watchtower · 安全与评测

🏰 Watchtower：用 AI Agent 给网站做"智能体检"

想象一下，你经营着一家线上商店，每天有数百名用户下单、付款、留下个人信息。某天，你收到一封匿名邮件："你们的数据库有个漏洞，5000 名用户的密码已经被我拿到了，不过放心我没做坏事，只是想提醒你。"——这种事在现实中每天都在上演。传统的渗透测试需要聘请安全专家，花费从几千到几万不等；而 Watchtower 的出现，让小团队也能用 AI 做一次系统的"智能体检"。

一、项目起源与核心定位

Watchtower（瞭望塔）由独立开发者 fzn0x 创建于 2026 年 2 月，是一个基于 LangGraph 构建的 AI 网络安全自动化测试平台。与传统的自动化扫描工具（如 Acunetix、Nessus）不同，Watchtower 不依赖预设的漏洞规则库，而是借助大语言模型的推理能力，让 AI Agent 像真正的安全研究员一样思考——根据每一步扫描结果动态调整下一步策略。

从 GitHub 数据来看，该项目目前获得 151 Stars、28 Forks，采用 MIT 许可证开源。主要技术栈为 Python 3.11+，围绕 LangChain/LangGraph 生态构建，同时支持 OpenAI GPT-4、Anthropic Claude、Google Gemini 以及 OpenRouter 等多种 LLM 后端，实现了真正意义上的模型无关（LLM-agnostic）。

Watchtower 的核心定位：一款介于专业安全工具与通用 AI 助手之间的"桥梁产品"——它将 AI 的理解推理能力注入到成熟的安全工具链中，让没有深厚安全背景的开发者也能进行有效渗透测试。

Watchtower 项目 Logo

图1：Watchtower 项目 Logo —— 以中世纪城堡瞭望塔为视觉隐喻，寓意"提前发现危险

二、三角色分工的多智能体架构

Watchtower 采用了 LangGraph 的状态图（StateGraph）来编排四个协作节点，形成了一个完整的渗透测试工作流：

2.1 Planner（战略规划节点）

Planner 是整个系统的"大脑"。每次收到 Worker 的分析结果后，Planner 会综合当前发现（findings）和原始观察（observations），决定下一步使用哪个工具或工具组合。它的输出被严格约束为 Pydantic 格式，包含三个必填字段：current_plan（当前策略描述）、next_step（下一个工具名称或列表，可为 "finish" 终止任务）、is_finished（是否结束测试）。

Planner 的 prompt 设计体现了安全领域的专业性：它不是简单地让 LLM 猜测漏洞，而是引导 LLM 基于工具输出的实际数据做决策。例如，当 nuclei 报告了多个 CVE，Planner 会综合严重等级和资产价值，决定先处理高危还是中高危漏洞。

2.2 Worker（工具执行节点）

Worker 是"执行者"，负责运行用户授权的安全工具。工具选择通过交互式 CLI 复选框完成（questionary 库），框架自动检测 PATH 中已安装的 23 种工具，用户可以灵活启用/禁用。Worker 通过 Python subprocess 调用实际的安全工具，捕获 stdout/stderr 并传递给 Analyst。

这 23 种工具覆盖了渗透测试的完整生命周期：网络扫描（nmap、masscan）、Web 探测（httpx、whatweb）、WAF 检测（wafw00f）、子域名发现（subfinder、amass）、漏洞扫描（nuclei、nikto、sqlmap）、SSL 检测（testssl.sh、sslyze）、内容枚举（gobuster、ffuf）、参数挖掘（arjun、kiterunner）、敏感信息检测（gitleaks）、CMS 安全（wpscan、cmseek）以及 XSS/SQL 注入专项（xsstrike、dalfox）。

2.3 Analyst（结果解析节点）

Analyst 是整个系统的"过滤器"。安全工具的最大痛点之一就是噪声巨大——一次 nmap 扫描可能输出数千行，其中大多数是无关信息。Analyst 的职责是解析 Worker 捕获的工具输出，过滤误报，将真正的漏洞发现转换为结构化的 JSON schema 数据，存入 findings 列表，同时将原始输出存入 observations 供后续 Planner 参考。

2.4 Logic Analysis（逻辑分析节点）

Logic Analysis 是 2026 年初新增的节点，负责更高层次的安全逻辑分析。它不只看单次工具输出，而是跨工具关联数据——例如，结合 nmap 的端口信息和 sqlmap 的注入结果，综合评估整个攻击链的可行性。

