KEY 配置，支持 Gemini 2.0 Flash。
G4F.dev（免费）：通过 gpt4free.workers.dev 接口，免费尝鲜 GPT 类模型，但速度和稳定性有限。
Custom API：用户可自行配置任意兼容 OpenAI 接口格式的 API 端点，扩展性极强。

用户首次运行时，EVA 会引导配置 API Key；Ollama 用户还需要安装并运行 Ollama 服务。

3.2 渗透测试工作流

EVA 按照标准渗透测试流程引导用户，分阶段递进：

① 目标定义：用户输入目标 IP/域名。
② AI 攻击策略生成：基于目标情报，AI 分析并给出攻击路径规划。
③ 信息收集（Reconnaissance）：AI 推荐扫描命令，如 nmap、masscan、rustscan，并分析输出结果。
④ 漏洞评估（Vulnerability Assessment）：对识别到的服务进行 CVE 漏洞匹配，结合 NVD、Vulners、Exploit-DB、CISA KEV 四大漏洞情报源查询。
⑤ 利用规划（Exploitation Planning）：基于漏洞优先级制定利用方案。
⑥ 权限提升（Privilege Escalation）：进入后利用阶段，分析提权路径。
⑦ 报告生成：完成后自动导出 HTML 格式渗透测试报告。

这是一个完整的闭环，而非单点工具。

3.3 漏洞情报搜索（Vulnerability Intelligence）

EVA 内置了强大的漏洞情报模块 modules/exploit_search.py，集成多个权威数据源：

NVD（美国国家漏洞数据库）：通过 NIST NVD API 查询 CVE 详情。
Vulners.com：综合性漏洞搜索引擎，支持 CVE、exploit、shellcode 关联。
Exploit-DB：调用 searchsploit 本地数据库，搜索公开利用代码。
CISA KEV（已知利用漏洞目录）：美国网络安全和基础设施安全局维护的已遭利用漏洞列表，优先级极高。
GitHub 代码搜索：对目标服务版本进行 GitHub 仓库级别搜索，找到相关 exploit。

漏洞搜索还支持新鲜度加权——近两年内的漏洞会获得额外的权重加成，帮助优先处理最新威胁。

3.4 命令执行与安全控制

EVA 并不是直接执行任意 AI 生成的命令——modules/tooling.py 实现了严格的白名单控制机制：

工具白名单：预定义了大量渗透测试工具（nmap、masscan、nikto、sqlmap、hydra、msfconsole 等），AI 只能生成白名单内工具的命令。
路径自动补全：用户指定 wordlist 路径时，EVA 会自动从 /usr/share/ 目录查找并补全，避免路径错误。
sudo 自动提升：nmap、masscan、tcpdump 等需要 root 权限的工具自动加 sudo，且支持密码自动注入。
禁止的命令过滤：Shell 条件语句（if/while/for）、管道重定向等复杂语法被过滤，防止注入攻击。
输出脱敏：敏感凭据（环境变量中的密码/Token/key）自动替换为 ***。

这套机制保证了 EVA 在引导辅助和安全控制之间取得平衡。

3.5 攻击地图可视化

modules/attack_map.py 实现了攻击路径可视化功能，能根据扫描结果自动生成攻击地图（Attack Map），帮助渗透测试人员直观理解目标网络的攻击面。生成的地图文件保存在 ~/EVA_data/attack_maps/ 目录。

4. 代码架构分析

4.1 模块化设计

项目代码结构清晰，采用分层模块化架构：

模块	职责
`eva.py`	CLI 入口，参数解析，初始化
`modules/llm.py`	AI 后端调用封装，支持多 Provider 流式输出
`modules/prompt_builder.py`	系统 Prompt 构建，定义 AI 角色和行为规范
`modules/exploit_search.py`	漏洞情报多源搜索
`modules/vuln_intel.py`	服务版本识别 + 漏洞关联
`modules/attack_map.py`	攻击路径分析与可视化
`modules/tooling.py`	命令白名单、安全过滤、路径补全
`modules/workflow.py`	渗透测试流程状态管理
`modules/reporting.py`	HTML/PDF 报告生成
`sessions/eva_session.py`	会话状态管理、命令执行循环
`utils/`	配置加载、系统工具、UI 渲染

