Cairn：通用状态空间搜索与 AI 渗透测试引擎

想象你是一个顶级黑客，面对一个完全陌生的服务器——你知道入口在哪（目标 IP），知道终点在哪（拿到 shell），但中间的路完全未知。Cairn 的作者正是从这个场景出发：渗透测试本质上是一个在近乎无限状态空间中寻找路径的定向搜索问题。Cairn 把这个洞察提炼成一个通用引擎——给定起点和终点，在未知状态空间中自主搜索路径。AI 渗透测试只是它的第一个验证场景。

背景：腾讯云安全挑战赛的唯一 AK 团队

Cairn 并非学术论文的副产品，而是一个在真实竞赛中被验证的项目。在第二届腾讯云安全挑战赛中，610 支队伍、1345 人参赛， Cairn 所在的队伍是**唯一一支 AK（Ace King，全部题目解答）**的团队，最终排名第 3。作者 leixiao 在赛后发长文复盘，系统上线时间点是凌晨 4 点——竞赛前一晚。没有训练、没有调优、没有领域专用工具、没有 MCP、没有 RAG、没有预定义的 Agent 角色，一切从零跑通。

这个成绩揭示了 Cairn 的核心假设：许多"需要专家经验"的任务，本质上是状态空间搜索。高手之所以厉害，不是因为有特殊技能，而是因为他们更高效地探索了搜索空间。Cairn 把这个能力赋予了 AI Agent。

核心架构：黑板系统 + OODA 循环

Cairn 的设计哲学是极简：三个原语，一个图结构，Agent 通过共享黑板协调。

三种原语

图从 origin 向 goal 生长，每个 Fact 都是垫脚石，每个 Intent 都是踏入未知的步伐。

Agent Worker：OODA 循环

Agent Worker 执行标准的 OODA（Observe-Orient-Decide-Act）循环：

1. Observe：读取完整的事实-意图图
2. Orient：理解当前状态，判断是否已达成目标
3. Decide：决定下一步的意图
4. Act：执行探索，将结果写回为新的 Fact

关键在于：Worker 没有固定角色。任务是从图的当前状态动态生成的，而非预定义的工作描述。这与传统 Agent 系统（每个 Agent 有固定角色定义）有本质区别。

系统架构：Server + Dispatcher + Worker Container

┌──────────────────────────────────┐
│         Cairn Server              │
│    Facts + Intents + Hints       │
└─────────────────┬────────────────┘
                  │ Read/Write API
         ┌────────┴────────┐
         │    Dispatcher    │
         │  调度任务、管理   │
         │  容器、写协议    │
         └────────┬────────┘
         ┌────────┴────────┐
         │ Worker Container│
         │  ┌────┐ ┌────┐ │
         │  │ W. │ │ W. │ │
         │  └────┘ └────┘ │
         └─────────────────┘

Cairn Server 仅维护图的全局一致性。Cairn Dispatcher 读取图、调度任务、动态启停 Worker 容器，是协议的唯一写入方。每个项目独占一个 Worker Container，多个 Agent Worker 并发运行。支持的后端：Claude Code、Codex、Pi。

技术栈与实现

• Python 3.12+：核心语言
• FastAPI + Uvicorn：Cairn Server 的 HTTP 接口
• Docker SDK（Python）：Dispatcher 动态管理容器生命周期
• Click：CLI 工具（cairn serve、cairn dispatch）
• pytest：单元测试（无外部依赖的快速回归套件）
• uv：包管理器（Astral 出品，构建速度极快）

目录结构：

cairn/
├── src/cairn/          # 核心源码
│   ├── server/         # FastAPI 服务端
│   ├── dispatcher/     # 任务调度器
│   └── worker/          # Agent Worker 封装
├── tests/              # 完整测试套件（11 个测试文件）
├── container/
│   ├── Dockerfile       # Worker 容器镜像
│   └── .agents/         # Agent 技能定义
docs/
└── specs/
    ├── server-protocol.md      # 服务端协议规范
    └── dispatcher-design.md    # 调度器设计文档

Worker Container 镜像通过 docker compose 动态启动，连接宿主机 Docker socket（/var/run/docker.sock:/var/run/docker.sock），实现容器内再跑容器（Docker-in-Docker）的隔离执行环境。

部署体验

项目对部署体验做了精心设计：

1. 拉取必要镜像（Worker 容器 + uv Python 基础镜像）
2. 配置 dispatch.yaml：填入 LLM API Key 和端点
3. 一键启动：docker compose up --build

Cairn Server 暴露 8000 端口，Dispatcher 通过健康检查确保 Server 就绪后才启动。数据持久化到 ./datas/cairn/ 目录。完全本地运行，数据不出宿主机。

注意：使用 Cairn 需要自行准备 LLM API（Claude Code /OpenAI Codex / Pi），项目本身不含模型调用费用。

局限性与注意事项

1. 无 Web UI：纯 CLI + HTTP API 交互，无图形界面。
2. 需要 LLM API Key：不包含在项目仓库中，需自行申请。
3. Docker socket 权限：dispatcher 容器需要访问宿主机 Docker daemon，存在一定安全边界风险（适合本地开发环境，不建议直接在生产服务器运行）。
4. 仅支持 macOS/Linux：不支持 Windows（Docker socket 路径差异）。
5. AGPLv3 许可证：如果你想闭源使用，需要联系作者获取商业许可——这可能是企业部署的主要障碍。
6. 用途限制：明确要求仅在获得授权的环境中使用渗透测试功能。

行业意义：从垂直工具到通用推理引擎

Cairn 的野心远超"AI 渗透测试工具"。作者在文章《The Pathless Path》中指出：漏洞研究、数学证明、CTF 挑战——任何有明确起点、明确成功条件、中间路径未知的问题，都可以用同样的框架建模。Cairn 证明了通用问题求解引擎的可能性：不需要预定义的 Agent 角色，不需要工作流编排，只需要一个图结构和三个原语。

对于 AI 爱好者，Cairn 是理解"Agent 如何在没有明确指导的情况下自主探索"的最佳案例；对于安全研究者，它是绕过人工经验、快速规模化渗透测试的实用工具。

图1：Cairn 项目 Banner

图2：Cairn 运行界面截图