airecon

想象一下：安全研究员坐在工位上，对着一个类 Linux 终端窗口输入一句话——"对 example.com 做完整渗透测试"——然后 AI 代理开始自动运转，subfinder 找子域名、nmap 扫端口、naabu 探测服务、nuclei 匹配漏洞、Playwright 自动化浏览器操作、最后生成一份 Markdown 格式报告。整个过程不需要打开任何 Web 界面，不需要付费 API Key，所有流量、数据、报告都留在本地机器上。这就是 AIRecon 正在做的事情。

项目背景与起源

AIRecon 由独立安全研究人员 pikpikcu 开发维护（GitHub: pikpikcu），目前已获得 661 颗 GitHub Stars，被标记为 ai-agents、penetration-testing、ollama、bugbounty、automation 等主流 AI 安全话题。

这个项目的诞生逻辑非常直接：传统渗透测试工具链高度碎片化——subfinder 子域名发现、nmap 端口扫描、SQLMap 注入测试，每个工具都有自己独立的 CLI 参数和工作流程，安全研究员需要在多个工具之间手动切换、解析输出、协调配合。对于一次完整的 Web 应用渗透测试，一个人往往需要同时开 5-10 个终端窗口。

而商业 API 类 AI Agent（GPT-4、Claude、Gemini）在这种 递归式自主侦察工作流 中成本极高——一次完整渗透测试可能需要调用数千次 LLM API，按照商业 API 的 Token 计费模式，单次渗透测试成本轻松超过数十美元。更关键的是，目标情报数据（子域名、端口、漏洞信息、报告内容）会被发送到第三方服务器，对于进行真实 bug bounty 猎洞或企业内部安全评估的研究员来说，这是无法接受的数据隐私风险。

AIRecon 的核心答案是：100% 本地化运行。用户自托管 Ollama，大模型推理完全在本地完成，不需要任何 API Key，不向任何云服务发送目标数据。

图1：AIRecon 官方 Logo

技术架构：三层模块化设计

AIRecon 的代码采用清晰的三层模块化架构，核心代码位于 airecon/proxy/ 目录下：

1. Proxy 层（代理与工具执行）

airecon/proxy/ 下包含约 20 个核心 Python 模块，涵盖了渗透测试所需的全部工具链：

• ollama.py：Ollama API 客户端封装，支持本地/远程 Ollama 服务器连接、超时控制、上下文窗口管理、extended thinking 模式（<think> 块）。支持 Qwen3.5、DeepSeek R1 等主流开源模型。
• docker.py：Kali Linux Docker 沙箱管理，在隔离容器内执行所有高权限操作（nmap raw socket、端口扫描、漏洞利用）。通过 docker exec 执行命令，docker cp 传输文件。
• browser.py：Playwright 自动化封装，支持无头 Chromium 浏览器操作，用于爬取 JavaScript 渲染页面、自动化表单提交。
• caido_client.py：Caido（Web 安全代理）原生集成，支持 replay、fuzz、findings、scope 等 5 个内置工具。
• fuzzer.py：自定义模糊测试引擎，结合 Schemathesis API 模糊测试。
• semgrep.py：静态应用安全测试（SAST）集成。
• web_search.py：DuckDuckGo 搜索集成。
• mcp.py：MCP（Model Context Protocol）服务器动态连接，支持外部 MCP 工具扩展。

2. Agent 层（AI 决策引擎）

airecon/proxy/agent/ 目录下有约 50 个 Python 文件，构成了完整的 AI Agent 决策系统：

• loop.py 系列（loop_cycle_llm.py、loop_tool_cycle.py、loop_process_core.py、loop_semantic.py 等）：核心状态机循环，控制 AI Agent 在 RECON → ANALYSIS → EXPLOIT → REPORT 四个阶段之间的流转。每个阶段有特定目标和退出条件。
• pipeline.py：四阶段 Pipeline 管理器，协调阶段转换和上下文压缩。
• executors/ 目录：细粒度工具执行器，包括 executors_browser.py（浏览器）、executors_caido.py（Caido）、executors_fuzzing.py（模糊测试）、executors_filesystem.py（文件操作）、executors_observe.py（HTTP 观察）等。
• chain_planner.py：攻击链规划，将复杂目标分解为有序攻击步骤。
• adaptive_learning.py：自适应学习模块，基于历史工具成功率动态调整工具排序和策略。
• session.py / session_persistence.py：会话管理与持久化，支持中断恢复。
• auth_manager.py：认证管理，支持用户名密码、TOTP 双因素认证。
• waf_detector.py / waf_bypass.py：WAF 检测与绕过策略。