整体约 170KB Python 代码（不含依赖），代码量适中，逻辑清晰。

4.2 AI 交互协议

EVA 通过 modules/prompt_builder.py 定义了严格的 AI Prompt 规范：

AI 输出必须为 JSON 格式（严格模式），包含 analysis（分析结论）、commands（下一步命令数组）两个必填字段。
analysis 字段进一步结构化为 TARGET_SITREP（目标态势）、FINDINGS（发现）、NEXT_MOVE（下一步行动）、OPERATOR_NOTE（操作提示）。
AI 被约束在"授权 CTF/Lab 环境"的角色设定下，通过系统 Prompt 防止越界行为。
支持流式输出（Streaming），命令执行结果实时展示，提升交互体验。

4.3 数据流

典型渗透测试会话的数据流如下：

用户输入目标 → sessions/eva_session.py 接收 → modules/workflow.py 构建上下文 → modules/llm.py 调用 AI → AI 返回 JSON 命令 → modules/tooling.py 安全过滤 → Shell 执行 → 输出结果 → modules/vuln_intel.py + modules/exploit_search.py 漏洞匹配 → 再次输入 LLM 分析 → 循环直到完成。

4.4 依赖管理

仅三个直接依赖：colorama（跨平台彩色终端输出）、openai（OpenAI API 客户端）、requests（HTTP 请求）。最小化依赖，减少环境配置复杂度，符合工具类项目的最佳实践。

值得注意的是，eva.py 启动时自动检测并安装缺失依赖，无需用户手动 pip install，进一步降低了上手门槛。

5. 部署与上手

5.1 安装方式

方式一（推荐）：pip 一键安装

pip install eva-exploit
eva

方式二：Git 克隆

git clone https://github.com/ARCANGEL0/EVA.git
cd EVA
chmod +x eva.py
./eva.py
# 或加入 PATH
sudo mv eva.py /usr/local/bin/eva

Ollama 本地模型（可选但推荐）：

curl -fsSL https://ollama.ai/install.sh | sh
ollama pull ALIENTELLIGENCE/whiterabbitv2

5.2 配置 API Key

首次运行时，EVA 会引导用户配置 AI 后端。如果选择 Ollama，还需要先安装并启动 Ollama 服务。配置信息保存在 ~/EVA_data/config.py。

5.3 部署难度评估

容器化支持：无 Dockerfile，无 docker-compose，不支持一键容器部署。
Web UI：无，纯 CLI 交互。
硬件需求：无 GPU 要求，1GB RAM + 200MB 磁盘即可。
Python 版本：需要 Python >= 3.10。
整体难度：中等（主要门槛在于理解渗透测试流程和配置 AI API Key）。

6. 局限性与争议

6.1 安全边界问题

EVA 本身在工具层有命令白名单保护，但 Prompt 层面依赖于用户自行遵守授权约束。如果用户通过 Custom API 接入更强的模型，理论上存在 Prompt 注入绕过安全过滤的可能性。项目作者在文档中明确强调了合法使用的重要性，但技术层面没有强制执行手段。

6.2 API Key 安全

API Key 以明文形式存储在 config.py 中（~/EVA_data/config.py），且 config.py 中默认值均为 *** 占位符。如果用户在同一台机器上与其他应用共享配置，可能存在 Key 泄露风险。建议用户使用环境变量而非明文配置文件存储 API Key。

6.3 无容器化

作为安全工具，EVA 本身缺乏 Docker 容器化支持，这反而带来了一个悖论——很多安全测试环境本身就是容器化的（如 Kali Linux Docker），用户需要在容器内再手动配置 Python 环境。对于追求"开箱即用"的用户来说，这是一个遗憾。

6.4 报告局限性

当前报告仅支持 HTML 格式导出，无 PDF 原生支持（依赖系统是否安装 wkhtmltopdf）。报告内容覆盖了渗透测试各阶段的命令记录、发现和凭据，但不包含截图等视觉证据，专业报告场景下需要人工补充。

7. 行业意义与生态定位

7.1 AI × 安全工具赛道

EVA 属于AI Agent for Cybersecurity 细分赛道的代表性开源项目。随着 LLM 在代码理解和推理能力上的提升，"AI 辅助渗透测试"正从概念走向实用。EVA 的出现填补了开源社区在这一领域的空白，与 Commercial 产品（如 PentestGPT、Co-Agent）形成互补。

从增长数据看，项目 stars 在 2026-06 达到 406-407，20 个精准 Topics 标签说明其定位清晰、用户认知一致，没有"什么都想做"的通病。

