claude-bug-bounty · 安全与评测

Claude Bug Bounty：把AI变成漏洞猎手

从"手工挖洞"到"AI协作"

想象一下：你打开终端，敲一行命令，AI就开始自动对这个目标做信息收集、端口扫描、漏洞探测、报告撰写——全程不需要你盯着。这不是科幻，这是 Claude Bug Bounty 正在做的事情。

2026年3月正式公开，不到4个月斩获2463颗星、425个fork，至今仍保持每日更新的活跃节奏。项目作者 shuvonsec（Twitter @shuvonsec）是一个有真实漏洞赏金收入的独立安全研究员，他把自己多年的实战经验全部沉淀进了这套工具链。

"Built by bug hunters, for bug hunters."

图1：Claude Bug Bounty 项目核心定位

背景：漏洞赏金为什么需要AI？

漏洞赏金（HackerOne、Bugcrowd、Intigriti、Immunefi）是安全研究员的主要收入来源之一，但行业有个公认的痛点：新手门槛极高。一个初学者面对陌生的目标，往往不知道从哪下手——信息收集要用什么工具？哪些漏洞类型值得测？找到一个可疑点怎么判断是不是真实漏洞？写报告要注意什么？

传统路径是"踩坑学习"：大量阅读公开报告、积累payload、反复试错。Claude Bug Bounty 的思路是：把专家经验编码成 AI 工作流，让 AI 扮演一个24小时在线的高级研究员搭档，你负责最终决策，重复劳动交给 AI。

核心功能：一条命令，完整闭环

项目的命令行接口设计极为精炼，核心四步覆盖完整赏金工作流：

/recon target.com        # 信息收集：子域名枚举 → 存活主机探测 → URL爬取 → nuclei扫描
/hunt target.com         # 漏洞探测：IDOR、SSRF、XSS、SQLi、业务逻辑漏洞等20类
/validate                # 7问筛选门：消灭弱洞，避免浪费时间写无效报告
/report                  # 自动生成：支持 HackerOne / Bugcrowd / Intigriti / Immunefi 格式
/autopilot target.com    # 全自动：scope → recon → hunt → validate → report，全程自主运行

除核心命令外，还提供大量专项工具：

/surface — 基于历史数据对攻击面打分排序
/cloud-recon — 探测公网S3/Azure/GCP存储桶
/secrets-hunt — 从JS包和GitHub组织中挖掘泄露凭证
/web3-audit — 10类智能合约漏洞审计（Reentrancy、Oracle Manipulation、ERC4626 Share Inflation等）
/token-scan — Meme币 rug pull 扫描

每个子命令背后都是一个 Python/shell 脚本，源码完全透明可见，用户可以自由修改 payload 和检测逻辑。

技术架构：三层解耦

第一层：Claude Code 插件层（skills + commands + agents）

项目将攻击方法论拆分为10个独立技能库（SKILL.md格式），作为 Claude Code 的插件加载：

skills/bug-bounty/ — 总纲，包含所有漏洞类型和链式攻击方法
skills/web2-recon/ — 信息收集专项
skills/web2-vuln-classes/ — 21类漏洞的bypass表
skills/triage-validation/ — 7问筛选门的判定逻辑
skills/report-writing/ — 各平台报告模板
skills/web3-audit/ — 智能合约审计方法论

同时内置9个专业Agent：recon-agent（侦察）、validator（验证）、report-writer（报告）等，各司其职。

第二层：ReAct Agent 执行层（agent.py + brain.py）

agent.py 实现 LangGraph 风格的 ReAct（Reasoning + Acting）循环，核心是：

Observe (当前状态) → Think (LLM推理) → Act (调用工具) → Observe (结果) → 循环

工作内存每5步压缩一次，避免上下文溢出；完整发现历史持久化到 JSON Session 文件，崩溃重启后可恢复。

brain.py 是多提供商 LLM 推理层，支持 Ollama（本地）、Claude API、OpenAI、Grok（xAI），优先使用经过 VAPT 微调的本地模型（如 vapt-qwen25）以降低成本。

