pentest-copilot
bugbasesecurity/pentest-copilot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
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。
想象一下这样一个场景：你在HackerOne上接了一个赏金任务，面对的是一个全新的目标资产。按照传统流程，你需要先做信息收集、端口扫描、Web指纹识别、漏洞探测……这些重复性工作可能要消耗掉你数小时甚至数天。但现在，你只需要在对话框里输入目标地址，然后喝着咖啡等待——AI代理会像一位经验丰富的渗透测试工程师一样，自动化地完成这一切，甚至还会把发现的安全问题整理成报告。
这就是 Pentest Copilot 正在做的事。它由网络安全公司 BugBase 开发，是一个开源的AI驱动渗透测试代理（AI-Powered Penetration Testing Agent），通过连接到一个Kali Linux攻击容器，让AI自主运行安全工具、读取输出、做出决策并循环迭代。你描述目标，剩下的全部交给它。
传统渗透测试高度依赖人工操作和安全工具链的熟练运用。测试人员需要在Nmap、Burp Suite、SQLMap、FFuf等数十种工具之间来回切换，并手动解读每个工具的输出结果。这一过程不仅耗时，而且对操作者的技术经验要求极高——新手往往不知道下一步该做什么，而即使是有经验的工程师，在面对大型目标时也容易被海量的工具输出淹没，错过关键漏洞。
BugBase团队敏锐地捕捉到了这一痛点。他们在2024年9月发表的arXiv论文《Hacking, the lazy way: LLM augmented pentesting》中系统阐述了一个核心观点：大型语言模型（LLM）完全有能力理解渗透测试的工作流程，并在真实环境中自主执行多轮迭代的安全测试。这篇论文为Pentest Copilot奠定了理论基础。2025年3月，项目正式开源，迅速在安全社区引发关注，截止2026年7月已积累超过1000颗GitHub星标、214个Fork，项目的核心贡献者Dhruva Goyal、Aditya Peela和Sitaraman Subramanian也持续活跃在安全研究一线。
项目的主题标签精准地概括了其定位：ai、cybersecurity、cyllms、pentesting。它既是一个AI应用，也是一个网络安全工具，同时也是一个LLM应用的研究级实验场。
Pentest Copilot的技术架构可以分为三个层次来理解。
项目的"大脑"是一个自主的AI Agent，采用了标准的LLM Agent设计模式。Agent接收用户输入的目标信息后，通过一个大语言模型（默认支持OpenAI/Anthropic/Google/Mistral等多种提供商，也兼容任何OpenAI兼容的API端点）进行推理决策。每次决策循环中，Agent可以选择调用哪些工具来执行命令、读取输出，然后根据结果决定下一步行动。系统默认允许最多25次迭代（一个"Turn"），足够覆盖一个中等复杂度目标的完整渗透测试路径。
在执行过程中，Agent有4种角色区分：main（主Agent）、subagent（子Agent，用于并行任务）、swarm_agent（Swarm群体Agent）、orchestrator（编排器）。这种角色分离确保了工具权限的精细控制——例如只有某些角色才能调用敏感操作。
整个系统的能力通过一个**工具注册表（Tool Registry）**来管理。backend/src/tools/registry.ts是核心文件，从中可以看到项目实现了极其丰富的工具集：
run_bash（在Kali容器中执行Bash命令）、run_python_script（执行Python脚本）、run_install_tool（自动安装所需安全工具）spawn_shell（创建新Shell会话）、write_to_shell（写入命令）、read_shell（读取输出）、list_shells（列出活跃Shell）、close_shell（关闭Shell）google_search（AI自主搜索公开信息）、spawn_subagent（并行启动子Agent）report_finding（记录发现）、check_findings（查看已有发现）、update_engagement_state（更新测试状态）每个工具都有独立的Handler文件（位于backend/src/tools/handlers/目录），实现了ToolDefinition接口，包括工具名称、描述、参数schema、是否需要用户授权确认（requiresConsent）、超时设置等属性。