三、状态管理与持久化

Watchtower 的状态管理完全基于 LangGraph 的 TypedDict：

AgentState:
  scope_targets     → 允许扫描的目标列表
  available_tools  → 用户授权的工具清单
  messages         → 带注释的追加消息历史
  findings         → 已确认漏洞的结构化列表
  observations     → 所有工具原始输出
  current_plan     → 当前策略描述
  next_step        → 下一工具名称
  auth_metadata    → 认证信息（Cookie/Header）
  is_finished      → 任务是否完成

其中 messages、findings、observations 均使用 Annotated[..., operator.add] 注解，实现增量追加而非覆盖，这是 LangGraph 的核心优势之一。

持久化方面，框架使用 SQLite（pentest_memory.db）存储完整测试历史，支持随时生成 PDF 报告。这对于合规要求严格的金融、医疗行业尤为重要——渗透测试报告往往是合规审计的必要文件。

四、部署体验：Docker 是最优解

4.1 安装方式对比

方式	难度	耗时	适用场景
pip install	★★★	5-10 分钟	仅 Python 部分，无工具链
install_tools.sh	★★★★	30-60 分钟	完整工具链（需 root）
Dockerfile	★★	10-15 分钟	推荐方式，含工具链镜像
docker-compose	★★	10 分钟	一键启动，配置文件分离

4.2 Dockerfile 深度解析

Watchtower 的 Dockerfile 采用了多阶段构建策略（约 60 行），将依赖安装分为三个层次：

系统层：通过 apt-get 安装基础工具（nmap、masscan、curl、wget、git、golang、nodejs/npm），设置 Go 环境变量 GOPATH=/go。

Go 工具层：通过 go install 安装 nuclei、httpx、subfinder、ffuf、gobuster、amass、kiterunner 共 7 个项目 Discovery 工具。这些工具都是用 Go 编写的，通过 go install 方式安装到 /go/bin/ 并符号链接到 PATH。

Ruby/Python 工具层：通过 gem 安装 wpscan（Ruby），通过 pip 安装 sqlmap、wafw00f、arjun、dalfox、xsstrike、gitleaks、cmseek、retire、sslyze 共 9 个 Python 工具。

4.3 工具链安装脚本

install_tools.sh 脚本（约 300 行）支持 Ubuntu/Debian/Kali、Fedora/RHEL/CentOS、Arch/Manjaro 三类主流 Linux 发行版，自动检测操作系统并选择对应的包管理器。脚本会将工具统一安装到 /opt/security-tools/ 目录，并处理 Go 版本自动安装（检测现有版本，不重复安装）。

五、使用体验：从命令行到报告的全流程

5.1 典型使用流程

# 1. 配置 API Key（任选其一）
cp .env.example .env
# 编辑 .env，填入 OPENROUTER_API_KEY=sk-or-...

# 2. 运行测试（交互模式——选择工具）
python -m watchtower.main -t https://example.com

# 3. 无头模式（CI/CD 集成，自动使用所有可用工具）
python -m watchtower.main -t https://example.com --skip-ask-tools

# 4. 带认证测试
python -m watchtower.main -t https://example.com     --cookie "session=abc123"     --header "Authorization: Bearer token"

# 5. 生成 PDF 报告
python -m watchtower.main --report my_report.pdf

5.2 LLM 模型无关性

Watchtower 的 LLM 适配层设计非常优雅。通过 WATCHTOWER_PROVIDER、WATCHTOWER_MODEL、WATCHTOWER_APIKEY_NAME 三个环境变量，可以无缝切换不同模型：

# 支持的模型类型
if provider == "openrouter":
    # OpenRouter 聚合了 Claude/GPT/Gemini 等多个模型
    base_url = "https://openrouter.ai/api/v1"
elif provider == "anthropic":
    # 直连 Anthropic API
elif provider == "openai":
    # 直连 OpenAI API
elif provider == "gemini":
    # 直连 Google Gemini
elif provider == "litellm":
    # LiteLLM 聚合，支持 100+ 模型
elif provider == "ollama":
    # 本地部署模型

这种设计让 Watchtower 天然支持"模型竞速"——用户可以先用 GPT-4-Turbo 做一次快速扫描，再用 Claude-3-Opus 做一次深度分析，对比两者的发现差异。

六、局限与争议

6.1 工具链的"重量级"负担

Watchtower 最大的部署痛点在于其依赖的 23 种安全工具。这些工具本身并非 Python 库，而是独立的命令行程序，需要分别安装、配置 PATH、处理权限问题。Dockerfile 体积约 2GB，即使在带宽充足的情况下，镜像拉取也需要数分钟。对于只想快速试用的用户，这是相当高的门槛。

