从"操作手册执行"到"攻击意图驱动":PentAGI 掀起的渗透范式革命

原创2026-10-15 18:38:401,716 阅读
文章标签:人工智能大模型AI Agent多智能体自主智能体网络安全渗透测试应用安全本地部署RAG知识图谱后端前端

从"操作手册执行"到"攻击意图驱动":PentAGI 掀起的渗透范式革命

传统渗透测试的流程写进每一本教科书:信息收集、端口扫描、漏洞枚举、验证利用、后渗透、写报告。六个步骤环环相扣,却也条条框框——安全工程师必须像执行操作手册一样,在 nmap 与 sqlmap 之间手动传递输出、凭经验判断下一步、再花同样多的精力把结果整理成报告。而 PentAGI(Penetration testing Artificial General Intelligence)给出的答案是另一套逻辑:安全工程师只需要表达"攻击意图",剩下的一切——任务分解、工具选择、路径推演、结果沉淀——由一队自主 AI Agent 在隔离沙箱内接力完成。这个曾登上 GitHub Trending 日榜前列的开源项目(vxcontrol/pentagi),正在把渗透测试从"照手册执行的手艺活"变成"意图驱动的自主推演系统"。本文结合仓库源码拆解这场范式革命的三根支柱,以及它对安全从业者能力模型的真实冲击。

一、范式对比:从"人肉执行手册"到"意图驱动"

在旧范式里,人是执行链路上唯一的决策节点。一次标准的 Web 渗透,工程师要先手动跑 nmap 探活、识别服务版本,把结果人工喂给 gobuster 或 sqlmap,再根据返回内容决定是否上 Metasploit。工具的语法差异、输出格式、失败重试,全部要靠人的记忆和经验兜底。这套模式的瓶颈不在工具,而在"人"——链路越长,状态丢失和判断漂移越严重,多天多轮的任务尤其如此。

PentAGI 的做法是把"攻击意图"作为系统的输入,把"手册"本身交给 Agent 去推演。仓库的流程文档明确定义了四级抽象:Flow(一次完整的渗透会话)、Task(用户提出的目标)、Subtask(系统自动分解的序列步骤)、Action(Agent 执行的具体操作)。用户只提交 Flow 层面的原始请求,接下来的拆解与调度全部自动化:

  • Generator Agent 负责将 Task 分解为不超过 15 个顺序子任务。其提示词(subtasks_generator.tmpl)要求"generate optimized subtasks that will accomplish the PRIMARY USER REQUEST",并强调"Minimize Step Count & Execution Time"——这已经不是在执行手册,而是在按目标做路径规划;
  • Primary Agent 扮演"团队编排经理"(primary_agent.tmpl 中自称 "TEAM ORCHESTRATION MANAGER"),在执行每个 Subtask 时动态决定"自己做还是委派",并在遇到瓶颈时调用 Adviser(战略顾问)获取建议;
  • Refiner Agent 在每个 Subtask 完成后复审剩余计划,通过 subtask_patch 工具增删改排剩余步骤(refiner.tmpl 自称 "SUBTASK PLAN OPTIMIZER")。计划不是一次定死的路线图,而是随证据滚动演化的"活体计划"。

这套"生成计划 → 执行 → 复盘 → 修正计划"的闭环,正是从 Plan→Act→Observe 循环生长出的工程化实现。与传统"六步手册"最本质的差别在于:旧范式里计划是静态文档,新范式里计划是动态推演产物——它随每一次 nmap 输出、每一次失败的利用尝试而实时改写,攻击路径不是人脑里预设的剧本,而是系统在图谱与上下文中实时"推演"出来的。

二、三大支柱:调度容器、注入图谱与推演契约

支撑这场范式切换的,是仓库里三条清晰的工程主线。

支柱一:Agent 调度容器——Docker 即"沙盒操作系统与任务总线"

所有 Agent 的动作都发生在一等公民的 Docker 容器里,而不是宿主机上。这不仅是隔离手段,更是调度语义的一部分。看 worker_spec.go 的定义:

func WorkerSpec(cfg *config.Config, image string) (*container.Config, *container.HostConfig) {
	return &container.Config{
			Image:      image,
			Entrypoint: []string{"tail", "-f", "/dev/null"},
		}, &container.HostConfig{
			CapDrop: []string{"ALL"},
			CapAdd:  workerCapabilities(cfg),
		}
}