第三层：工具脚本层（tools/ 目录，约50个独立工具）

涵盖 httpx、nuclei、katana、ffuf、dalfox、subfinder 等流行工具的封装，以及大量自研脚本（IDOR扫描器、OAuth测试器、Race条件测试等）。所有工具均按需安装（install_tools.sh），不满足依赖时自动跳过而非报错。

MCP 集成层：支持与 Burp Suite、Caido 两大专业渗透测试工具以及 HackerOne API 深度集成。

上手门槛与部署

优点：

安装极简：克隆仓库后运行 ./install_tools.sh && ./install.sh 即可完成
无需配置任何服务器或 GPU，纯本地运行
每个命令自带友好的使用提示，降低学习成本

门槛：

需要 Claude Code（Claude Pro/Max订阅）或 Anthropic API Key（境外服务，有成本）
部分高级功能依赖境外扫描工具和数据源（Chaos API等），国内访问受限
工具链依赖 Go 环境，非 Linux/macOS 用户需要额外适配
大量外部工具的安装增加了环境配置的复杂度

整体部署难度：低（★☆☆）

争议与局限

1. AI 生成报告的质量 Claude 生成的报告是否真的能过平台审核？社区反馈两极：有用户反映 AI 报告"框架正确但细节不足"，尤其是业务逻辑漏洞需要手工补充影响分析。项目文档明确建议 /validate 环节必须人工介入——AI 可以帮你判断是否值得写，但最终报告的深度仍取决于研究员的实战经验。

2. 自动化边界 /autopilot 虽然看起来强大，但面对需要登录态、验证码、复杂交互的目标时效果大打折扣。项目将这类场景的测试权交还给人工，明确标注"5分钟无进展自动切换目标"规则。

3. 合法性风险 项目 README 和 TERMS.md 反复强调"仅限授权范围内测试"（Authorized Testing Only），工具本身不包含任何攻击载荷，但部分功能（如凭证spray、 Secrets扫描）存在被滥用的可能性。使用者需自行承担法律风险。

4. 维护活跃度 项目于2026年3月创建，4个月内更新极为频繁，但这类个人项目长期维护存在不确定性。

行业意义

Claude Bug Bounty 代表了 AI 安全工具的一个重要方向：不是用 AI 替代安全研究员，而是用 AI 把研究员的"肌肉记忆"（经验直觉、payload积累、报告模板）外化出来，让新人也能站在前人的肩膀上。

从技术趋势看，多Agent协作（recon + hunt + validate + report 分工）、工具链编排（LangGraph/ReAct）、记忆持久化（跨Session的pattern DB）是当前 AI 安全 Agent 的三大标配能力，Claude Bug Bounty 在这三点上都做了务实的实现。

项目另一个值得关注的地方是将 Web2 渗透测试与 Web3 智能合约审计统一到同一套框架下——这种跨领域的工具链整合，在DeFi安全事件频发的当下具有实际价值。

快速上手路径

# 1. 克隆
git clone https://github.com/shuvonsec/claude-bug-bounty.git
cd claude-bug-bounty

# 2. 安装外部工具（subfinder/httpx/nuclei等）
chmod +x install_tools.sh && ./install_tools.sh

# 3. 安装 AI 技能包
chmod +x install.sh && ./install.sh

# 4. 开始狩猎
claude
/recon target.com        # 先侦察
/hunt target.com         # 再挖洞
/validate                # 筛选
/report                  # 出报告

完整教程见项目 TUTORIAL.md

Claude Bug Bounty：把AI变成漏洞猎手

从"手工挖洞"到"AI协作"

"Built by bug hunters, for bug hunters."