7.2 与同类项目对比

PentestGPT（GitHub: GollumHome/pentest-gpt）：更偏向 GPT 驱动的全流程渗透测试框架，但依赖 OpenAI API，本地化支持不如 EVA。
AutoGPT 安全模式：通用 AutoGPT 框架在安全场景下的适配，灵活性高但针对性弱。
EVA 的差异化优势：多后端支持（6种）+ 内置漏洞情报集成 + 命令白名单安全控制，三位一体，工具链完整。

7.3 发展方向

基于代码分析，EVA 未来可能的演进方向包括：

Docker 支持：社区呼声最高的改进，容器化部署可大幅提升易用性。
Web UI：降低非 CLI 用户的使用门槛。
多目标同时渗透：当前版本聚焦单目标，扩展到多目标并行是自然演进。
报告格式增强：支持 Markdown、PDF 原生导出。
CVE 自动利用验证：与 Metasploit Framework 深度集成，自动验证漏洞可利用性。

总结：EVA 是一个设计精良的 AI 辅助渗透测试导航工具，通过多后端 AI 集成、严格的安全控制机制和完整的渗透测试工作流，为安全从业人员提供了一个可靠的"AI 副驾驶"。尽管缺乏容器化和 Web UI 支持，但其纯 CLI 的轻量化设计反而契合了专业安全工具的定位，适合有一定渗透测试基础的用户快速上手。

EVA — Exploit Vector Agent：AI驱动的渗透测试导航员

定位：AI 辅助渗透测试 Agent | 语言：Python | 许可：MIT
GitHub：ARCANGEL0/EVA | Star：407★ | Fork：76

1. 场景切入：为什么需要 EVA？

2. 背景与起源

EVA 由独立开发者 ARCANGEL0 构建，定位为开源社区版的"AI 渗透测试副驾驶"。作者同时维护了另一个项目 NekoCLI，两者在架构上有一定技术传承。

3. 核心功能：EVA 是如何工作的？

3.1 会话管理与多后端 AI 支持

EVA 支持六种 AI 后端接入，这是它最大的灵活性所在：

Ollama（本地）：推荐使用 ALIENTELLIGENCE/whiterabbitv2 模型，无需联网、数据本地处理，适合隐私敏感的渗透测试场景。配合 Ollama 本地部署，支持一键安装。
OpenAI GPT：通过 OPENAI_API_KEY 配置，支持 GPT-4 等商业模型。
Anthropic Claude：通过 ANTHROPIC_API_KEY 配置，支持 Claude 3.5 Sonnet。
Google Gemini：通过 GEMINI_API_KEY 配置，支持 Gemini 2.0 Flash。
G4F.dev（免费）：通过 gpt4free.workers.dev 接口，免费尝鲜 GPT 类模型，但速度和稳定性有限。
Custom API：用户可自行配置任意兼容 OpenAI 接口格式的 API 端点，扩展性极强。

用户首次运行时，EVA 会引导配置 API Key；Ollama 用户还需要安装并运行 Ollama 服务。

3.2 渗透测试工作流

EVA 按照标准渗透测试流程引导用户，分阶段递进：

这是一个完整的闭环，而非单点工具。

3.3 漏洞情报搜索（Vulnerability Intelligence）

EVA 内置了强大的漏洞情报模块 modules/exploit_search.py，集成多个权威数据源：

NVD（美国国家漏洞数据库）：通过 NIST NVD API 查询 CVE 详情。
Vulners.com：综合性漏洞搜索引擎，支持 CVE、exploit、shellcode 关联。
Exploit-DB：调用 searchsploit 本地数据库，搜索公开利用代码。
CISA KEV（已知利用漏洞目录）：美国网络安全和基础设施安全局维护的已遭利用漏洞列表，优先级极高。
GitHub 代码搜索：对目标服务版本进行 GitHub 仓库级别搜索，找到相关 exploit。

漏洞搜索还支持新鲜度加权——近两年内的漏洞会获得额外的权重加成，帮助优先处理最新威胁。

3.4 命令执行与安全控制

EVA 并不是直接执行任意 AI 生成的命令——modules/tooling.py 实现了严格的白名单控制机制：

工具白名单：预定义了大量渗透测试工具（nmap、masscan、nikto、sqlmap、hydra、msfconsole 等），AI 只能生成白名单内工具的命令。
路径自动补全：用户指定 wordlist 路径时，EVA 会自动从 /usr/share/ 目录查找并补全，避免路径错误。
sudo 自动提升：nmap、masscan、tcpdump 等需要 root 权限的工具自动加 sudo，且支持密码自动注入。
禁止的命令过滤：Shell 条件语句（if/while/for）、管道重定向等复杂语法被过滤，防止注入攻击。
输出脱敏：敏感凭据（环境变量中的密码/Token/key）自动替换为 ***。

