BlacksmithAI：AI 驱动的自动化渗透测试框架

想象这样一个场景：某天晚上，一家中型企业的安全团队收到通知——他们的 Web 应用可能存在 SQL 注入漏洞。传统做法是安全工程师手动逐个测试每一个参数，耗时数小时甚至数天。而 BlacksmithAI 的出现，让这一切变成了 AI 驱动的自动化流水线：用户只需输入目标地址，系统就会自动协调多个专业 AI 代理，从侦察、信息收集、漏洞扫描、漏洞利用到后渗透分析，全程无需人工干预，最终生成一份完整的安全评估报告。

背景：渗透测试为什么需要 AI 自动化？

渗透测试（Penetration Testing）是网络安全领域最核心的评估手段之一，通过模拟真实攻击来发现系统漏洞。传统渗透测试高度依赖经验丰富的安全工程师，需要他们手动操作 Kali Linux 中的数十种工具（nmap、sqlmap、Nuclei、hydra……），并在整个过程中不断做出判断和调整。这个过程有三个显著痛点：门槛高（需要大量专业知识积累）、耗时长（完整一次测试可能需要数天）、一致性差（不同工程师的测试覆盖范围和深度存在差异）。

近年来，大语言模型（LLM）在代码生成和推理方面展现了强大能力，安全领域开始出现第一批 AI 辅助渗透测试工具。但这些工具大多采用"单 Agent"模式——一个超级 AI 代理试图独自完成所有任务，这种方式存在明显瓶颈：当测试目标变得复杂时，单个 Agent 的上下文窗口会迅速被消耗殆尽，对各阶段工具的调用精度也难以保证。

BlacksmithAI 的作者 Yohannes Gebrekirstos 敏锐地捕捉到了这个痛点，于 2025 年 12 月创建了 BlacksmithAI 项目。它采用层级多代理（Hierarchical Multi-Agent）架构，将渗透测试全流程拆分为多个专业 Agent，由一个 Orchestrator（编排器）统一协调，每个 Agent 专注自己擅长的领域，彼此通过 LangGraph 状态图共享任务上下文。这种设计让系统既能保持专业深度，又具备全局视野。

图1：BlacksmithAI 品牌标识

架构解析：层级多代理如何工作

BlacksmithAI 的核心是 LangGraph 构建的有状态工作流图，整个渗透测试生命周期由以下 Agent 协作完成：

Orchestrator（编排器）：作为整个系统的大脑，Orchestrator 负责任务规划、阶段间的状态流转，以及最终安全报告的生成。它维护整个测试流程的状态机，根据当前阶段结果决定下一步调用哪个专业 Agent。当某个 Agent 返回的结果触发特定条件时，Orchestrator 还会动态调整后续策略——比如在发现高危漏洞后，优先触发 Exploit Agent 深入验证。

侦察代理（Reconnaissance Agent）：这是渗透测试的起点。Agent 调用 whois、dig、dnsrecon、assetfinder、subfinder、findomain 等工具，对目标进行全面信息收集——域名注册信息、DNS 记录、子域名发现、资产映射。其目标是在最短时间内建立起对目标攻击面的完整认知，为后续阶段提供情报基础。

扫描与枚举代理（Scanner/Enumeration Agent）：拿到侦察数据后，该 Agent 接过接力棒，使用 nmap、masscan、gobuster、wpscan、fingerprintx 等工具对目标进行深度端口扫描、服务枚举、Web 指纹识别。它会识别出开放的端口、运行的服务、网站的 CMS 类型，以及任何可进一步利用的入口点。

漏洞映射代理（Vulnerability Mapping Agent）：这是连接扫描与利用的关键桥梁。Agent 使用 Nuclei（业界最活跃的漏洞扫描模板库之一）和 sslscan，对识别出的服务和端点进行漏洞匹配。它维护着一个漏洞知识库，能够将 CVSS 评分与扫描结果关联，生成按风险等级排序的漏洞清单。

漏洞利用代理（Exploit Agent）：基于漏洞清单，Exploit Agent 调用 sqlmap、hydra、medusa、ncrack 等专业利用工具，验证漏洞可利用性，并生成 PoC（概念验证代码）。该 Agent 还具备动态编程能力——它可以使用 Python、Go、Perl、Ruby 等语言编写针对特定漏洞的利用脚本，通过 mini-kali Docker 容器安全隔离执行。

后渗透代理（Post-Exploitation Agent）：一旦成功获取初始访问权限，该 Agent 进入后渗透阶段。它利用 Impacket 工具集（psexec、smbclient、secretsdump）和 netcat、socat 等工具进行横向移动和权限维持分析，评估攻击者在目标网络中能够扩散到什么程度。

每个 Agent 都在 LangGraph 的 checkpointer 机制下运行，支持暂停、恢复和多轮对话。Agent 之间通过结构化消息传递上下文，而非简单的 prompt 拼接，这保证了即使面对复杂的内网渗透场景，整个工作流也能保持稳定和可解释。

图2：BlacksmithAI Web UI 运行界面

技术栈：LangGraph 为核心的全栈架构

BlacksmithAI 的技术选型非常明确——以 LangGraph 作为多 Agent 编排的核心引擎，搭配 LangChain 生态提供工具调用和 LLM 接入能力。

后端（Python 3.12）：核心依赖包括：

• langgraph==1.0.8 + langgraph-checkpoint==4.0.0：有状态 Agent 工作流
• langgraph-sdk==0.3.6 + langgraph-api==0.7.37：API 服务化
• langchain==1.2.10 系列：工具调用框架
• chromadb==1.5.0：向量数据库，用于存储和检索工具文档嵌入（make embed-tools 流程）
• deepagents==0.4.1：深度 Agent 框架扩展
• anthropic==0.79.0 + openai==2.21.0：多 LLM 供应商支持
• langchain-google-genai==4.2.0：Gemini 模型支持