CapDrop: <a href="https://link.gitcode.com/i/b3a924a59d824a831887541b88151b7c" target="_blank">"ALL"] 配合显式 capability 白名单(不含 SYS_ADMIN、SYS_MODULE、SYS_RAWIO 等危险项,NET_ADMIN 默认关闭),加上 [client.go 中默认 PidsLimit=2048 的 fork 炸弹防护,构成了"能跑渗透工具、不能逃逸宿主机"的边界。更值得注意的是 flow_commands.go 里一套通过 oom_score_adj 标记任务进程的机制:FlowCommand 启动的进程会被打上标记,Stop 可以通过扫描 /proc 精准终止属于该 Flow 的任务进程——也就是说,容器不仅隔离了 Agent 的执行环境,还成为了可精确回收的"任务总线"。而 sandbox.go 在每次启动前都会用 sandbox_probe.sh 探测 daemon 的 capability、seccomp、apparmor 配置是否达标,把"沙箱本身是否安全"变成可度量的前置检查项。

配合 GetPrimaryContainerPorts 的确定性端口分配算法(每个 Flow 获得唯一端口窗口),以及基于任务自动选择镜像的 Image Chooser,PentAGI 把"给 Agent 分配一个干净的作战单元"做成了全自动流程。前端展示的任务流界面(如 flows-light-visual-linux.png 所示)背后,就是这些一次性容器的生命周期管理。

支柱二:结构化注入图谱——ChainAST 与 Graphiti 的双层记忆

范式切换的第二根支柱,是系统如何"记住"并"关联"信息。PentAGI 建了两层记忆:

第一层是 ChainAST(对话链抽象语法树)。核心实现在 backend/pkg/cast/chain_ast.go:它将 LLM 对话链组织成 ChainAST → Sections → (Header + BodyPairs) 的树形结构,每个 BodyPair 被区分为 RequestResponse(含工具调用及响应)、Completion(纯文本回复)、Summarization(历史摘要)三种类型,并全程跟踪 sizeBytes 字节数。这套结构解决了 Agent 长会话的三个致命问题:校验(工具调用必须有匹配响应、不能出现悬空调用)、修复(force=true 时可自动补齐缺失的工具响应、合并连续 human 消息)、压缩(基于精确字节数做摘要决策)。chain_summary.go 里的 Summarizer 正是依赖 ChainAST 的 size 追踪,把旧段落压成带 **summarized content:** 前缀的摘要、保留最近的 QA 片段,确保上下文窗口永不被撑爆——这是让自主渗透能"打持久战"的基础设施。

第二层是 Graphiti + Neo4j 时序知识图谱。与向量库的"语义相似"不同,图谱记录的是"发生了什么、谁和谁相关"。pentester 的提示词(pentester.tmpl)规定了一整套攻击本体论:节点标签如 Host / Port / Service / WebApp / Vulnerability / Credential / ValidAccess,边类型如 HAS_PORT / RUNS_SERVICE / DETECTED_VULNERABILITY → CONFIRMED_VULNERABILITY → HAS_VULNERABILITY / PIVOTED_TO。Agent 在行动前被强制要求先检索图谱("ALWAYS search Graphiti BEFORE attempting any significant action"),graphiti_search.go 提供了六种检索模式:recent_context(最近发生了什么)、successful_tools(什么工具曾经成功)、episode_context(完整推理链)、entity_relationships(实体关系)、diverse_results(多样化替代方案)、entity_by_label(按类型清点资产)。再加上 PostgreSQL + pgvector 的向量存储,PentAGI 实际上构建了一个"操作记忆(向量)+ 攻击图景(图谱)"的双层记忆系统——攻击路径不再是线性日志,而是可被查询、可被推理的关系网络,这正是"图谱驱动动态决策"说法的源码级出处。

支柱三:动态推演契约——工具注册表与意图化搜索

范式切换的第三根支柱,是 Agent 与执行层之间的"契约"。这个契约由两套机制固化:

一是结构化工具注册表(registry.go)。PentAGI 把 40+ 工具按职责划分为六类:EnvironmentToolType(terminal、file)、SearchNetworkToolType(browser、web_search、各搜索引擎)、SearchVectorDbToolType(记忆检索)、AgentToolType(委派 coder/pentester/memorist 等专家)、StoreAgentResultToolType(专家结果回传)、BarrierToolType(done/ask 控制流终结)。任何 Agent 的输出都必须落到结构化 tool call 上——reflector.tmpl 中的 Reflector Agent 专门拦截"用纯文本假装执行工具"的错误行为,以用户口吻把 Agent 纠正回结构化调用(最多 3 次迭代)。这意味着系统不信任模型的"嘴",只信任模型的"手"。

