secpipe
让 AI Agent 自主编排安全研究工作流的 MCP 元服务器，连接 36 个容器化安全工具（18
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
让 AI Agent 自主编排安全研究工作流的 MCP 元服务器，连接 36 个容器化安全工具（18
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
图1：FuzzingLabs 组织头像 — FuzzingLabs 是一家专注于 AppSec、漏洞研究和模糊测试的网络安全公司
想象这样一个场景：你拿到一个固件镜像，需要找出其中的安全漏洞。传统做法是手动运行 Binwalk 提取文件系统，再打开 YARA 扫描特征码，再调出 Radare2 追踪二进制漏洞，最后还要整理报告。整个流程走下来，可能要花上大半天。
SecPipe 做的事情，就是把这整条流水线交给 AI Agent。你只需要对 Copilot 或 Claude 说一句「扫描这个固件镜像」，它就会自动调用正确的工具、自动串联工作流、自动返回结果。整个过程不需要你敲一行命令。
这就是 FuzzingLabs 给出的答案：一个专为安全研究场景设计的 MCP（Model Context Protocol）服务器，让 AI 原生理解安全工具的工作方式，并能够自主编排复杂的安全研究工作流。
网络安全研究是一个高度碎片化的领域。安全研究员日常要跟几十种工具打交道：Nmap 做端口扫描、Nuclei 做漏洞 POC 检测、SQLMap 自动化注入、Radare2 做二进制逆向、Ghidra 做反编译、Trivy 扫描容器镜像……每种工具都有自己的 CLI 参数、输出格式和使用门槛。
这种碎片化带来两个核心问题： 第一，工具串联成本极高。 真实的安全研究从来不是单点扫描，而是需要将多个工具串联成流水线。比如固件分析：先用 Binwalk 提取 → YARA 扫描 → Radare2 逆向 → 漏洞报告。这条链路上的每一步都要手动操作，中途还要处理格式转换和数据传递。
第二，AI Agent 缺乏安全工具的上下文理解。 通用 AI 模型能写代码，但不理解 Binwalk 的 -e 参数怎么用、YARA 规则怎么写、Nuclei 的模板系统是怎么回事。给 Agent 一个模糊的指令（比如「扫一下这个网站」），它往往无法正确选择工具和参数。
FuzzingLabs 作为一家专注于漏洞研究和模糊测试的公司，积累了丰富的安全工具使用经验。他们在 2024 年启动了 SecPipe 项目（GitHub 仓库原名 secpipe_ai），目标是用 MCP 协议把安全工具封装成 AI Agent 可理解的工具集，让 Agent 能像专业安全研究员一样自主工作。
FuzzingLabs 团队背景深厚，他们同时维护了 mcp-security-hub 项目（575★），这是一个收录了 36 个容器化安全工具 MCP 服务器的集合，为 SecPipe 提供了开箱即用的工具生态。
SecPipe 的架构设计可以用一句话概括：一个 MCP 入口，无数个安全工具容器。
SecPipe 本身是一个 meta-MCP server（元 MCP 服务器）。它不直接执行安全操作，而是作为一个统一的 MCP 端点暴露给 AI Agent。Agent 通过 MCP 协议与 SecPipe 通信，SecPipe 再调度下层的 Hub 服务器。
这种设计有几个关键优势：
SecPipe 的工具能力来自 MCP Security Hub 项目，这是 FuzzingLabs 官方维护的安全工具 MCP 生态。Hub 将 36 种主流安全工具容器化，封装为标准 MCP 服务器，每个工具都提供一组离散的 AI Agent 可调用的工具函数。
Hub 的工具分类如下：
| 类别 | 服务器数 | 代表工具 |
|---|---|---|
| Recon 侦察 | 8 | Nmap、Masscan、Shodan、WhatWeb |
| Web 安全 | 6 | Nuclei、SQLMap、ffuf、Nikto |
| 二进制分析 | 6 | Radare2、Binwalk、YARA、Capa、Ghidra |
| 区块链 | 3 | Medusa、Solazy |
| 云安全 | 3 | Trivy、Prowler、RoadRecon |
| 代码安全 | 1 | Semgrep |
| 密钥检测 | 1 | Gitleaks |
| 模糊测试 | 2 | Boofuzz、Dharma |
| OSINT | 2 | Maigret、DNSTwist |
| 威胁情报 | 2 | VirusTotal、AlienVault OTX |
| 权限维持 | 1 | BloodHound |
| 其他 | 5 | Exploitation、密码破解等 |
总计超过 185 个独立工具函数，覆盖了安全研究的核心场景。
SecPipe 采用 Python monorepo 结构，使用 uv 工作空间管理多个子包：
FuzzingLabs/secpipe/
├── secpipe-mcp/ # MCP 服务器核心，暴露工具接口给 AI Agent
├── secpipe-cli/ # 命令行工具 + TUI 终端界面
├── secpipe-common/ # 共享类型定义、Podman 容器管理抽象
├── secpipe-tests/ # 集成测试套件
└── pyproject.toml # 根 workspace 配置，Python >= 3.14
这种模块化设计有几个考量：
secpipe-mcp）是纯后端逻辑，不依赖 TUI，可以让 Claude Code、Copilot 等 AI 工具直接调用。secpipe-cli）面向人工用户，提供交互式 TUI 界面（基于 textual 库）和命令式 CLI（基于 typer）。secpipe-common 统一封装了 Podman API 调用（依赖 podman Python 包），为 MCP 和 CLI 提供一致的容器生命周期管理。| 组件 | 技术选型 | 说明 |
|---|---|---|
| MCP 框架 | fastmcp 2.14.1 | 实现了 MCP 协议的服务端 SDK |
| 数据验证 | pydantic 2.12.4 | 所有接口参数和返回值均用 Pydantic 模型校验 |
