文章总结： PentestAIAgents项目将ClaudeCode改造为拥有28个专业子智能体的红队作战平台，通过三层架构实现渗透测试全流程自动化。项目采用Swarm编排体系将工作分为规划、侦察、验证、利用等6个阶段，利用SQLite数据库解决上下文限制问题。该方案通过物理隔离和索引传递机制提升AI协作效率，为渗透测试工程师提供可落地的自动化解决方案。 综合评分： 87 文章分类： 渗透测试,红队,安全工具,AI安全,安全运营
AI 渗透进入“下半场”：为什么逻辑协同比大模型本身更重要？
原创
APT-101 APT-101
APT-101
2026年4月27日 18:41 陕西
在小说阅读器读本章
去阅读
作为渗透测试工程师的今天，如果你的渗透测试还停留在 “喂一行 Prompt，等一行结果” 的原始阶段，那你可能正在错过一场效率革命。
GitHub项目：Pentest AI Agents。它不是一个简单的脚本库，它是为 Claude Code 注入灵魂的 28 个专业子智能体（Subagents）集合。Pentest AI Agents。这不仅是一套脚本，更是一套成熟的、可落地的 AI 渗透测试操作系统。
一、 项目定位：从“对话框”走向“作战室”
一句话定位： 该项目是专为 Claude Code 设计的 28 个专业子智能体（Subagents）集合。
它将 Claude 从一个通用的语言模型，改造为一个拥有多专业背景、具备文件系统读写权限、且自带安全护栏的红队作战平台。它的目标不是替代专家，而是通过自动化繁琐的侦察、分析与报告环节，让专家回归到最高价值的“逻辑博弈”中。
二、 架构概览：三层联动体系
项目的整体架构可以概括为：指令层、逻辑层、数据层。
- 指令层 (.claude/agents/)：28 个
.md格式的专家定义。 - 逻辑层 (Swarm Orchestration)：基于任务路由的编排逻辑，负责在不同阶段调用最合适的专家。
- 数据层 (db/)：基于 Bash 驱动的 SQLite 发现数据库。这是项目的“长期记忆”。
项目根目录/├── .claude/agents/ ← 28 个专业 Agent 定义（.md 文件）│ ├── swarm-orchestrator ← 总指挥（Swarm 编排器）│ ├── engagement-planner ← 渗透测试规划师│ ├── recon-advisor ← 侦察与枚举顾问│ ├── web-hunter ← Web 渗透猎人│ ├── api-security ← API 安全专家│ ├── vuln-scanner ← 漏洞扫描专家│ ├── poc-validator ← PoC 验证专家│ ├── attack-planner ← 攻击链策划师│ ├── exploit-chainer ← 漏洞链式利用专家│ ├── ad-attacker ← Active Directory 攻击专家│ ├── credential-tester ← 凭证破解专家│ ├── exploit-guide ← 漏洞利用指南│ ├── bizlogic-hunter ← 业务逻辑漏洞猎人│ ├── bug-bounty ← 赏金猎人│ ├── mobile-pentester ← 移动端渗透专家│ ├── cloud-security ← 云安全专家（AWS/Azure/GCP）│ ├── cicd-redteam ← CI/CD 持续红队│ ├── osint-collector ← OSINT 情报收集│ ├── social-engineer ← 社会工程学专家│ ├── wireless-pentester ← 无线网络渗透│ ├── forensics-analyst ← 数字取证分析师│ ├── malware-analyst ← 恶意软件分析师│ ├── threat-modeler ← 威胁建模专家│ ├── detection-engineer ← 检测规则工程师（蓝队视角）│ ├── report-generator ← 报告生成器│ ├── privesc-advisor ← 提权顾问│ ├── stig-analyst ← STIG 合规分析师│ ├── ctf-solver ← CTF 解题助手│ └── _scope-guard ← 范围守卫（安全护栏）├── .claude/commands/ ← 斜杠命令├── db/ ← Bash 驱动的 SQLite 发现数据库│ ├── findings.sh ← 工程会话管理 CLI│ ├── handoff.sh ← Agent 间交接脚本│ ├── schema.sql ← 7 张表的数据库设计│ └── lib/ ← 公共库└── examples/ ← 示例输出（报告片段、检测规则等）
三、 核心架构：Swarm 编排体系
该项目模仿了现实中红队小队的协作模式，将渗透测试拆解为 6 个 Phase（阶段）：
- 规划（Planner）：委派
engagement-planner生成 MITRE ATT&CK 映射计划与 RoE（交战规则）。 - 侦察（Recon）：调用
