pentagi

背景：安全测试正在被 AI 重写

想象一下：你是一名企业安全工程师，每年要完成数十次渗透测试（penetration testing）。传统做法是资深安全专家手动扫描、攻击、记录——每次至少耗费数天，遇到复杂系统甚至需要一周以上。而每次测试的成本往往在几万到几十万不等。PentAGI 出现后，这个局面正在被悄然改变。

PentAGI（全称 Penetration testing Artificial General Intelligence）是由安全公司 vxcontrol 于 2025 年 1 月开源的全自主 AI 渗透测试系统。它不是一个简单的扫描工具，而是一支由 AI Agent 组成的"虚拟渗透测试团队"——可以自主制定攻击计划、调用专业安全工具、生成漏洞报告，而且全程在沙箱隔离环境中运行，不会对真实系统造成意外破坏。

这个项目在 GitHub 上已积累超过 17,000 颗星，吸引了全球安全研究员、AI 研究者和开发者的关注。它的出现代表了一个重要趋势：AI Agent 正在从问答助手进化为能够执行复杂多步骤任务的"数字员工"。

---

类比解释：PentAGI 是什么？

如果把传统渗透测试比作"老中医问诊"——靠专家个人经验和判断，那么 PentAGI 就是"AI 医疗团队会诊"：研究员 Agent 负责信息搜集、开发者 Agent 负责制定攻击方案、执行者 Agent 负责实际操作，多个专业角色协同作战，还能记住每次攻击的成功经验供下次参考。

PentAGI 背后的架构设计同样精妙。它采用了编排器（Orchestrator） + 专家 Agent 团队的模式：

• Orchestrator（编排器）：负责接收任务、分解目标、调度专家 Agent、整合结果，相当于"项目经理"。
• Researcher（研究员）：负责目标侦察、信息搜集、Web 情报挖掘，相当于"侦察兵"。
• Developer（开发者）：负责制定攻击策略、选择利用方案，相当于"军师"。
• Executor（执行者）：负责实际运行命令和工具，调用 nmap、sqlmap、metasploit 等 20+ 专业工具，相当于"特种兵"。

这四个角色通过向量数据库（PostgreSQL + pgvector）和知识图谱（Graphiti + Neo4j）共享上下文，实现长期记忆和语义关联理解。

---

核心功能：它能做哪些事？

1. 全自动渗透测试

用户只需输入目标 URL 或描述（如"测试 https://example.com 的安全性"），PentAGI 便会自动：

1. 调用研究员 Agent 进行目标侦察（端口扫描、指纹识别、Web 信息搜集）
2. 调用开发者 Agent 分析漏洞利用路径
3. 调用执行者 Agent 在隔离 Docker 环境中实施攻击
4. 自动生成详细的漏洞报告和利用步骤说明

一个具体场景：安全工程师小王需要在下班前完成一个客户网站的渗透测试报告。传统方式他需要手动操作近 20 款工具，花费 6-8 小时。而使用 PentAGI，他输入目标后，系统在 2 小时内完成了完整测试，并生成了可直接交付客户的报告。

2. 内置 20+ 专业安全工具

PentAGI 镜像内置了安全圈常用的专业工具，包括但不限于：

• nmap（端口扫描）
• metasploit（漏洞利用框架）
• sqlmap（SQL 注入检测）
• Nikto（Web 服务器扫描）
• Gobuster（目录/子域名爆破）
• Burp Suite Community（Web 代理）
• 以及更多专业工具

所有工具运行在独立的 Docker 沙箱容器中，与宿主机完全隔离，确保测试操作不会影响生产环境。

3. 知识图谱驱动的长期记忆

PentAGI 集成了 Graphiti 知识图谱系统（后端使用 Neo4j 图数据库）。这意味着：

• 每次渗透测试的结果会被结构化存储到知识图谱中
• 未来的测试任务可以"借鉴"历史上发现的成功攻击路径
• Agent 能够理解漏洞之间的语义关系（如"这个 CVE 与那个配置错误有关联"）

这相当于给 AI Agent 装上了"记忆大脑"，避免每次都从零开始摸索。

4. 灵活的 LLM 提供商支持

PentAGI 是目前支持 LLM 提供商最多的安全 Agent 系统之一：

• 云端：OpenAI (GPT-5/o-series)、Anthropic (Claude 4.6 Opus/Sonnet/Haiku)、Google Gemini、AWS Bedrock
• 国产：DeepSeek、GLM（智谱）、Kimi（Moonshot）、Qwen（通义千问）
• 本地：Ollama（支持本地部署，完全离线运行）
• 聚合：OpenRouter、DeepInfra

用户可以根据预算和隐私需求自由选择——预算充足用 GPT-5，追求性价比用 Claude Haiku，注重隐私则完全本地部署。

5. 高级 Agent 监督机制（Beta）

PentAGI 引入了一套多层次 Agent 监督系统，防止 AI 在复杂攻击场景中"迷失"：

• 自动 Mentor 干预：当检测到重复工具调用（阈值可配置）时，Adviser Agent 自动介入提供指导
• 进度分析：实时评估 Agent 是否在向目标推进，识别死循环和低效行为
• 替代策略建议：当当前策略失败时，推荐不同的攻击思路
• 链式摘要（Chain Summarization）：自动压缩历史对话上下文，防止超出 LLM token 限制

