文章总结： 本文详细解析了HatiAI渗透测试系统的三层架构（用户交互层、智能调度层、工具执行层），重点介绍了MiniMaxLLM决策引擎、HexStrikeMCP工具集成平台和RAG知识库三大核心组件，并阐述了Redis进度追踪、WebSocket流式推送、Elasticsearch审计日志等辅助系统设计。文章通过具体代码示例展示了系统如何实现LLM驱动的自动化渗透测试流程，为AI安全应用提供了可参考的工程实践方案。 综合评分： 85 文章分类： 渗透测试,AI安全,红队,安全工具,安全建设
第三章 – 重生之我是AI人：架构拆解LLM 怎么当黑客的大脑
Khan安全团队
2026年6月19日 21:07 广东
在小说阅读器读本章
去阅读
以下文章来源于威胁情报Z分析 ，作者Gachong
威胁情报Z分析 .
国际网络安全威胁情报，地缘政治事件分析。
- 架构
第二章你跑通了，现在停下来想一下：Hati 整体怎么设计？为什么这样设计？
我把它拆成 3 层 + 2 个边界：
第 1 层：用户交互层
● Web UI：static/index.html(SPA，1815 行 HTML/JS，没用任何前端框架，纯 vanilla)
● REST API：api/main.py(798 行，FastAPI)
● WebSocket：api/websocket.py(流式推送，5175 字节)
为啥不用 React/Vue？因为整个 UI 只有 3 个页面：主页、报告页、设置页。Vanilla JS + 几个 fetch 调用就够了，引框架反而是负担。
第 2 层：智能调度层
● Orchestrator：agents/orchestrator.py(2986 行，整个项目最重文件)
● ChatAgent：agents/chat_agent.py(1287 行，自然语言入口)
● Sub-agents：agents/recon_agent.py / vuln_agent.py / exploit_agent.py / report_agent.py
● RAG：rag/(153+277 行，向量检索)
● State：state/pentest_state.py(584 行，LangGraph 状态定义)
关键点：这一层只做决策，不做执行。LLM 想想下一步干啥，然后调下面那层去真的发包。
第 3 层：工具执行层
● HexStrike MCP Server：54 个安全工具的 HTTP 包装（这里补充一点，hex完整是有124个工具的，我只注册了54个，因为越多占用硬盘空间也越多，ai也不一定会选择都用上）
● SSH 隧道：scripts/ssh_tunnel.sh / .ps1
● Docker 容器：docker/Dockerfile.toolkit(可选，工具镜像)
关键点：这一层是真发包的地方。主机和 VM 之间通过 HTTP(明文)或 SSH 隧道(加密)通信。
- 三个核心组件
2.1 MiniMax LLM — 大脑
选 MiniMax 的理由：
● OpenAI 协议兼容，迁移成本低
● 国内访问稳定，不用魔法
● 价格友好(我们单次任务大概烧 0.5-1 元)
怎么接的？看 config/minimax_config.py：29-60：
MINIMAX_API_KEY = os.getenv("MINIMAX_API_KEY"， "")MINIMAX_BASE_URL = "https：//api.minimax.chat/v1"MINIMAX_MODEL = os.getenv("MINIMAX_MODEL"， "MiniMax-M2.7")
class MiniMaxLLM： def __init__(self， api_key， model， base_url)： self.llm = ChatOpenAI( api_key=api_key， base_url=base_url， model=model， temperature=0.7， max_tokens=4096， )
LLM 配置(config/settings.py：25-27)：
minimax_api_key： str = ""minimax_group_id： str = ""minimax_model： str = "abab6.5s-chat" # 兼容老字段
2.2 HexStrike MCP — 手和脚
MCP 是啥？Model Context Protocol，Anthropic 搞的一个标准协议，让 LLM 知道有哪些工具可以调。HexStrike 把 124 个渗透测试工具(nmap、nuclei、sqlmap、ffuf…) 全部包成 MCP 工具。但因为外存有限，我只用了54个做尝试。
我为啥不用 HexStrike 的”原版”？原版是给 Claude 桌面端用的，集成方式不一样。Hati 走的是自己包一层 HTTP 客户端(agents/recon_agent.py 里的 HexStrikeClient)，通过 HTTP API 调 Kali VM 上的 MCP Server。
54 个工具长啥样？看 hexstrike/hexstrike_mcp.py，全是函数：
@mcp.tool()def nmap_scan(target： str， ports： str = "1-65535") -> dict： """Nmap 端口扫描""" return subprocess_run(["nmap"， "-sV"， "-p"， ports， target])
Hati 怎么用？看 agents/recon_agent.py 的 HexStrikeClient：
class HexStrikeClient： def __init__(self， base_url=settings.hexstrike_server_url)： self.base_url = base_url
