Pentest-Swarm-AI

自主渗透测试的「蜂群时代」—— Pentest Swarm AI 深度解读

从「单兵作战」到「蜂群协作」

想象一下：你在参加一场 Bug Bounty，目标是一个拥有数千个子域名的庞大系统。传统做法是手动逐个扫描， Recon → 分类 → 利用 → 报告，全程靠一个安全研究员的经验和耐心。如今，AI 大模型已经足够强大，但大多数所谓的「AI 渗透测试工具」本质上不过是一个接一个调用函数的固定流水线——LLM 只负责「下一步做什么」，实际的执行仍然靠人。

Pentest Swarm AI 真正做了一件开创性的事：让多个 AI 智能体以**群居昆虫的信息素机制（Stigmergy）**协作，形成真正的分布式渗透测试蜂群。这不是营销噱头，而是有完整架构支撑的技术实现。

图1：Pentest Swarm AI 全景架构图（来源：GitHub 官方仓库）

背景故事：为什么需要「真·蜂群」架构

2026 年 4 月，Anthropic 发布 Claude Mythos，Frontier 推理能力跨过了一个关键阈值——模型本身不再是瓶颈。但与此同时，该模型也在一个月内暴露了数千个零日漏洞，覆盖所有主流操作系统和浏览器。瓶颈从模型转移到了工具链。 Pentest Swarm AI 正是为这样的模型量身打造的执行层。

项目由 Armur AI 团队开发，核心贡献者分布在安全研究和 AI 工程交叉领域。README 明确致敬了 PentestGPT（首个证明 LLM 可以做渗透测试的工具）、PentAGI（完全自主代理架构）、Strix（AI 黑客）等先驱项目，并做出了重要升级：从流水线到蜂群的架构跃迁。

核心技术：Stigmergic 信息素黑板

Pentest Swarm AI 的核心创新在于**共享黑板（Shared Blackboard）**机制，而非传统多智能体系统中的中央调度器。

传统多智能体（PentestGPT 等）： 一个规划器 LLM 按顺序决定下一步：Recon → Classifier → Exploit → Report。每个专业智能体被动等待指令，是典型的中央调度模式。

Pentest Swarm AI 的蜂群架构： 所有发现以「信息素（pheromone）」形式写入共享黑板 PostgreSQL + pgvector 数据库。每个智能体独立运行自己的触发谓词（trigger predicate），主动感知黑板状态而非被动等待指令。

例如：侦察智能体发现 PORT_OPEN → 信息素权重上升 → 分类智能体被触发（权重 > 0.2 时激活）→ 分类结果写入 CVE_MATCH → 利用智能体被触发（权重 > 0.5 时激活）→ 最终 CAMPAIGN_COMPLETE 触发报告智能体。

信息素的半衰期可配置：不同发现类型的热度衰减速度不同（PORT_OPEN 持续数小时，SESSION 仅几分钟）。这种机制让攻击路径自然涌现，而非预先规划。

四大专业智能体详解

1. 侦察智能体（Recon Agent）
调用 8 个 ProjectDiscovery 工具链：subfinder（子域名枚举）、httpx（HTTP探测）、nuclei（漏洞扫描）、naabu（端口扫描）、katana（爬虫）、dnsx（DNS探测）、gau（URL 历史）、nmap（深度扫描）。输出为 SUBDOMAIN、PORT_OPEN、HTTP_ENDPOINT 等发现类型。

2. 分类智能体（Classifier Agent）
将原始侦察发现映射到 CVE/CVSS 评分体系，输出 CVE_MATCH 和 MISCONFIGURATION。内置 false positive 过滤器（fp_filter.go），避免低质量发现污染黑板。

3. 利用智能体（Exploit Agent）
基于分类结果构建攻击链，包含三种执行模式：Allowlist（白名单命令，仅执行明确允许的操作）、Assist（AI 辅助，推荐但不禁用）和 Safemode（沙箱模拟）。核心逻辑在 executor.go 和 pathbuilder.go 中实现。

4. 报告智能体（Report Agent）
查询黑板状态，生成 Markdown、HTML、JSON 和 SARIF 格式报告。支持直接提交到 Bug Bounty 平台（HackerOne、BugCrowd、Intigriti）。内置去重（dedup.go）和质量门控（qualitygate）。

技术栈全解析

代码质量评估

项目在 Go 生态中展现出极高的工程水准：

• 完整测试覆盖：核心模块均有 _test.go 文件（executor、parser、prompts、retry、dedup 等），包括边界条件测试（executor_allowlist_test、executor_assist_test、executor_safemode_test）
• Prompt 安全工程：internal/prompts/ 模块包含拒绝重试（refusal.go）、智能重试（retry.go）、Prompt 工厂（factory.go）等专门处理 LLM 不可靠性的工程模块
• 内存污染防护：集成 MemoryGraft 检测器（memorygraft/detector.go），防止对抗性记忆注入攻击
• 完整 CI/CD：.air.toml（热重载）、.goreleaser.yaml（跨平台二进制发布）、GitHub Actions（SARIF 输出）
• 文档质量极高：README 超过 16000 字节，IMPLEMENTATION_PLAN 超过 90000 字节，包含完整的架构决策记录（ADR）

部署体验：一行命令即可上手

Pentest Swarm AI 提供了业界最友好的部署体验，三种方式：

# Docker 一行命令（推荐）
docker run --rm -e ANTHROPIC_API_KEY=sk-ant-***   ghcr.io/armur-ai/pentestswarm:latest   scan example.com --scope example.com

# Homebrew (macOS/Linux)
brew install Armur-Ai/tap/pentestswarm
pentestswarm scan example.com --scope example.com

# Go install
go install github.com/Armur-Ai/Pentest-Swarm-AI/cmd/pentestswarm@latest

Dockerfile 采用三阶段构建：Stage 1 编译 Go 二进制（~30MB）、Stage 2 预装 ProjectDiscovery 工具链、Stage 3 运行时镜像（~700MB，包含了所有安全工具）。最终镜像包含 nmap、sqlmap、nuclei 等 20+ 安全工具，无需额外安装。

争议与局限

1. Alpha 状态的蜂群调度器
Stigmergic swarm scheduler 目前标记为 Alpha（--swarm flag），黑板后端（Postgres）标记为 Beta，生产环境建议使用默认的顺序 5 阶段运行器（Sequential Runner）。

2. 云端 API 依赖
核心能力依赖 Claude Sonnet 4 或 Opus，Ollama 本地部署虽可用但质量降级，且本地模型需要手动拉取和配置。

3. AGPL-3.0 许可证
如果你计划将其作为付费 SaaS 服务提供，必须开源你的修改——这既是约束也是设计初衷。

4. 安全边界验证
虽然代码层面实现了双重边界检查（工具层 + 执行层），但建议在任何实际渗透测试前使用 pentestswarm doctor 进行 8 项系统健康检查，并理解工具的 scope 限制机制。

行业意义与未来路线

Pentest Swarm AI 代表了 AI 安全工具的一个转折点：从「LLM 建议，人来执行」到「LLM 规划，工具自动执行，蜂群自主协作」。其路线图规划了三个 Waves：Wave 2 将接入 Burp MCP、Metasploit、ZAP；Wave 3 计划用 Pentest-R1 配方微调专用渗透测试模型，并发布 Cybench/AutoPenBench 基准测试数据。

一句话总结： Pentest Swarm AI 是 AI 安全工具从「单兵工具」到「协作平台」演进的标志性作品，其 Stigmergic 黑板架构为多智能体安全系统提供了新的设计范式。

本报告基于 GitHub 仓库代码分析生成，图片素材来源于项目官方仓库。