3. TUI 层（用户交互界面）

airecon/tui/ 基于 Textual 框架构建实时 TUI（文本用户界面），提供：

• 实时命令输出滚动显示
• Agent 思维链可视化（extended thinking 输出）
• 会话管理界面
• 漏洞报告展示
• 命令补全和交互输入

整个项目使用 Poetry 管理 Python 依赖，配置文件为 pyproject.toml，符合现代 Python 项目规范。

图2：AIRecon Textual TUI 界面截图

核心功能详解

四阶段 Pipeline

AIRecon 的工作流程遵循严格的四阶段 Pipeline：RECON（侦察）→ ANALYSIS（分析）→ EXPLOIT（利用）→ REPORT（报告）。

每个阶段有明确的目标集和自动退出条件。例如 RECON 阶段的目标包括：子域名枚举、端口扫描、服务识别、Web 指纹识别；退出条件是连续 5 次迭代无新发现。

阶段转换通过 LLM 自动判断，但 强制软约束——Agent 被引导而非被强制，可以在紧急情况下跳过某个阶段直接渗透。

关键 checkpoint 机制：

• 第 5 次迭代：Phase Eval（阶段评估）
• 第 10 次迭代：Self Eval（自我评估）
• 第 15 次迭代：Context Compression（上下文压缩，防止上下文溢出）

本地知识库（airecon-dataset）

AIRecon 可以选配 airecon-dataset 本地知识库，该数据集索引了约 109 万条安全记录，包括：

数据集	记录数	内容
Pentest Agent (ChatML)	322,433	CVE 利用工作流
CTF SaTML 2024	190,657	CTF 攻防交互数据
CTF Instruct	141,182	Pwn/Web/Crypto/Forensics
Cybersecurity CVE	124,732	CVE 分析
Red Team Offensive	78,430	横向移动/权限提升
SQL Injection Q&A	50,632	SQL 注入全流程

LLM 在面对不熟悉的技术时会自动调用 dataset_search 工具，从本地 SQLite FTS5 索引中检索相关 CVE 利用链、技术细节和绕过方法，实现事实性锚定，减少幻觉。

MCP 扩展机制

AIRecon 支持通过 ~/.airecon/mcp.json 配置文件动态接入外部 MCP 服务器，将第三方工具暴露为 mcp_<server> 工具。支持的传输协议包括：stdio（标准输入输出）和 SSE（Server-Sent Events）。

已有社区项目接入 MCP，如 hexstrike-ai（AI 漏洞分析）、xssgen（XSS 生成工具）等。

模型支持与硬件需求

AIRecon 对 LLM 有明确的技术要求：必须支持 extended thinking（<think> 块）和可靠的 tool calling 能力。

推荐模型（按 Ollama pull 方式安装）：

模型	VRAM	推荐场景
Qwen3.5 122B	48GB+	最高质量
Qwen3.5 35B	20GB	推荐日常使用
Qwen3.5 35B MoE (a3b)	16GB	低显存
Qwen3.5 9B	6GB	最低可用

小于 8B 的模型在 tool calling 准确率上存在显著问题，错误率可达 20-40%，且容易产生幻觉（虚构 CVE、跳过 scope 规则）。

Google Colab 远程推理支持：对于没有本地 GPU 的用户，项目提供了预配置的 Colab notebook，通过 cloudflared tunnel 将 Colab 的 T4/A100 GPU 上的 Ollama 服务暴露给本地 AIRecon。

图3：AIRecon 整体架构图（本地 Ollama + Docker 沙箱 + Textual TUI）

部署流程与挑战

AIRecon 提供两种安装方式：

一键安装（推荐）：curl -fsSL https://raw.githubusercontent.com/pikpikcu/airecon/refs/heads/main/scripts/install.sh | bash