def execute_command(self， command： str， category： str = "general")： return requests.post( f"{self.base_url}/api/command"， json={"command"： command， "category"： category}， timeout=180 ).json()
2.3 RAG 知识库
RAG = Retrieval Augmented Generation。简单说：让 LLM 动手前先查”参考书”。
为啥需要？
● LLM 知识有截止日期，新出的 0day 不知道
● 真实 POC 有特异性，MySQL 注入和 PostgreSQL 注入语法不同
● LLM 凭记忆容易写出错的 payload
数据：poc/wpoc/ 下的 799 个文件。每个文件是一个产品的已知漏洞。
向量模型：all-MiniLM-L6-v2(Sentence Transformers 出的，90MB 不到，本地 CPU 跑得动)。
存储：ChromaDB，本地嵌入式，不用起服务。
完整路径：poc/wpoc/*.md → scripts/build_rag.py → ChromaDB → rag/query_interface.py 检索
- 三个辅助系统
3.1 Redis 进度追踪
干啥：Web UI 实时显示”现在在做什么”，这个信息从哪来？Redis。
配置(config/settings.py：30-33)：
redis_host： str = "localhost"redis_port： int = 6379redis_db： int = 0redis_db_progress： int = 2 # 进度追踪专用 DB
实现：state/progress_tracker.py。每次阶段切换都写一条进度到 Redis，WebSocket 从 Redis 读出来推给前端。
降级设计：Redis 挂了 → 内存兜底，Hati 不会因此崩。
3.2 WebSocket 流式推送
为啥要 WebSocket？HTTP 没法”服务端主动推”，只能客户端轮询。渗透测试跑几分钟，前端轮询既慢又浪费。
接口：ws：//localhost：8000/ws/{client_id}
消息类型：
{type： "progress"， content： "正在扫描端口..."}{type： "ai_token"， content： "我决定"} // 流式 token{type： "result"， data： {...}}{type： "complete"， report_url： "..."}
实现：api/websocket.py(5175 字节，不长)。
3.3 Elasticsearch 审计日志
为啥要审计？每一次 LLM 决策、每一次工具调用、每一次漏洞发现，都要记下来。这是合规需要，不是技术需要。
配置(config/settings.py：36-37)：
elasticsearch_host： str = "localhost"elasticsearch_port： int = 9200
索引：pentest-logs-YYYY.MM.DD
降级设计：ES 不可用 → 写本地 JSON。Windows 上特别有用 — Docker 起 ES 在 Windows 上慢得离谱。
实现：security/audit_logger.py：48-65 的 ping() 检测，失败就 fallback。
- 状态机设计
为啥要状态机？因为渗透测试是一个多阶段、长周期的任务，不能像普通 HTTP 请求那样一次性返回。
7 个阶段(state/pentest_state.py：14-25)：
class PentestPhase(str， Enum)： INIT = "init" # 初始化 RECON = "recon" # 信息收集 VULN_SCAN = "vuln_scan" # 漏洞扫描 EXPLOIT = "exploit" # 漏洞利用 POST_EXPLOIT = "post_exploit" REPORT = "report" # 报告生成 COMPLETE = "complete" ABORTED = "aborted" # 中止
任务状态(state/pentest_state.py：29-38)：
class TaskState(str， Enum)： PENDING = "pending" RUNNING = "running" WAITING_APPROVAL = "waiting_approval" # 等待高危操作审批 APPROVED = "approved" REJECTED = "rejected" SUCCESS = "success" FAILED = "failed" CANCELLED = "cancelled"
LangGraph 状态结构(state/pentest_state.py：145-180)：几十个字段，从 task_id 到 vulnerabilities 到 markdown_content，统统塞在 PentestState 这个 TypedDict 里流转。
- 关键设计原则
最后总结一下整个项目的设计原则，也是我希望小伙伴们看其他模块时能带上的视角：
重生之我是AI人：让 AI 替我挖洞 — 从一次甲方任务聊起
第二章 – 重生之我是AI人：5分钟，把 Hati 装好
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：Khan安全团队 《第三章 – 重生之我是AI人：架构拆解LLM 怎么当黑客的大脑》
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