recon-advisor与osint-collector建模，结果自动写入 SQLite。 - 验证（Validator）：
poc-validator负责对漏洞扫描结果进行二阶段验证，过滤 AI 误报。 - 利用（Exploit）：
exploit-chainer关联多个低危发现，构建端到端攻击路径。
Phase 1: 规划阶段┌─────────────────────────────────────────────┐│ swarm-orchestrator (总指挥) ││ ↓ 委派给 engagement-planner ││ → 制定渗透测试计划、MITRE ATT&CK 映射 ││ → 生成 RoE（交战规则）模板 │└─────────────────────────────────────────────┘Phase 2: 侦察阶段┌─────────────────────────────────────────────┐│ swarm-orchestrator ││ ↓ 委派给 recon-advisor ││ ↓ 委派给 osint-collector ││ ↓ 委派给 web-hunter ││ → 收集攻击面情报 ││ → 端口扫描、子域名枚举、OSINT │└─────────────────────────────────────────────┘Phase 3: 漏洞分析与验证┌─────────────────────────────────────────────┐│ swarm-orchestrator ││ ↓ 委派给 vuln-scanner ││ ↓ 委派给 poc-validator ││ → 跑 Nuclei/Nessus/OpenVAS ││ → 生成 PoC 验证每个发现 ││ → 过滤误报 │└─────────────────────────────────────────────┘Phase 4: 攻击链构建┌─────────────────────────────────────────────┐│ swarm-orchestrator ││ ↓ 委派给 attack-planner ││ ↓ 委派给 exploit-chainer ││ → 关联多工具发现 ││ → 构建端到端攻击路径 ││ → 优先级排序 │└─────────────────────────────────────────────┘Phase 5: 漏洞利用┌─────────────────────────────────────────────┐│ swarm-orchestrator ││ ↓ 委派给 exploit-guide ││ ↓ 委派给 ad-attacker ││ ↓ 委派给 credential-tester ││ ↓ 委派给 privesc-advisor ││ → 执行利用 ││ → 凭证破解 ││ → AD 攻击 ││ → 权限提升 │└─────────────────────────────────────────────┘Phase 6: 报告┌─────────────────────────────────────────────┐│ swarm-orchestrator ││ ↓ 委派给 report-generator ││ → 生成专业渗透测试报告 │└─────────────────────────────────────────────┘
四、 Agent 详细分类：28 位“数字专家”
为了保证专业深度，项目将 Agent 细分为七大类别，涵盖了从移动端、云安全到工业合规（STIG）的全场景覆盖。
- 指挥协调类：
swarm-orchestrator（总指挥）、engagement-planner（规划师）。 - 侦察枚举类：
recon-advisor（扫描）、osint-collector（情报）、web-hunter（Web 猎人）。 - 深度渗透类：
ad-attacker（AD 域控）、api-security（接口安全）、cloud-security（云安全）。 - 利用验证类：
poc-validator（PoC 验证）、exploit-chainer（漏洞链构建）。 - 特定领域类：
mobile-pentester（移动端）、wireless-pentester（无线）、cicd-redteam（持续红队）。 - 防御与取证类：
detection-engineer（检测规则）、forensics-analyst（数字取证）。 - 辅助产出类：
report-generator（报告生成）、stig-analyst（合规分析）。
五、 安装与使用手册
要驱动这支“数字红队”，你需要按照以下步骤操作：
1. 环境准备
确保已安装 Claude Code。如果未安装，请执行： npm install -g @anthropic-ai/claude-code
2. 项目克隆与安装