这套机制保证了 EVA 在引导辅助和安全控制之间取得平衡。

3.5 攻击地图可视化

4. 代码架构分析

4.1 模块化设计

项目代码结构清晰，采用分层模块化架构：

模块	职责
`eva.py`	CLI 入口，参数解析，初始化
`modules/llm.py`	AI 后端调用封装，支持多 Provider 流式输出
`modules/prompt_builder.py`	系统 Prompt 构建，定义 AI 角色和行为规范
`modules/exploit_search.py`	漏洞情报多源搜索
`modules/vuln_intel.py`	服务版本识别 + 漏洞关联
`modules/attack_map.py`	攻击路径分析与可视化
`modules/tooling.py`	命令白名单、安全过滤、路径补全
`modules/workflow.py`	渗透测试流程状态管理
`modules/reporting.py`	HTML/PDF 报告生成
`sessions/eva_session.py`	会话状态管理、命令执行循环
`utils/`	配置加载、系统工具、UI 渲染

整体约 170KB Python 代码（不含依赖），代码量适中，逻辑清晰。

4.2 AI 交互协议

EVA 通过 modules/prompt_builder.py 定义了严格的 AI Prompt 规范：

AI 输出必须为 JSON 格式（严格模式），包含 analysis（分析结论）、commands（下一步命令数组）两个必填字段。
analysis 字段进一步结构化为 TARGET_SITREP（目标态势）、FINDINGS（发现）、NEXT_MOVE（下一步行动）、OPERATOR_NOTE（操作提示）。
AI 被约束在"授权 CTF/Lab 环境"的角色设定下，通过系统 Prompt 防止越界行为。
支持流式输出（Streaming），命令执行结果实时展示，提升交互体验。

4.3 数据流

典型渗透测试会话的数据流如下：

4.4 依赖管理

值得注意的是，eva.py 启动时自动检测并安装缺失依赖，无需用户手动 pip install，进一步降低了上手门槛。

5. 部署与上手

5.1 安装方式

方式一（推荐）：pip 一键安装

pip install eva-exploit
eva

方式二：Git 克隆

git clone https://github.com/ARCANGEL0/EVA.git
cd EVA
chmod +x eva.py
./eva.py
# 或加入 PATH
sudo mv eva.py /usr/local/bin/eva

Ollama 本地模型（可选但推荐）：

curl -fsSL https://ollama.ai/install.sh | sh
ollama pull ALIENTELLIGENCE/whiterabbitv2

5.2 配置 API Key

首次运行时，EVA 会引导用户配置 AI 后端。如果选择 Ollama，还需要先安装并启动 Ollama 服务。配置信息保存在 ~/EVA_data/config.py。

5.3 部署难度评估

容器化支持：无 Dockerfile，无 docker-compose，不支持一键容器部署。
Web UI：无，纯 CLI 交互。
硬件需求：无 GPU 要求，1GB RAM + 200MB 磁盘即可。
Python 版本：需要 Python >= 3.10。
整体难度：中等（主要门槛在于理解渗透测试流程和配置 AI API Key）。

6. 局限性与争议

6.1 安全边界问题

6.2 API Key 安全

6.3 无容器化

6.4 报告局限性

7. 行业意义与生态定位

7.1 AI × 安全工具赛道

从增长数据看，项目 stars 在 2026-06 达到 406-407，20 个精准 Topics 标签说明其定位清晰、用户认知一致，没有"什么都想做"的通病。

7.2 与同类项目对比

PentestGPT（GitHub: GollumHome/pentest-gpt）：更偏向 GPT 驱动的全流程渗透测试框架，但依赖 OpenAI API，本地化支持不如 EVA。
AutoGPT 安全模式：通用 AutoGPT 框架在安全场景下的适配，灵活性高但针对性弱。
EVA 的差异化优势：多后端支持（6种）+ 内置漏洞情报集成 + 命令白名单安全控制，三位一体，工具链完整。

7.3 发展方向

基于代码分析，EVA 未来可能的演进方向包括：

Docker 支持：社区呼声最高的改进，容器化部署可大幅提升易用性。
Web UI：降低非 CLI 用户的使用门槛。
多目标同时渗透：当前版本聚焦单目标，扩展到多目标并行是自然演进。
报告格式增强：支持 Markdown、PDF 原生导出。
CVE 自动利用验证：与 Metasploit Framework 深度集成，自动验证漏洞可利用性。