redamon
AI驱动的自主红队框架，从侦察到漏洞修复全自动闭环，支持100+安全工具并行执行
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。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
AI驱动的自主红队框架，从侦察到漏洞修复全自动闭环，支持100+安全工具并行执行
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。
想象这样一个场景：某天晚上，你负责的企业SRC（安全应急响应中心）收到了一份"匿名漏洞报告"——对方声称已经通过自动化工具完成了对你们外网的全面渗透测试，从子域名发现、端口扫描、漏洞探测到GitHub敏感信息泄露，一气呵成。而这一切的背后，操作者可能只是一个没有安全背景的产品经理，通过一行命令启动了整个攻击链。
这就是 RedAmon——一个将AI Agent与渗透测试全链路深度融合的自动化红队框架。它不是简单的漏洞扫描器叠加，而是一个能够自主决策、自主执行、自主修复的AI红队助手。
RedAmon由安全研究员 Ritesh Gohil（GitHub: L4stPL4Y3R）主导开发，核心目标是解决传统渗透测试中"人肉成本高、覆盖范围有限、复盘报告难"的痛点。
传统渗透测试依赖安全工程师手动操作AWVS、Burp Suite、Nmap等工具，每个环节都需要人工决策。大型企业的外网资产往往成千上万，手动测试覆盖度难以保证，且测试报告生成费时费力。RedAmon的思路是：让AI接管整个渗透测试生命周期，从侦察（reconnaissance）到利用（exploitation）再到后渗透（post-exploitation），全程无需人工干预。
目前该仓库已收获 1978 Stars，被标注为 agentic-ai、cybersecurity、ethical-hacking 等领域标签，在GitHub安全类项目中处于中上游关注度。
图1：RedAmon项目Logo
RedAmon的架构围绕一个**AI编排器（Orchestrator）**展开，下属多个专项Agent，每个Agent负责一类安全任务，通过消息队列（Redis）和图数据库（Neo4j）共享状态与情报。
侦察模块是整个攻击链的起点。RedAmon内置的 recon-orchestrator 容器整合了：
侦察结果会自动写入Neo4j图数据库，以节点-关系图的形式可视化呈现资产拓扑结构。
图2：侦察管道执行过程GIF演示
RedAmon的核心竞争力在于其AI编排层（Orchestrator）。当侦察阶段收集到大量资产数据后，Orchestrator会：
编排层支持多种AI后端，包括OpenAI GPT系列、Anthropic Claude、本地Ollama/vLLM/LM Studio模型。用户可在Settings界面中配置API密钥和模型偏好。
利用阶段集成了业界最成熟的开源安全工具链：
值得注意的是，OpenVAS/GVM是可选组件——启动时不加 --gvm 参数只会运行轻量版（约6个Docker容器），加上后才会启动完整的漏洞扫描栈（约14个容器），首次运行需要约30分钟同步漏洞特征库。
图3：漏洞利用模块执行效果
RedAmon最独特的功能是CypherFix——不是止步于"发现漏洞"，而是利用Neo4j图数据库理解漏洞上下文后，自动生成修复代码，并通过AI直接打开Pull Request。
具体流程：
这一功能将渗透测试从"发现问题"延伸到"解决问题闭环"，极大提升了安全测试的ROI（投资回报率）。
每个攻击链执行完毕后，RedAmon会自动生成一份AI渗透测试报告，包含：
报告支持导出为Markdown、HTML等多种格式，可直接用于向管理层或客户汇报。
图4：实验环境拓扑图
RedAmon采用纯容器化部署（无需在宿主机安装任何安全工具），核心依赖：
| 组件 | 技术选型 | 用途 |
|---|---|---|
| 编排引擎 | Docker Compose | 容器编排与服务管理 |
| 图数据库 | Neo4j 5.26 | 资产拓扑、漏洞关系建模 |
| 关系数据库 | PostgreSQL 16 | 结构化数据存储 |
| AI推理 | OpenAI / Claude / Ollama / vLLM | Agent决策与报告生成 |
| MCP协议 | Model Context Protocol | 工具调用标准化 |
| Web界面 | Settings UI | 配置管理、结果查看 |
整体代码库为Python（主语言），分为 agentic/（核心AI框架）、graph_db/（Neo4j集成）、github_secret_hunt/（GitHub扫描模块）、baddns_scan/（DNS安全扫描）四大子模块。
RedAmon的安装流程极为简洁：
git clone https://github.com/samugit83/redamon.git
cd redamon
./redamon.sh install
安装脚本会自动检测Docker环境、初始化数据库、下载必要的数据容器。无需手动安装Python、Node.js或任何安全工具——这是该框架最大的易用性亮点。
RedAmon提供了两档资源方案：
| 配置档 | CPU | 内存 | 磁盘 | 容器数 |
|---|---|---|---|---|
| 轻量档（无GVM） | 2核 | 4GB | 20GB | 6个 |
| 全量档（含GVM） | 4核 | 8GB+ | 50GB | 14+个 |
轻量档适合本地开发测试或小规模靶场；全量档则面向企业级外网渗透评估。
RedAmon支持 400+ AI模型接入，覆盖：
Settings界面提供一键切换，用户可根据预算和隐私需求选择本地模型（完全离线）或云端API（更强推理能力）。
冷静来看，RedAmon宣称的"完全自主渗透"在实际应用中仍存在明显边界：
局限性一：误报率不可忽视。 AI Agent在漏洞利用阶段可能会对无害功能发起真实攻击测试（例如盲目的SQL注入payload），在生产环境上执行存在业务中断风险。企业使用务必在隔离的渗透测试环境中先行验证。
局限性二：RoE护栏的覆盖度有限。 当前的Rules of Engagement机制是规则驱动的，面对复杂的业务逻辑（如需要结合业务上下文判断的越权漏洞），AI的判断能力仍然有限。
局限性三：法律合规风险。 框架内置了法律免责声明，明确仅限"授权安全测试"。在没有书面授权的情况下使用该工具，可能触犯计算机犯罪相关法律。工具本身也因涉及自动化漏洞利用，在部分国家的法律框架下存在灰色地带。
局限性四：资源消耗较高。 即使是轻量档也需要4GB内存、20GB磁盘，在资源受限环境下难以运行。
RedAmon的出现折射出一个更大的趋势：AI Agent正在从代码生成、客服对话等"防御性"场景，向"进攻性"的安全领域渗透。 传统的渗透测试是高度人工密集型的工作，安全工程师需要持续学习最新的漏洞库和攻击手法。AI Agent的介入，可能将这一门槛大幅降低——但同时也将扩大"能进行渗透测试"的人群范围，引发新的安全担忧。
从技术演进角度看，CypherFix的"AI生成修复代码+自动开PR"模式，代表了DevSecOps自动化的新方向——安全工具不再只负责发现问题，而是直接参与修复闭环。这与微软Security Copilot、GitHub Advanced Security等产品的发展路径一致，是未来安全运营的重要方向。
RedAmon是一个野心勃勃的AI红队框架，它将185,000+条检测规则、多Agent协作编排、Neo4j图数据库可视化和CypherFix自动修复能力整合在一起，通过Docker一键部署降低了渗透测试的门槛。对于安全团队而言，它是提升测试覆盖度和效率的强力助手；对于安全研究者而言，它是学习AI+安全交叉领域的优秀实践案例。
但请永远记住：能力的边界，由使用者的责任意识划定。
分析时间：2026-06-12 | 数据来源：GitHub API + 官方README文档 | 原始Stars：1978