文章总结： Shannon是一款基于Claude的开源全自动AI渗透测试工具，结合白盒代码分析与黑盒动态利用，遵循无利用即无报告原则。它采用多智能体架构，支持2FA登录及OWASP漏洞扫描，集成Nmap等工具自动完成从侦察到报告的全流程，适用于各类Web应用及Monorepo架构的安全测试。 综合评分： 88 文章分类： 渗透测试,AI安全,WEB安全,安全工具,代码审计
Shannon——全自动 AI 渗透测试工具
一个人挺好 一个人挺好
一个人挺好 wa
2026年2月11日 19:14 贵州
项目地址：
https://github.com/KeygraphHQ/shannon
1. 项目概述
Shannon 是一款开源全自动 AI 渗透测试工具，旨在解决现代软件开发中的安全测试缺口问题。
1.1 项目定位
表格
| 属性 | 描述 | | — | — | | 项目名称 | Shannon | | 开发组织 | KeygraphHQ | | 许可证 | AGPL-3.0 (Shannon Lite) | | GitHub Stars | 17,000+ | | 核心定位 | 全自动 AI 渗透测试工具 | | 技术基础 | Anthropic Claude Agent SDK |
#
1.3 核心能力
- 白盒源代码分析：深入理解应用架构、数据流和认证路径
- 黑盒动态利用：通过内置浏览器执行真实攻击（注入、认证绕过等）
- 零误报策略：严格执行”无利用，无报告”（No Exploit, No Report）原则
- 完全自主操作：从 2FA/TOTP 登录到最终报告生成，全程无需人工干预
2. 核心特性
2.1 功能特性
表格
| 特性 | 描述 | | — | — | | 全自动操作 | 单命令启动，AI 处理从登录、浏览到报告的所有环节 | | 渗透测试级报告 | 提供可复现的漏洞利用证明（PoC），消除误报 | | OWASP 漏洞覆盖 | 支持 Injection、XSS、SSRF、认证/授权缺陷等关键漏洞类型 | | 代码感知测试 | 分析源代码指导攻击策略，结合动态利用验证真实风险 | | 集成安全工具 | 集成 Nmap、Subfinder、WhatWeb、Schemathesis 等侦察工具 | | 并行处理 | 多漏洞类型并行分析，缩短测试时间 | | 高级认证支持 | 支持 2FA/TOTP、Google Sign-in 等复杂登录流程 |
2.2 技术亮点
- 证明式漏洞验证：不仅发现潜在问题，而是通过实际执行攻击来验证漏洞可利用性
- 浏览器自动化：使用真实浏览器进行点击、导航和攻击执行
- 数据流分析：追踪用户输入到危险 sink 的完整路径
- 命令行集成：结合浏览器自动化和命令行工具进行深度利用
3. 系统架构
Shannon 采用多智能体架构（Multi-Agent Architecture），模拟人类渗透测试专家的方法论，通过四个阶段完成安全测试：
plain
┌──────────────────────┐
│ Reconnaissance │
│ (侦察阶段) │
└──────────┬───────────┘
│
▼
┌──────────┴───────────┐
│ │ │
▼ ▼ ▼
┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐
│ Vuln Analysis │ │ Vuln Analysis │ │ ... │
│ (Injection) │ │ (XSS) │ │ (其他漏洞类型) │
│ 漏洞分析阶段 │ │ │ │ │
└─────────┬───────┘ └─────────┬───────┘ └─────────┬───────┘
│ │ │
▼ ▼ ▼
┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐
│ Exploitation │ │ Exploitation │ │ ... │
│ (Injection) │ │ (XSS) │ │ │
│ 利用阶段 │ │ │ │ │
└─────────┬───────┘ └─────────┬───────┘ └─────────┬───────┘
│ │ │
└─────────┬─────────┴───────────────────┘
│
▼
┌──────────────────────┐
│ Reporting │
│ (报告阶段) │
└──────────────────────┘
3.1 架构阶段详解
Phase 1: 侦察（Reconnaissance）
目标：构建完整的应用攻击面地图
执行内容：
- 源代码分析：理解技术栈、框架和架构
- 基础设施侦察：集成 Nmap、Subfinder 等工具
- 实时应用探索：通过浏览器自动化登录、点击和爬取
- 关联分析：将代码级洞察与实际行为关联
输出：详细的入口点、API 端点和认证机制地图
Phase 2: 漏洞分析（Vulnerability Analysis）
目标：并行识别潜在漏洞
执行内容：
- 并行执行：每个 OWASP 类别由专门的智能体处理
- 数据流分析：对 Injection、SSRF 等漏洞进行结构化追踪
- 假设生成：产出假设的可利用路径列表
特点：此阶段仅生成假设，不验证漏洞
Phase 3: 利用（Exploitation）
目标：将假设转化为实际证明
执行内容：
- 并行利用：各漏洞类型的专门利用智能体同时工作
- 真实攻击执行：使用浏览器自动化、命令行工具和自定义脚本
- “无利用，无报告”政策：无法成功利用的假设被标记为误报并丢弃
关键原则：只有通过实际攻击验证的漏洞才会进入报告阶段
Phase 4: 报告（Reporting）
目标：生成专业、可操作的渗透测试报告
执行内容：
- 数据整合：合并侦察数据和成功利用证据
- 噪音清理：移除幻觉或弱支持的发现
- PoC 生成：提供可复现的、复制粘贴式的漏洞利用代码
- 结构化输出：生成符合渗透测试标准的综合报告
4. 快速开始
4.1 前置条件
表格
| 需求 | 说明 | | — | — | | Docker | 容器运行时环境 | | AI 凭证 | Anthropic API Key 或 Claude Code OAuth Token（推荐 Anthropic） |
4.2 环境配置
设置最大输出令牌数（防止长报告生成时触发限制）：
bash
# 本地运行
exportCLAUDE_CODE_MAX_OUTPUT_TOKENS=64000
# Docker 运行（通过 -e 参数传递）
-eCLAUDE_CODE_MAX_OUTPUT_TOKENS=64000
4.3 安装步骤
bash
# 1. 克隆仓库
git clone https://github.com/KeygraphHQ/shannon.git
