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。