6. 完整可编程 API

PentAGI 提供完整的 REST API 和 GraphQL API：

• 生成 Bearer Token 进行身份认证
• 通过 API 创建渗透测试任务、查询进度、获取报告
• 支持 CI/CD 集成，可将安全测试嵌入自动化流水线
• 提供 Swagger UI 和 GraphQL Playground 在线调试

7. 配套可观测性栈

生产环境部署时，PentAGI 支持接入：

• Langfuse：LLM 调用的追踪和分析（帮助你了解 AI 每次决策的成本和质量）
• Grafana + Prometheus：系统资源监控
• Jaeger：分布式追踪（了解每个请求在各微服务中的流转路径）
• Loki：日志聚合

---

技术架构：代码层面看 PentAGI

PentAGI 的代码库采用 Go 后端 + React 前端的现代分离架构：

后端（Go 1.24）：

• backend/cmd/pentagi：主入口，承载 HTTP/GraphQL 服务
• backend/pkg/graph/：GraphQL schema 和 resolver（使用 gqlgen 生成）
• backend/pkg/providers/：多 LLM 提供商适配层（openai、anthropic、ollama、bedrock 等各自独立目录）
• backend/pkg/tools/：工具注册表和执行器（browser、terminal、search、memory 等 20+ 工具）
• backend/pkg/graphiti/：Graphiti 知识图谱客户端
• backend/pkg/docker/：Docker 沙箱容器管理
• backend/pkg/observability/：OpenTelemetry 集成
• 依赖包括：Gin Web 框架、gqlgen GraphQL 引擎、pgvector 向量扩展、docker/go-connections 容器 SDK、go-oidc OAuth

前端（React + TypeScript + Vite）：

• 使用 React 18 + TypeScript 构建
• GraphQL Schema 驱动的类型安全 API 调用
• TailwindCSS 样式方案
• 支持 WebSocket 实时任务状态推送

基础设施依赖（通过 docker-compose）：

• PostgreSQL + pgvector（主数据库 + 向量存储）
• Neo4j（图数据库，Graphiti 知识图谱）
• Redis（缓存 + 限流）
• VictoriaMetrics + Grafana（监控）
• ClickHouse + MinIO（LLM 分析数据存储）
• Langfuse（可选，LLM 可观测性）

---

上手门槛：谁适合用？

适合人群：

• 安全工程师和渗透测试从业者（需要一定安全知识背景）
• 安全研究机构（用于自动化批量安全评估）
• 企业安全团队（CI/CD 流水线集成）
• AI/Agent 研究者（参考多 Agent 协作系统设计）

不适合：

• 完全没有安全背景的普通用户（AI 输出的攻击命令需要人工判断风险）
• 追求零配置开箱即用的用户（至少需要配置一个 LLM API Key）

部署方式：

• 推荐方式：curl -fsSL installer.sh 交互式安装脚本，自动检测环境并配置
• 手动方式：编辑 .env 配置文件 + docker compose up -d
• 生产高安全场景：推荐两节点架构（主控 + 隔离 Worker 节点），通过 Docker-in-Docker + TLS 认证确保安全边界

访问地址：默认 https://localhost:8443，默认账号 admin@pentagi.com / admin。

---

争议与局限：它不是银弹

1. LLM 幻觉风险：AI 有可能生成不存在的漏洞或错误的利用路径，需要安全专家审核每个发现
2. 法律合规边界：全自动渗透测试可能触及法律灰色地带，使用前务必确保拥有明确授权
3. 本地部署门槛：完全本地化（Ollama）需要足够的 GPU 算力（官方推荐 RTX 3060+），对硬件有要求
4. 复杂场景能力有限：面对需要物理接触、社会工程学的攻击场景，AI Agent 能力有限
5. Agent 监督机制为 Beta：高级 Mentor 干预功能尚处于测试阶段，在某些场景下可能不够稳定

---

行业意义：开源安全 Agent 的里程碑

PentAGI 的出现代表着 AI Agent 在高价值、长周期、复杂决策任务上的一次重要验证。渗透测试需要 AI 在多个阶段（侦察→分析→攻击→报告）持续做出正确决策，同时调用外部工具并管理上下文——这比简单对话复杂得多。

从数据看，项目在 17 个月内获得了 17,000+ stars、2,300+ forks，说明市场对这类工具有真实需求。它的多 LLM 提供商架构也为研究不同模型在安全场景下的表现提供了绝佳实验场。

总结：PentAGI 是目前最成熟的开源 AI 渗透测试 Agent 系统，代表了 AI 赋能网络安全的重要方向。但它不是替代人工的"一键工具"，而是安全专家的强力放大器——能让经验丰富的安全工程师在更短时间内覆盖更多攻击面。