AutoHunter：解放双手！AI 自主漏洞挖掘平台
InfVul无限漏洞实验室
2026年8月20日 06:47
北京
在小说阅读器读本章
去阅读
一台机器 = 24×7 不停歇的挖洞平台，你只当「人工复审员」，醒来几分钟完成裁决。
一、项目简介
AutoHunter是一款基于多 Agent 协同的自动化漏洞挖掘系统，由安全研究员 StanleyNull 开发。它的核心理念很简单——让 AI 干脏活累活，人只做最终决策。
你把一台服务器交给它，配好大模型 API 和 FOFA Key，它就能 7×24 小时不停歇地搜集目标、发起侦察、执行真实攻击验证、提交漏洞发现，而你只需要每天花几分钟看看 AI 审核后的结果，做通过/打回/编辑的裁决。
项目地址：https://github.com/StanleyNull/AutoHunter
在此特别向工具的作者——Stanley\_Null 大佬致敬！
二、核心优势
1. 真实工具链挖洞，不是纸上谈兵
容器内置了完整的渗透工具链：
- nmap — 端口扫描与服务识别
- nuclei — PoC 漏洞验证
- sqlmap — SQL 注入自动化
- httpx — 批量 HTTP 探测
- whatweb — 指纹识别
- curl/wget/jq — 通用请求与数据处理
LLM 通过 function calling 真实调用这些工具、真实发包验证，产出的是有请求/响应证据链的实锤漏洞。
2. 多 Agent 协同的流水线架构
不是一个模型干所有事，而是多个专职 Agent 各司其职：
| Agent | 职责 |
|---|---|
| Collector | 从 FOFA 持续搜集目标，探活、预筛、评分、归属标注后入队 |
| Worker | 每个目标一个 Worker，LLM 自主侦察 + 调用工具链挖洞 |
| Reviewer | 极理性 AI 初审，过滤半成品/误报，只把够格的洞送到人工面前 |
| KillSweep | 出洞后分析能否「一打一片」，自动验证同款站点 |
| Deepen | 对有潜力的目标进行深度挖掘 |
| Intel Curator | 情报沉淀与复用 |
3. 极理性 AI 审核机制
Reviewer Agent 不是简单过滤，而是：
- 只认「实际可利用 + 实锤危害」的漏洞
- 要求完整证据链（请求包 → 响应包 → 影响证明）
- 高危/严重漏洞会触发复现验证（重新发包确认）
- 垃圾洞（反射 XSS、phpinfo、用户名枚举等）直接丢弃
大幅减少无效人工复审时间。
4. 通杀 Hunter — 一打一片
发现一个漏洞后，KillSweep Agent 自动：
- 识别系统指纹（CMS/框架/版本）
- FOFA 圈定同款系统并统计规模
- 抽样验证其他同款站点
- 判定是否可批量通杀
一个低危变成批量中危，一个中危变成批量高危。
5. 24×7 无人值守 + 崩溃恢复
- 状态全持久化到 SQLite，进程重启从 DB 重建
- Docker
restart: unless-stopped崩溃自动拉起 AUTOHUNTER_RESTORE_ON_STARTUP=1
重启自动续跑之前 running 的任务
* Watchdog 监控主循环健康状态
6. 情报沉淀与复用
验证过的凭证、端点、指纹进入全局情报库，后续 Worker 打同一目标或同款系统时直接复用，不重复劳动。
7. 内置安全防护
- 应用层 WAF 默认开启（保护控制台本身）
- 多角色访问令牌：全权限 / 只读 / 观摩
- SSRF 防护（防止把 FOFA Key 发往内网）
- 工具执行沙箱（超时限制、输出截断）
三、系统架构与工作逻辑
整体流程
Worker 工具能力
Worker 通过 function calling 可调用以下工具：
| 工具 | 用途 |
|---|---|
http_request |
发送任意 HTTP 请求，自动管理 Cookie/会话 |
run_shell |
执行任意 shell 命令（nmap/nuclei/sqlmap 等） |
decode_transform |
解码 base64/hex/JWT/URL 编码 |
suggest_waf_bypass |
WAF 被拦截时给出绕过建议 |
analyze_javascript |
分析 JS 文件提取接口/密钥/逻辑 |
submit_finding |
提交发现的漏洞 |
finish |
完成当前目标的挖掘 |
技术栈
| 层 | 选型 |
|---|---|
| 后端 | Python 3.12 · FastAPI · SQLAlchemy (SQLite) · asyncio |
| 前端 | Vue 3 · Vite |
| 容器 | Docker · Docker Compose v2 |
| 模型 | 支持 OpenAI Chat / Anthropic Messages 协议 |
| 工具链 | nmap · nuclei · sqlmap · httpx · whatweb |
四、部署流程（完整实操）
环境要求
- 任意装得上 Docker 的系统（推荐 Linux）