该脚本自动检测 Poetry 是否安装、通过官方安装脚本安装 Poetry（避免系统包管理器版本冲突）、构建 Python wheel 并安装到 ~/.local/bin。

手动安装：克隆仓库后运行 ./install.sh。

Ollama 独立部署：用户需要单独安装并启动 Ollama 服务（ollama serve），拉取合适尺寸的模型，然后配置 ~/.airecon/config.yaml 中的 ollama_url 和 ollama_model。

Docker 沙箱：首次运行时 AIRecon 会自动构建 Kali Linux Docker 镜像（约 18GB），包含 60+ 安全工具（nmap、sqlmap、ffuf、nuclei 等）。构建命令：docker build -t airecon-sandbox airecon/containers/kali/。

主要部署门槛：

1. GPU 是硬性要求：没有 GPU 只能通过 Colab tunnel 方式远程使用，体验受限。
2. Docker 环境：部分安全工具需要 nmap raw socket、Docker 特权模式，容器管理有学习成本。
3. Ollama 模型选择：需要用户理解 VRAM 需求、tool calling 能力差异，选错模型会导致工具调用失败率极高。
4. Caido 集成：Caido 代理需要在 AIRecon 启动前单独运行（默认 127.0.0.1:48080）。

数据隐私与安全边界

AIRecon 在数据隐私方面表现突出：目标情报、工具输出、漏洞报告从不离开本地机器。所有 LLM 推理在本地 Ollama 实例完成，不依赖任何外部 API。

然而安全边界需要用户自行把握：

• 工具依赖 nmap raw socket（setcap cap_net_raw,cap_net_admin）、Docker 特权模式，具备完整的本地网络访问能力。
• MCP 服务器可由用户自定义配置，引入外部代码存在潜在风险。
• allow_destructive_testing: true 配置下，Agent 可执行 DELETE 请求等破坏性操作。

项目文档明确要求：仅用于授权安全测试，用户须遵守目标范围和法律规范。

局限性与争议

模型能力依赖：AIRecon 的上限完全由所选 LLM 的能力决定。小于 8B 的模型会产生大量幻觉（虚构 CVE、跳过 scope 规则），12B-14B 模型工具调用错误率约 20-40%，实际可用性有限。真正可靠的体验需要 35B+ 模型（20GB VRAM），这超出了很多个人研究员的硬件条件。

Docker 环境不稳定：Kali Docker 镜像约 18GB，在低内存机器上构建和运行容易 OOM（内存不足）。配置 docker_memory_limit 参数需要用户对容器资源管理有一定了解。

阶段切换的 LLM 依赖：RECON→ANALYSIS→EXPLOIT→REPORT 四个阶段的自动切换完全依赖 LLM 的推理能力，没有硬编码的退出条件。在复杂目标上，LLM 可能过早退出侦察阶段或陷入循环利用无害端点。

缺乏 Web UI：纯 TUI 界面对非命令行用户不友好，缺乏可视化的漏洞报告导出、图表展示等辅助功能。

行业意义与发展趋势

AIRecon 代表了 AI + 安全工具链融合的一个重要方向——用 AI Agent 编排传统安全工具，减少人工介入，提高渗透测试效率。与商业 API 类 AI 安全工具相比，100% 本地化的设计在数据隐私敏感的场景下具有不可替代的价值。

从 GitHub Stars 增长轨迹看，该项目在 2025-2026 年间保持了稳定增长，主要受益于：

1. 开源 LLM 能力提升：Qwen3.5、DeepSeek R1 等开源模型 tool calling 能力显著改善，使本地 AI Agent 渗透测试从不可行变为可行。
2. Bug Bounty 社区需求：独立猎洞人对低成本、无数据外传的自动化工具需求强烈。
3. AI Agent 框架成熟：LangChain 等框架降低了多工具 Agent 的开发门槛，但缺乏针对安全领域的专项优化——AIRecon 填补了这个空白。

未来可能的发展方向包括：多 Agent 协作（不同 Agent 负责不同攻击面）、自动化 CVE 验证工作流、以及与更多企业安全工具链（Burp Suite、Jira）的集成。