6.2 误报率问题

AI 在安全领域的核心挑战是误报（false positive）。Analyst 节点虽然承担了过滤职责，但 LLM 对安全工具输出的理解仍有局限。某些边界情况的漏洞（如依赖于特定业务逻辑的 IDOR 漏洞）可能被漏报。Watchtower 的 README 也明确建议用户结合人工复核。

6.3 法律边界

这是最严肃的话题。Watchtower 的 README 用了大量篇幅强调"仅用于授权测试"，并在 LICENSE 中明确要求用户必须拥有目标系统的书面授权。guardrails.py 中的 validate_target() 函数目前已移除 IP 白名单限制——这意味着框架本身不阻止对任何目标的扫描。

七、行业意义与未来展望

7.1 AI + 安全工具链的新范式

Watchtower 代表了 2025-2026 年兴起的一个新趋势：用 LLM 作为安全工具的"胶水层"和"智能层"。传统的安全自动化依赖专家编写的规则库（如 Nuclei 的 YAML 模板），而 Watchtower 让 LLM 自己判断"这个输出意味着什么漏洞，应该如何进一步验证"。

从技术架构看，这种"LangGraph 状态机 + 多工具 subprocess 包装 + 结构化输出"的组合，正在成为一种可复制的 AI Agent 开发模式。Watchtower 的代码结构非常干净，核心只有 4 个 Agent 节点 + 25 个工具包装器，任何有 Python 基础的安全爱好者都可以在此之上扩展新的工具节点。

7.2 快速成长与社区反馈

项目于 2026 年 2 月底创建，在不到一个月的时间内获得 151 Stars（同期同 Stars 档的 AI 项目平均需要 3-6 个月），说明安全 + AI Agent 的交叉赛道有很高的关注度。GitHub Issues 中已有多个 PR 贡献者，涉及新工具集成、文档改进和多语言支持。

7.3 适用场景总结

场景	推荐度	理由
个人站长/小团队自查	★★★★	成本低，覆盖面广
Bug Bounty 猎人	★★★	快速侦察，但需人工验证
企业 CI/CD 安全扫描	★★★	可集成，但需完整工具链
安全竞赛（CTF）	★★	过于重量级，不够灵活
安全培训演示	★★★★★	完美展示 AI + 安全概念

总结：Watchtower 是一款将 LangGraph 多智能体架构与真实安全工具链深度融合的创新产品。它不是要替代专业的渗透测试人员，而是为广大开发者提供了一个"安全意识入门"和"日常自查"的有力工具。部署门槛较高（Docker 是最推荐方案），但架构设计清晰、代码质量优秀，非常值得 AI 安全爱好者深入研究。

🏰 Watchtower：用 AI Agent 给网站做"智能体检"

一、项目起源与核心定位

Watchtower 项目 Logo

图1：Watchtower 项目 Logo —— 以中世纪城堡瞭望塔为视觉隐喻，寓意"提前发现危险

二、三角色分工的多智能体架构

Watchtower 采用了 LangGraph 的状态图（StateGraph）来编排四个协作节点，形成了一个完整的渗透测试工作流：

2.1 Planner（战略规划节点）

2.2 Worker（工具执行节点）

2.3 Analyst（结果解析节点）

2.4 Logic Analysis（逻辑分析节点）

三、状态管理与持久化

Watchtower 的状态管理完全基于 LangGraph 的 TypedDict：

AgentState:
  scope_targets     → 允许扫描的目标列表
  available_tools  → 用户授权的工具清单
  messages         → 带注释的追加消息历史
  findings         → 已确认漏洞的结构化列表
  observations     → 所有工具原始输出
  current_plan     → 当前策略描述
  next_step        → 下一工具名称
  auth_metadata    → 认证信息（Cookie/Header）
  is_finished      → 任务是否完成

其中 messages、findings、observations 均使用 Annotated[..., operator.add] 注解，实现增量追加而非覆盖，这是 LangGraph 的核心优势之一。

四、部署体验：Docker 是最优解

4.1 安装方式对比

方式	难度	耗时	适用场景
pip install	★★★	5-10 分钟	仅 Python 部分，无工具链
install_tools.sh	★★★★	30-60 分钟	完整工具链（需 root）
Dockerfile	★★	10-15 分钟	推荐方式，含工具链镜像
docker-compose	★★	10 分钟	一键启动，配置文件分离

