awsome-kali-MCPServers 使用指南
1. 项目介绍
awsome-kali-MCPServers 是一款为 Kali Linux 环境量身定制的 Model Context Protocol(MCP)服务器集合。该项目旨在通过集成强大的工具和灵活的特性,增强反向工程、安全测试和自动化工作流程。无论是安全研究员还是开发者,这个项目都能帮助简化您的任务。
2. 项目快速启动
构建 Docker 镜像
首先,您需要构建一个名为 kali-mcps 的 Docker 镜像。在项目根目录下运行以下命令:
docker build -t kali-mcps:latest .
启动 MCP 客户端
确保您已经安装了一个 MCP 客户端,比如 claude desktop、cline、goose 或 roo code。打开您选择的 MCP 客户端。
配置 MCP 客户端
在您的 MCP 客户端中,创建一个配置文件(例如 config.json),内容如下:
{
"mcpServers": {
"kali-docker": {
"command": "docker",
"args": ["run", "-i", "kali-mcps:latest"]
}
}
}
在这里,kali-docker 是服务器名称,您可以自定义。command: "docker" 指定使用 Docker 运行容器。args 定义了 Docker 运行参数:-i 启用交互模式,kali-mcps:latest 是您刚刚构建的镜像。
使用 Kali 工具
一旦配置完成,通过 MCP 客户端连接到 kali-mcps 容器,并开始使用内置的 Kali 工具(如 Nmap、nm、objdump、strings、tshark)执行任务。例如:
- 运行
basic_scan进行基本网络扫描。 - 运行
disassemble反汇编目标文件。 - 运行
capture_live捕获实时网络流量。
3. 应用案例和最佳实践
网络分析
使用集成的工具进行嗅探和分析网络流量。例如,使用 Nmap 进行网络扫描,tshark 进行网络流量分析。
二进制理解
利用工具进行反向工程和功能分析,比如使用 objdump 反汇编文件,nm 列出符号。
自动化
通过脚本和服务器简化重复性任务,比如自动化的网络扫描和流量捕获。
4. 典型生态项目
awsome-kali-MCPServers 可以与多个开源项目配合使用,以下是一些典型的生态项目:
- Nmap:用于网络发现和安全审核的免费开源工具。
- Wireshark:一个网络协议分析器,用于网络问题分析、软件和通信协议开发。
- Ghidra:由 NSA 开发的一个反向工程工具,用于分析二进制文件。
- Radare2:一个开源的逆向工程框架。
通过这些工具和项目的结合使用,可以极大地扩展 awsome-kali-MCPServers 的功能和应用场景。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00