# 克隆项目git clone https://github.com/0xSteph/pentest-ai-agents.gitcd pentest-ai-agents
# 给予安装脚本权限chmod +x install.sh
# 执行安装。建议选 --global 全局安装，方便在任何项目下唤起专家./install.sh --global
3. 快速启动
在你的渗透测试目标目录下开启 claude 终端，直接通过斜杠命令调用：
/swarm：启动总指挥模式，自动开始规划和侦察。/web-hunter：专门针对 Web 目标开启深度挖掘。/report-generator：根据db/下记录的漏洞数据，自动生成 Markdown 报告。
六、 核心痛点讨论：AI Agent 的工程化“深水区”
在实际使用过程中，有两个 AI 领域的底层问题是任何开发者都无法回避的。Pentest AI Agents 给出了一套极具工程美学的参考答案：
1. 上下文大小（Context Window）的极限博弈
痛点： 渗透测试产生的 Nmap 扫描结果、HTTP 流量包、目录爆破日志动辄数万行。直接塞进对话，会导致 AI 变得“健忘”甚至产生逻辑崩溃。
项目的解法： 物理隔离 + “外挂”索引。 它利用子智能体（Subagent）机制，让每一个任务都在独立的 Session 中运行。主进程只通过 SQLite 数据库传递资产的 ID 索引。
- 例子： 主 Agent 只告诉
web-hunter：“去分析 ID 为 7 的主机。” 子 Agent 随后精准读取数据库中该主机的服务信息。这种 “按需按量读取” 的逻辑，绕过了上下文窗口的物理限制。
# 智能体能力配置文件定义subagents: - name: "ad-attacker" allowed_tools: - "read_file" # 允许读取扫描结果 - "write_file" # 允许写入攻击路径 - "run_terminal_command" # 强制预读指令 pre_run_commands: - "cat ./recon/active_hosts.txt" # 启动即同步状态
2. 结果协同中的“逻辑断层”问题
痛点： 当 Agent A 仅将“扫描结果”传给 Agent B 时，往往丢失了关键的“思考过程”。这可能导致 Agent B 无法理解漏洞的利用环境，从而导致任务失败。
项目的解法： 带推理证据的交接（Handoff with Reasoning）。 在 handoff.sh 和各 Agent 的 Prompt 设计中，强制要求输出包含：
Reasoning（逻辑链）：我为什么得出这个结论？排除了哪些干扰项？Evidence（证据路径）：支撑结论的原始日志在哪一行？ 通过这种方式，Agent 之间传递的不仅是数据，更是结构化的知识。即使后续 Agent 遇到死路，也能通过回溯推理链快速重定位。
// 核心调度逻辑：决定何时切换 Agentasync function orchestrator(userInput) { // 1. 调用 Planner Agent 生成结构化计划 const plan = await callSubagent("engagement-planner", userInput);
// 2. 解析计划中的任务阶段 const tasks = parseMarkdownPlan(plan);
for (let task of tasks) { // 3. 根据任务标签动态选择子 Agent const agentName = routeToAgent(task.category); // e.g., "web" -> "web-hunter"
// 4. 传递“上下文简报”而非全量历史 const brief = { objective: task.description, prior_findings: await readLocalFile("findings_summary.md"), // 读取共享黑板 evidence_path: "./logs/last_scan.json" };
const result = await callSubagent(agentName, brief);
// 5. 强制执行“结果持久化” await updateFindingsSummary(result); }}
七、 价值升华：管理复杂性的艺术
网络安全本质上是信息熵与成本的竞赛。
Pentest AI Agents 的价值在于，它将专家的经验（Prompt）与机器的算力（Tooling）进行了完美的解耦与封装。它让我们看到，AI 不仅仅能写代码，它更能像人类一样进行分层思考、协同作战、并遵守严格的安全规范。
项目地址：https://github.com/0xSteph/pentest-ai-agents
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：APT-101 APT-101 APT-101《AI 渗透进入“下半场”：为什么逻辑协同比大模型本身更重要？》
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