4.2 Dockerfile 深度解析

Watchtower 的 Dockerfile 采用了多阶段构建策略（约 60 行），将依赖安装分为三个层次：

系统层：通过 apt-get 安装基础工具（nmap、masscan、curl、wget、git、golang、nodejs/npm），设置 Go 环境变量 GOPATH=/go。

Ruby/Python 工具层：通过 gem 安装 wpscan（Ruby），通过 pip 安装 sqlmap、wafw00f、arjun、dalfox、xsstrike、gitleaks、cmseek、retire、sslyze 共 9 个 Python 工具。

4.3 工具链安装脚本

五、使用体验：从命令行到报告的全流程

5.1 典型使用流程

# 1. 配置 API Key（任选其一）
cp .env.example .env
# 编辑 .env，填入 OPENROUTER_API_KEY=sk-or-...

# 2. 运行测试（交互模式——选择工具）
python -m watchtower.main -t https://example.com

# 3. 无头模式（CI/CD 集成，自动使用所有可用工具）
python -m watchtower.main -t https://example.com --skip-ask-tools

# 4. 带认证测试
python -m watchtower.main -t https://example.com     --cookie "session=abc123"     --header "Authorization: Bearer token"

# 5. 生成 PDF 报告
python -m watchtower.main --report my_report.pdf

5.2 LLM 模型无关性

Watchtower 的 LLM 适配层设计非常优雅。通过 WATCHTOWER_PROVIDER、WATCHTOWER_MODEL、WATCHTOWER_APIKEY_NAME 三个环境变量，可以无缝切换不同模型：

# 支持的模型类型
if provider == "openrouter":
    # OpenRouter 聚合了 Claude/GPT/Gemini 等多个模型
    base_url = "https://openrouter.ai/api/v1"
elif provider == "anthropic":
    # 直连 Anthropic API
elif provider == "openai":
    # 直连 OpenAI API
elif provider == "gemini":
    # 直连 Google Gemini
elif provider == "litellm":
    # LiteLLM 聚合，支持 100+ 模型
elif provider == "ollama":
    # 本地部署模型

这种设计让 Watchtower 天然支持"模型竞速"——用户可以先用 GPT-4-Turbo 做一次快速扫描，再用 Claude-3-Opus 做一次深度分析，对比两者的发现差异。

六、局限与争议

6.1 工具链的"重量级"负担

6.2 误报率问题

6.3 法律边界

七、行业意义与未来展望

7.1 AI + 安全工具链的新范式

7.2 快速成长与社区反馈

7.3 适用场景总结

场景	推荐度	理由
个人站长/小团队自查	★★★★	成本低，覆盖面广
Bug Bounty 猎人	★★★	快速侦察，但需人工验证
企业 CI/CD 安全扫描	★★★	可集成，但需完整工具链
安全竞赛（CTF）	★★	过于重量级，不够灵活
安全培训演示	★★★★★	完美展示 AI + 安全概念

社区活跃度

🏰 Watchtower：用 AI Agent 给网站做"智能体检"

一、项目起源与核心定位

二、三角色分工的多智能体架构

2.1 Planner（战略规划节点）

2.2 Worker（工具执行节点）

2.3 Analyst（结果解析节点）

2.4 Logic Analysis（逻辑分析节点）

三、状态管理与持久化

四、部署体验：Docker 是最优解

4.1 安装方式对比

4.2 Dockerfile 深度解析

4.3 工具链安装脚本

五、使用体验：从命令行到报告的全流程

5.1 典型使用流程

5.2 LLM 模型无关性

六、局限与争议

6.1 工具链的"重量级"负担

6.2 误报率问题

6.3 法律边界

七、行业意义与未来展望

7.1 AI + 安全工具链的新范式

7.2 快速成长与社区反馈

7.3 适用场景总结

社区活跃度

🏰 Watchtower：用 AI Agent 给网站做"智能体检"

一、项目起源与核心定位

二、三角色分工的多智能体架构

2.1 Planner（战略规划节点）

2.2 Worker（工具执行节点）

2.3 Analyst（结果解析节点）

2.4 Logic Analysis（逻辑分析节点）

三、状态管理与持久化

四、部署体验：Docker 是最优解

4.1 安装方式对比

4.2 Dockerfile 深度解析

4.3 工具链安装脚本

五、使用体验：从命令行到报告的全流程

5.1 典型使用流程

5.2 LLM 模型无关性

六、局限与争议

6.1 工具链的"重量级"负担

6.2 误报率问题

6.3 法律边界

七、行业意义与未来展望

7.1 AI + 安全工具链的新范式

7.2 快速成长与社区反馈

7.3 适用场景总结