| 日志框架 | structlog 25.x | 结构化日志，支持上下文追踪 |
| 容器运行时 | Podman（Docker 兼容） | Hub 工具的沙箱执行环境 |
| TUI 界面 | textual >= 1.0 | 交互式终端 UI 框架 |
| CLI 框架 | typer == 0.20 | 命令行接口生成 |
| 终端渲染 | rich >= 14.0 | 富文本输出、表格、进度条 |
| 构建工具 | uv | Astral 出品的极速 Python 包管理器 |
项目使用 Python 3.14+，这在当前（2025年中期）是一个较新的版本要求，表明项目紧跟 Python 最新特性。代码质量方面，项目配置了 ruff（格式化和 lint）、mypy（类型检查）、bandit（安全扫描），有较完善的工程化保障。
git clone https://github.com/FuzzingLabs/secpipe_ai.git
cd secpipe_ai
uv sync
安装完成后，还需要单独拉取 MCP Security Hub 并构建容器镜像：
git clone https://github.com/FuzzingLabs/mcp-security-hub ~/.secpipe/hubs/mcp-security-hub
./scripts/build-hub-images.sh
安装后，SecPipe 提供了一键配置脚本，将 MCP 服务器注册到主流 AI 编程工具：
# GitHub Copilot
uv run secpipe mcp install copilot
# Claude Code CLI
uv run secpipe mcp install claude-code
# Claude Desktop
uv run secpipe mcp install claude-desktop
# 验证连接状态
uv run secpipe mcp status
配置完成后，AI Agent 就能识别并调用 SecPipe 暴露的所有安全工具了。
对于不通过 AI Agent 的场景，SecPipe 提供了交互式终端 UI：
uv run secpipe ui
TUI 支持 Hub 服务器管理、工具发现、任务执行和结果查看。
用户："Search for vulnerabilities in firmware.bin"
Agent → Binwalk: Extract filesystem from firmware image
Agent → YARA: Scan extracted files for vulnerability patterns
Agent → Radare2: Trace dangerous function calls in prioritized binaries
Agent → Report: 8 vulnerabilities found (2 critical, 4 high, 2 medium)
这个流程完全由 Agent 自主决定工具调用顺序、参数配置和结果解析，用户只需要描述目标。
用户："Fuzz the blurhash crate for vulnerabilities"
Agent → Rust Analyzer: Identify fuzzable functions and attack surface
Agent → Harness Gen: Generate and validate fuzzing harnesses
Agent → Cargo Fuzzer: Run parallel coverage-guided fuzzing sessions
Agent → Crash Analysis: Deduplicate and triage discovered crashes
模糊测试传统上需要大量手动配置（编写 harness、设置并行任务、分析 crash），SecPipe 让 Agent 接管了这一整套流程。
1. Python 3.14 的版本门槛
Python 3.14 目前尚未成为主流发行版的默认版本，很多 Linux 发行版的包管理器还没有收录。这导致 SecPipe 的安装需要依赖 uv 手动管理 Python 环境，对习惯 pip install 的用户有一定学习成本。
2. 容器运行时的额外负担 SecPipe 的 Hub 工具全部运行在 Docker/Podman 容器中，这意味着每次首次调用一个工具都要拉取和构建镜像（约 GB 级别）。在没有良好网络的环境下，首次启动耗时较长。
3. BSL 1.1 许可证限制 SecPipe 采用 BSL 1.1（Business Source License），允许免费使用但限制商业化。对企业内部安全团队使用没有影响，但如果要将 SecPipe 集成到商业产品中，需要关注许可证条款。
4. Agent 的自主性问题 安全工具的错误调用可能产生破坏性后果（比如错误地对目标执行渗透测试）。在实际部署中，建议通过 TUI 或 MCP 配置限制工具的权限范围，避免 Agent 执行超出预期的危险操作。
SecPipe 的出现代表了 AI 安全工具的一个新兴方向：AI 原生的安全研究自动化。传统安全工具的设计假设用户是人类安全研究员，而 SecPipe 重新设计了接口层，让 AI Agent 能够理解和正确调用这些工具。
从行业视角看，这个方向有几个重要趋势：
工具 MCP 化：越来越多的安全工具正在被封装为 MCP 服务器。FuzzingLabs 的 mcp-security-hub 项目（575★）正在成为这个趋势的标杆生态。
Agent 驱动的工作流：安全研究正在从「人调用工具」向「人描述目标，Agent 编排工具」演进。这降低了安全研究的技术门槛，让非安全专业的开发者也能进行基本的安全检查。
本地优先：SecPipe 强调「Local First」——所有操作都在本地执行，不依赖云服务。这在敏感环境下（如企业内部网络安全审计）有独特价值。
模糊测试与 AI 的结合：SecPipe 的 Rust 模糊测试工作流展示了 AI 在测试用例生成和 crash 分析中的潜力，这是 DevSecOps 自动化的重要方向。
FuzzingLabs/secpipe 目前已有 797 stars，考虑到这是一个活跃开发中（BSL 1.1 早期版本）的项目，增长速度值得关注。其关联项目 mcp-security-hub（575 stars）也保持着健康的增长。