- 最低配置：2C4G，磁盘 ≥ 20G
- 需要能访问 LLM API 和目标网络
方式一：一键部署脚本（推荐）
# 1. 安装 Docker（已装跳过）curl -fsSL https://get.docker.com | sh && sudo systemctl enable --now dockersudo usermod -aG docker $USER && newgrp docker # 2. 拉代码git clone https://github.com/StanleyNull/AutoHunter.git autohunter && cd autohunter # 3. 运行引导脚本（交互式填 Key）bash scripts/install.sh
脚本会引导你填写：
- LLM API Key（必填）
- FOFA Key（推荐）
- 控制台访问令牌（自动生成）
- 对外端口（默认 18800）
方式二：手动部署
# 复制配置文件cp .env.example .env # 编辑配置（至少填 LLM_API_KEY）vim .env # 构建并启动docker compose up -d --build # 查看日志docker compose logs -f autohunter
首次构建耗时
首次构建约5-15 分钟，包括：
- 拉取 Python/Node 基础镜像
- 编译 Vue 前端
- 安装渗透工具（nmap/nuclei/sqlmap/httpx/whatweb）
- 下载 nuclei 模板库
构建完成后访问 http://<服务器IP>:18800/
防火墙放行
# Ubuntu/Debiansudo ufw allow 18800/tcp # CentOS/RHELsudo firewall-cmd --permanent --add-port=18800/tcp && sudo firewall-cmd --reload
五、模型配置详解
AutoHunter 支持多种大模型，核心要求是支持 tool calling（function calling）。
支持的模型协议
| 协议 | 配置值 | 适用模型 |
|---|---|---|
| OpenAI Chat Completions | openai_chat |
DeepSeek / GPT / 通义 / Kimi / GLM(paas/v4) |
| Anthropic Messages | anthropic_messages |
Claude / GLM(anthropic端点) / 第三方中转 |
| 自动检测 | auto |
按 base\_url 特征自动判断 |
推荐模型配置
DeepSeek（性价比最高）：
LLM_BASE_URL=https://api.deepseek.com/v1LLM_API_KEY=sk-xxxLLM_MODEL=deepseek-chatLLM_PROTOCOL=openai_chat
智谱 GLM-5.2（Anthropic 协议）：
LLM_BASE_URL=https://open.bigmodel.cn/api/anthropicLLM_API_KEY=你的智谱keyLLM_MODEL=glm-5.2LLM_PROTOCOL=anthropic_messages
第三方中转站（如 TokenRhythm）：
LLM_BASE_URL=https://tokenrhythm.studio/v1LLM_API_KEY=sk_tr_xxxLLM_MODEL=deepseek-v4-pro-0813LLM_PROTOCOL=anthropic_messages
工具调用兼容模式
# auto（默认）：原生优先，不支持时自动切提示词模拟# prompt：始终用提示词模拟（给不支持 tool calling 的模型）# native：仅原生AUTOHUNTER_TOOL_COMPAT=auto
多端点池化
支持配置多个 LLM 端点做负载均衡和故障切换：
LLM_PROVIDER_MODE=poolLLM_PROVIDERS_JSON=[{”name”:”primary”,”base_url”:”...”,”api_key”:”...”,”model”:”...”,”protocol”:”...”,”weight”:3},{”name”:”backup”,”base_url”:”...”,”api_key”:”...”,”model”:”...”,”weight”:1}]
六、使用指南
创建挖掘任务
登录控制台 → 「新建挖掘任务」：
| 字段 | 说明 |
|---|---|
| 任务名称 | 随便起，方便区分 |
| 任务模式 | EduSRC / 企业SRC |
| 目标来源 | FOFA 自动搜 / 手动清单 / 两者 |
| 搜集方式 | FOFA 语法 / 自然语言意图 / 自动判断 |
FOFA 语法示例