backend/src/capabilities/registry.ts管理着预配置的工具能力集合（Capabilities），将超过100种安全工具和Python包按照7个类别进行组织：网络（Network）、反弹Shell（Rev）、漏洞利用（Pwn）、密码学（Crypto）、数字取证（Forensics）、隐写术（Stego）以及核心工具（Core）。这个注册表让AI Agent能够"按需"了解和使用这些工具，而不需要全部预装。
Pentest Copilot的技术选型体现了现代全栈应用的典型特征：
后端基于 Node.js 22 + TypeScript，使用了Fastify/Express作为HTTP框架（server.ts中使用了Express），配合 MongoDB 作为主数据库存储会话、用户和工作区数据，Redis 管理会话状态和Socket.IO实时通信的session存储。实时通信层面使用 Socket.IO 实现WebSocket双向通信（终端输出流、VNC画面推送等）。
前端采用了 Next.js 16（React 19），使用 Ant Design 5 作为UI组件库，Redux Toolkit 进行状态管理，Zustand 用于轻量级状态。值得注意的亮点技术包括：@xterm/xterm + @xterm/addon-webgl 实现浏览器内嵌的终端仿真界面；react-vnc 实现VNC画面流式渲染（用于实时观看浏览器代理的自动化操作）；react-calendar 管理测试时间轴；recharts 绘制数据图表。
安全工具集成方面，项目使用 dockerode 通过Docker API与宿主机通信（包括与Kali容器的交互），ssh2 实现远程SSH连接管理，burp-rpc 与Burp Suite专业版进行RPC通信（需要Burp Suite Pro License），@caido/sdk-client 与Caido API交互。
AI/LLM集成方面，项目支持多种大模型提供商：SDK层面使用 @anthropic-ai/sdk（Claude）和 openai（GPT-4系列），同时通过 tiktoken-node 实现token计数以控制成本，通过 @langfuse/otel 集成可观测性平台Langfuse进行调用追踪。
图2：Pentest Copilot 在 OWASP Juice Shop 上执行身份认证绕过测试的缩略图
项目的部署设计极为周全。根目录提供了3个docker-compose文件，满足不同场景：
docker-compose.yml：基础版，包含MongoDB + Redis + Backend + Frontend，适合已有Kali攻击机的用户docker-compose.kali.yml：完整版，内置Kali Linux攻击容器（需要privileged模式运行），开箱即用docker-compose.dev.yml：开发版，包含MongoDB + Redis + Kali容器，适合本地开发调试Backend Dockerfile基于 node:22-bookworm-slim，多阶段构建，安装了完整的Chromium运行时依赖（包括glibc、libnss3、libatk等）和VNC栈（xvfb + x11vnc + novnc），用于支持Magnitude浏览器代理的Headless运行。Frontend Dockerfile基于 node:22-alpine，同样多阶段构建，最终产物为静态生成的Next.js应用。
一键启动通过根目录的 run.sh 脚本（重达50KB，包含完整的交互式配置生成逻辑）实现，用户只需运行 ./run.sh start 即可完成所有配置和启动。
作为安全工具，Pentest Copilot自身也内置了多层安全机制：
rm -rf）、磁盘写入（dd / mkfs）、fork炸弹等高危操作，系统强制要求用户在执行前明确授权确认（Consent Model），即使在自动运行模式下也不例外ssh-keygen库安全处理SSH密钥生成和存储不过也需要指出潜在风险：由于系统需要连接攻击容器并执行任意命令，如果部署在共享环境中，API密钥泄露或配置不当可能导致严重后果。项目文档也特别声明了免责声明——仅限授权安全测试使用。
适合的场景：
局限性与挑战：
Pentest Copilot代表了AI安全工具领域的一个重要方向——将LLM的推理能力与专业安全工具生态深度结合，尝试实现渗透测试的部分自动化。它不仅是BugBase公司的旗舰开源产品，也是一个活生生的"AI Agent工程实践"案例，展示了如何在高风险操作环境中构建可控的、工具增强的LLM Agent系统。
项目的持续活跃度（最近更新2026年7月）、完整的文档体系（独立的GitHub Wiki）、学术论文支撑，以及丰富的功能集成（浏览器自动化、并行子Agent、MCP协议暴露），都表明这不仅仅是一个演示项目，而是一个真正经过实战检验的安全研究平台。随着AI Agent技术的持续进化，这类工具将进一步降低渗透测试的门槛，同时也将推动安全行业对"AI驱动安全"这一范式的深入思考。