二是意图化搜索编排(web_search.go)。搜索工具不再让模型直接选引擎,而是让模型表达意图,由编排器选择引擎:

// ModeLinks — a ranked list of source links ...
// ModeAnswer — a synthesized answer over live sources ...
// ModeResearch — deep, multi-source synthesis with reasoning ...
// ModeExploit — exploit / PoC / offensive-tool discovery ...
var fallbackStrategy = map[SearchMode][]database.SearchengineType{
	ModeExploit: {EngineSploitus, EngineTavily, EngineFirecrawl, EnginePerplexity,
		EngineInternal, EngineTraversaal, EngineGoogle, EngineDuckDuckGo, EngineSearxng},
}

当 Agent 想找 PoC 时,它表达 mode=exploit,编排器自动优先命中 Sploitus 等漏洞情报源并逐级降级重试。这套"表达意图、编排执行"的分层,与调度容器、注入图谱一起构成了完整的三支柱架构:容器管住"手",图谱管住"脑",契约管住"嘴与手的连接"。

三、范式升级对能力模型的重塑:从业者还是"指挥官"

范式切换最深远的影响不在系统内部,而在系统外部——安全从业者的能力模型正在被重写。

旧范式要求工程师是"工具大师":背得下 nmap 的几十个参数,记得住 sqlmap 的注入语法,熟练度等于产出。PentAGI 的提示词工程反而在系统性抹平这类技能差异——pentester.tmpl 甚至内置了 CLI_ARGUMENT_PROTOCOL 专门纠正 Agent 幻觉参数、跨工具误用标志("-p 在 nmap 是端口、在 hydra 是密码")等常见错误,并强制"拿不准先 --help"。这意味着"精确调用工具"正从人的核心竞争力降级为系统的默认能力。

取而代之的,是四类新的核心能力:

  1. 意图表达与任务描述:Generator 依赖用户输入质量生成子任务计划,输入越精确、范围越清晰,计划收敛越快。这本质上是一种新的"需求工程"能力。
  2. 结果审核与干预判断:系统提供了 ask 工具作为人工检查点、Adviser 作为"高级导师监督"(question_task_planner.tmpl 中的 3-7 步执行计划预检)。从业者必须能判断"Agent 的哪些结论可信、哪些是幻觉、何时该叫停"——这是从执行者到审核者的转身。
  3. 安全边界设计与治理:README 的 "Current Capability Boundaries" 明确说明 PentAGI 不是 CALDERA 式的 BAS 模拟产品、不支持预置攻击剧本,授权范围完全依赖人工划定。从业者要维护好沙箱隔离、授权边界与工具白名单,这已经从"测试技能"变成了"平台运营技能"。
  4. 记忆系统运维:向量库的 guide/answer/code 四类文档与 Neo4j 图谱需要持续治理。社区部署实践也验证了这一点:Neo4j 社区版在渗透场景存在内存倒挂、索引缺失等性能瓶颈,WSL2 内存配置、Docker 资源配额、推理延迟与 Token 消耗都成为真实的落地课题——能把这些基础设施调优到可生产状态的人,价值远高于会敲 nmap 命令的人。

同时也要泼一盆冷水:这套范式并非没有代价。社区试用反馈普遍提到"耗时长、Token 消耗高、人工干预缺失",而 Graphiti 图谱的一致性维护、多 Agent 并行时的资源争抢,仍是工程上的硬骨头。PentAGI 的真正意义,不是宣称"AI 取代渗透测试工程师",而是把人的岗位从流水线上解放出来,押注到意图设计、边界治理与结果裁决这些更高杠杆的环节上。

结语

从"操作手册执行"到"攻击意图驱动",PentAGI 用一行行 Go 代码回答了一个本质问题:渗透测试的生产力瓶颈,究竟在工具,还是在组织工具的方式?它给出的答案是后者——通过 Docker 沙箱做调度容器、ChainAST 与 Graphiti 做结构化注入图谱、工具注册表与意图化搜索做动态推演契约,系统第一次把"攻击路径的推演权"从人移交给了可编排、可推理、可演化的自动化闭环。对安全行业而言,这是范式级的信号:下一个十年,红队竞争的主战场不在命令行,而在意图的精度与治理的深度。

登录后查看全文
pentagi