# 找教育网下的管理后台body=”管理” && org=”China Education and Research Network Center” # 找某集团的资产cert.subject.org=”某某集团” && country=”CN” # 找特定 CMSbody=”Powered by XXX” && domain=”.edu.cn”
自然语言搜集
不会写 FOFA 语法也行，直接用大白话：
找全国高校的统一身份认证登录系统找某集团的 OA / CRM / ERP 资产
Collector Agent 会自动翻译成 FOFA 查询并逐轮演化。
七、常见问题与避坑
问题 1：LLM 调用失败 / 暂时不可用
现象：日志显示 LLM 暂时不可用，预计 XX 秒后重试
原因：连续失败触发了熔断冷却机制（分级冷却 300s → 900s → 1800s → 3600s）
解决：
# 彻底重启清除冷却状态docker compose down && docker compose up -d # 或者清除所有数据重建（会丢任务记录）docker compose down -v && docker compose up -d
预防：调整冷却参数，降低敏感度：
LLM_PROVIDER_FAILED_RETRY_SECONDS=10LLM_PROVIDER_FAIL_THRESHOLD=8
问题 2：协议不匹配（404 / Not Found）
现象：请求发到了错误的路径
原因：LLM\_PROTOCOL=auto 自动检测错误
解决：显式指定协议：
# OpenAI 兼容接口LLM_PROTOCOL=openai_chat # Anthropic 兼容接口LLM_PROTOCOL=anthropic_messages
问题 3：模型列表拉取失败（JSONDecodeError）
现象：设置页显示\"拉取模型列表失败\"
原因：LLM\_BASE\_URL 缺少 /v1 后缀，导致请求路径错误
解决：确保 base\_url 以 /v1 结尾：
# ✅ 正确LLM_BASE_URL=https://api.example.com/v1 # ❌ 错误LLM_BASE_URL=https://api.example.com
问题 4：额度不足（quota）
现象：余额不足或无可用资源包
解决：
- 充值对应模型的资源包
- 注意某些平台资源包是按模型区分的
- 切换到免费/便宜模型（如
glm-4-flash、deepseek-chat）
问题 5：控制台设置页配置与 .env 冲突
重要：控制台设置页保存的配置优先级高于 .env 文件（存在数据库中）
如果你在设置页保存过旧配置，即使改了 .env 也不会生效。必须同时在设置页更新。
问题 6：Token 消耗过快
控制策略：
# 限制 Worker 最大轮数WORKER_MAX_ROUNDS=90WORKER_SOFT_ROUNDS=45 # 降低并发AUTOHUNTER_AGENT_THREAD_POOL_SIZE=4 # 工具输出截断（减少回传给模型的数据量）WORKER_LLM_TOOL_OUTPUT_TRUNCATE=4096
问题 7：构建失败（网络问题）
首次构建需要下载 nuclei/httpx 的 GitHub Release，国内可能超时：
- 确保服务器能访问 GitHub
- 或提前下载二进制放到 Dockerfile 对应路径
- 使用代理：
docker build --build-arg HTTP_PROXY=xxx
八、运维命令速查
# 查看实时日志docker compose logs -f autohunter # 重启服务docker compose restart autohunter # 停止服务（数据保留）docker compose down # 更新代码后重建docker compose up -d --build # 彻底清除重建（丢数据）docker compose down -v && docker compose up -d --build
九、安全注意事项
- 务必设置
AUTOHUNTER_API_TOKEN：否则控制台对全网裸奔 - 收窄 FOFA 搜索范围：用
org/domain/cert限定归属，避免打到授权范围外 - 成本控制：目标越多 token 越贵，合理设置并发和轮数预算
- 仅对授权目标使用：本工具遵循 CC BY-NC 4.0，禁止商业用途，滥用后果自负
十、总结
AutoHunter 的定位很清晰：把漏洞挖掘中最耗时间的「初筛 + 验证 + 重复劳动」交给 AI，人只负责最终的「决策 + 报告提交」。
适合谁用：
- SRC 赏金猎人（批量挖教育/企业 SRC）
- 安全团队（7×24 持续监控资产安全状态）
- 安全研究员（验证某类漏洞的批量影响面）
不适合：
- 没有 LLM API 预算的（token 消耗不低）
- 网络受限环境（需要访问目标 + LLM API）
- 追求 0day 级漏洞发现（目前更擅长已知漏洞类型的批量验证）
一句话总结：挂机过夜，醒来收洞。
Warning：仅限对已获明确书面授权的目标使用。 本工具遵循 CC BY-NC 4.0，禁止任何商业用途，滥用后果自负。
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