cd shannon
# 2. 配置 AI 凭证（二选一）
# 选项 A：环境变量
exportANTHROPIC_API_KEY="your-api-key"
# 或
exportCLAUDE_CODE_OAUTH_TOKEN="your-oauth-token"
# 选项 B：.env 文件
cat> .env <<'EOF'
ANTHROPIC_API_KEY=your-api-key
EOF
# 3. 构建容器
docker build -t shannon:latest .
# 4. 准备目标仓库
# 将目标应用代码放入 ./repos/ 目录
git clone https://github.com/your-org/your-app.git repos/your-app
4.4 运行渗透测试
bash
# 基础命令
./shannon start URL=https://your-app.com REPO=your-app
# 使用配置文件
./shannon start URL=https://your-app.com REPO=your-app CONFIG=./configs/my-config.yaml
# 自定义输出目录
./shannon start URL=https://your-app.com REPO=your-app OUTPUT=./my-reports
4.5 监控与停止
bash
# 查看实时日志
./shannon logs
# 查询特定工作流进度
./shannon query ID=shannon-1234567890
# 打开 Temporal Web UI 进行详细监控
open http://localhost:8233
# 停止所有容器（保留工作流数据）
./shannon stop
# 完全清理（移除所有数据）
./shannon stop CLEAN=true
5. 配置指南
5.1 配置文件结构
配置文件放置在 ./configs/ 目录，自动挂载到容器：
yaml
# configs/my-app-config.yaml
authentication:
login_type: form
login_url:"https://your-app.com/login"
credentials:
username:"[email protected]"
password:"yourpassword"
totp_secret:"LB2E2RX7XFHSTGCK"# 可选，支持 2FA
login_flow:
-"Type $username into the email field"
-"Type $password into the password field"
-"Click the 'Sign In' button"
success_condition:
type: url_contains
value:"/dashboard"
rules:
avoid:
-description:"AI should avoid testing logout functionality"
type: path
url_path:"/logout"
focus:
-description:"AI should emphasize testing API endpoints"
type: path
url_path:"/api"
5.2 配置参数说明
表格
| 配置项 | 类型 | 描述 |
| — | — | — |
| login_type | string | 登录类型：form, oauth, sso 等 |
| login_url | string | 登录页面 URL |
| credentials | object | 用户名、密码、TOTP 密钥 |
| login_flow | array | 自然语言描述的登录步骤 |
| success_condition | object | 登录成功的判断条件 |
| rules.avoid | array | 避免测试的路径/功能 |
| rules.focus | array | 重点测试的路径/功能 |
5.3 本地应用测试
Docker 容器无法直接访问主机的 localhost，需使用 host.docker.internal：
bash
./shannon start URL=http://host.docker.internal:3000 REPO=your-app
6. 使用模式
6.1 单仓库应用
bash
git clone https://github.com/your-org/your-repo.git repos/your-app
./shannon start URL=https://your-app.com REPO=your-app
6.2 Monorepo 项目
bash
git clone https://github.com/your-org/monorepo.git repos/your-monorepo
./shannon start URL=https://your-app.com REPO=your-monorepo
6.3 多仓库应用（前后端分离）
bash
mkdir repos/your-app
cd repos/your-app
git clone https://github.com/your-org/frontend.git
git clone https://github.com/your-org/backend.git
git clone https://github.com/your-org/api.git
cd../..
./shannon start URL=https://your-app.com REPO=your-app
6.4 使用现有本地仓库
bash
cp-r /path/to/your-existing-repo repos/your-app
./shannon start URL=https://your-app.com REPO=your-app
免责声明：
本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。
任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。
本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。
本文转载自：一个人挺好 wa 一个人挺好 一个人挺好《Shannon——全自动 AI 渗透测试工具》
版权声明
本站仅做备份收录，仅供研究与教学参考之用。
读者将信息用于其他用途的，全部法律及连带责任由读者自行承担，本站不承担任何责任。
评论