图1：Claude Bug Bounty 项目核心定位

背景：漏洞赏金为什么需要AI？

核心功能：一条命令，完整闭环

项目的命令行接口设计极为精炼，核心四步覆盖完整赏金工作流：

/recon target.com        # 信息收集：子域名枚举 → 存活主机探测 → URL爬取 → nuclei扫描
/hunt target.com         # 漏洞探测：IDOR、SSRF、XSS、SQLi、业务逻辑漏洞等20类
/validate                # 7问筛选门：消灭弱洞，避免浪费时间写无效报告
/report                  # 自动生成：支持 HackerOne / Bugcrowd / Intigriti / Immunefi 格式
/autopilot target.com    # 全自动：scope → recon → hunt → validate → report，全程自主运行

除核心命令外，还提供大量专项工具：

/surface — 基于历史数据对攻击面打分排序
/cloud-recon — 探测公网S3/Azure/GCP存储桶
/secrets-hunt — 从JS包和GitHub组织中挖掘泄露凭证
/web3-audit — 10类智能合约漏洞审计（Reentrancy、Oracle Manipulation、ERC4626 Share Inflation等）
/token-scan — Meme币 rug pull 扫描

每个子命令背后都是一个 Python/shell 脚本，源码完全透明可见，用户可以自由修改 payload 和检测逻辑。

技术架构：三层解耦

第一层：Claude Code 插件层（skills + commands + agents）

项目将攻击方法论拆分为10个独立技能库（SKILL.md格式），作为 Claude Code 的插件加载：

skills/bug-bounty/ — 总纲，包含所有漏洞类型和链式攻击方法
skills/web2-recon/ — 信息收集专项
skills/web2-vuln-classes/ — 21类漏洞的bypass表
skills/triage-validation/ — 7问筛选门的判定逻辑
skills/report-writing/ — 各平台报告模板
skills/web3-audit/ — 智能合约审计方法论

同时内置9个专业Agent：recon-agent（侦察）、validator（验证）、report-writer（报告）等，各司其职。

第二层：ReAct Agent 执行层（agent.py + brain.py）

agent.py 实现 LangGraph 风格的 ReAct（Reasoning + Acting）循环，核心是：

Observe (当前状态) → Think (LLM推理) → Act (调用工具) → Observe (结果) → 循环

工作内存每5步压缩一次，避免上下文溢出；完整发现历史持久化到 JSON Session 文件，崩溃重启后可恢复。

brain.py 是多提供商 LLM 推理层，支持 Ollama（本地）、Claude API、OpenAI、Grok（xAI），优先使用经过 VAPT 微调的本地模型（如 vapt-qwen25）以降低成本。

第三层：工具脚本层（tools/ 目录，约50个独立工具）

MCP 集成层：支持与 Burp Suite、Caido 两大专业渗透测试工具以及 HackerOne API 深度集成。

上手门槛与部署

优点：

安装极简：克隆仓库后运行 ./install_tools.sh && ./install.sh 即可完成
无需配置任何服务器或 GPU，纯本地运行
每个命令自带友好的使用提示，降低学习成本

门槛：

需要 Claude Code（Claude Pro/Max订阅）或 Anthropic API Key（境外服务，有成本）
部分高级功能依赖境外扫描工具和数据源（Chaos API等），国内访问受限
工具链依赖 Go 环境，非 Linux/macOS 用户需要额外适配
大量外部工具的安装增加了环境配置的复杂度

整体部署难度：低（★☆☆）

争议与局限

4. 维护活跃度 项目于2026年3月创建，4个月内更新极为频繁，但这类个人项目长期维护存在不确定性。

行业意义

快速上手路径

# 1. 克隆
git clone https://github.com/shuvonsec/claude-bug-bounty.git
cd claude-bug-bounty

# 2. 安装外部工具（subfinder/httpx/nuclei等）
chmod +x install_tools.sh && ./install_tools.sh

# 3. 安装 AI 技能包
chmod +x install.sh && ./install.sh

# 4. 开始狩猎
claude
/recon target.com        # 先侦察
/hunt target.com         # 再挖洞
/validate                # 筛选
/report                  # 出报告

完整教程见项目 TUTORIAL.md