LLM 灵活性是 BlacksmithAI 的一大亮点。config.json 支持 OpenRouter（默认）、vLLM（本地部署）和 OpenAI 三大模式：

• OpenRouter：默认使用 openrouter/hunter-alpha 模型，享受统一接口接入数十种模型的优势
• vLLM：支持本地部署，通过 make vllm-serve 启动 vLLM 服务器，可使用 Mistral-7B、Devstral-2-123B 等开源模型，完全免费且数据不出本机
• 配置中的 default_embedding_model 统一使用 OpenAI text-embedding-3-small，确保向量检索的一致性

前端（Next.js + TypeScript）：位于独立的 frontend/ 目录，采用 Next.js 14 App Router 架构，UI 组件基于 Tailwind CSS 构建。提供了现代化的 Web 界面，用户可以在浏览器中配置测试目标、监控 Agent 工作状态、查看实时渗透结果。

持久化层：docker-compose.yml 中配置了 Redis 7（会话状态缓存）和 PostgreSQL（LangGraph checkpoint 持久化），两者均绑定到本地 127.0.0.1 端口，确保数据安全不暴露。

工具环境隔离：最巧妙的设计是 mini-kali-slim Docker 容器。所有渗透测试工具（nmap、sqlmap、Nuclei、hydra 等）都运行在这个只读、tmpfs 隔离的容器环境中。容器通过 curl -f http://localhost:9756/health 暴露健康检查接口，主应用通过 HTTP 请求向其发送命令并获取执行结果。这种设计从根本上隔离了危险操作——即使 Agent 执行了恶意命令，也被限制在容器内部，不会影响宿主机。

图3：BlacksmithAI CLI 模式运行示例

部署体验：上手难度几何？

BlacksmithAI 的部署体验可以用"引导清晰、步骤稍多"来概括。

快速上手流程（推荐）：

1. git clone 克隆仓库
2. cd blacksmithAI && uv sync 安装 Python 依赖（uv 会自动创建虚拟环境）
3. make docker-build 构建 mini-kali Docker 镜像
4. cp .env.example .env，填入 OpenRouter API Key（或选择 vLLM 本地模式）
5. make embed-tools 索引工具文档到 ChromaDB
6. make start-cli 或按文档步骤启动 Web UI

整个过程在良好网络环境下约 30 分钟。官方提供了详尽的 Makefile，覆盖了从安装、启动、vLLM 部署到状态查看的全部操作。对于想快速体验的用户，bs.kahanlabs.com 提供了托管版本，无需任何本地配置即可试用。

CLI vs Web UI 的选择：CLI 模式只需一个终端，适合快速验证和安全研究员的日常使用。Web UI 模式需要 2-3 个终端（分别运行 Docker、Next.js 前端和 LangGraph dev server），但提供了更直观的可视化体验。两者共享同一套后端逻辑，数据互通。

本地大模型支持是 BlacksmithAI 的独特优势。vLLM 集成让用户可以在本地 GPU 上运行开源渗透测试专用的 LLM（如 Devstral 2 123B），完全摆脱对第三方 API 的依赖。这对于注重数据隐私的安全团队尤其有价值——渗透测试涉及大量敏感目标信息，API 调用可能带来数据泄露风险。

行业意义与局限

BlacksmithAI 的出现反映了安全工具领域的一个明确趋势：AI Agent 正在从辅助角色走向自动化流水线的主角。传统的渗透测试工具（Burp Suite、Metasploit）以人工操作为设计原点，AI 的加入只是增加了一些自动化脚本；而 BlacksmithAI 从第一天起就是为 AI Agent 设计的，人类的角色从操作者变成了监督者和策略制定者。

从项目增长来看，BlacksmithAI 于 2025 年 12 月底创建，到 2026 年 7 月已积累 231 Stars，虽然绝对数量不大，但考虑到这是一个高度垂直的安全工具领域，这个增长曲线值得关注。项目已获得 Product Hunt 推荐，Discord 社区正在建设中，文档站点 bs.kahanlabs.com/docs/ 也已上线。

必须正视的局限：

• 渗透测试的合法性问题：自动化工具天然面临被滥用于未经授权渗透的风险。BlacksmithAI 在受控 Docker 环境中运行是一个负责任的设计，但工具本身的开放性意味着无法完全防止滥用。
• 实际效果有待验证：BlacksmithAI 宣称的"AI 驱动的完整渗透测试生命周期"在复杂目标上的表现，目前公开资料中缺乏足够的红队测试数据支撑。对于真正专业的安全评估，专业安全工程师的经验仍然不可替代。
• Docker 环境依赖：所有工具都运行在 mini-kali 容器中，这意味着对 Windows 和 macOS 用户而言，Docker 是硬性依赖（非 Linux 系统的 WSL2/macOS Docker Desktop 配置会增加额外复杂度）。

总结

BlacksmithAI 是一个设计思路清晰、技术选型现代的 AI 渗透测试框架。它的核心价值在于将渗透测试的各阶段工作分配给专业 Agent，通过 LangGraph 的状态机协调机制串联成完整流水线。docker-compose 一键部署、vLLM 本地模型支持、以及详尽的 Makefile 引导，大幅降低了对专业安全工程师的依赖。

对于安全研究人员、CTF 爱好者和想快速了解目标系统安全状况的团队，BlacksmithAI 提供了一个值得一试的自动化方案。但正如任何自动化安全工具一样——它是你手中的精密仪器，而非万能钥匙。在实际生产环境中使用前，请务必在授权范围内充分验证其输出准确性。