第八章 - 重生之我是AI人：扩展与反思 — Hati踩过的坑

Khan安全团队

2026年6月26日 16:24
海南

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Gach0ng

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。

1. 跨平台兼容那些坑

Hati 跑在 Windows、Linux、macOS 三个平台。跨平台最大的坑是细节。

坑 1：Windows 终端编码

症状：PowerShell 跑 python -m api.main 报 UnicodeEncodeError： 'gbk' codec can't encode character。

为啥：Windows 默认 GBK，我们的 prompt 和日志里有大量中文和 emoji。

解法：agents/orchestrator.py：9-15

if sys.platform == 'win32'：    try：        sys.stdout.reconfigure(encoding='utf-8'， errors='replace')        sys.stderr.reconfigure(encoding='utf-8'， errors='replace')    except AttributeError：        pass

这行代码在所有 agent 模块都重复了 4-5 次。重复是合理的 — 因为每个模块都可能被独立 import，不能依赖外部。

教训：Python 项目做跨平台，encoding 永远第一坑。

坑 2：Celery 在 Windows 失效

症状：celery worker 在 Windows 启动失败，报 NotImplementedError。

为啥：Celery 4.x 在 Windows 上不支持 prefork，用 solo pool 又不支持定时任务。

解法：不用 Celery，直接用 concurrent.futures.ThreadPoolExecutor。

文件：api/main.py(后台任务)

from concurrent.futures import ThreadPoolExecutorexecutor = ThreadPoolExecutor(max_workers=5)
@router.post(\"/api/pentest/start\")async def start_pentest(req： PentestStartRequest)：    task_id = str(uuid.uuid4())    # 扔进线程池，不阻塞    executor.submit(run_pentest_task， task_id， req)    return {\"task_id\"： task_id， \"status\"： \"started\"}

但 Linux 上还能用 Celery(config/celery\_config.py 留着)。

教训：别死磕一个方案，降级到能跑的就行。

坑 3：Docker Desktop 启动慢

症状：Windows 上 docker-compose up -d redis 要 30 秒，Linux 上 1 秒。

为啥：Docker Desktop 用 WSL2 后端，启动慢。

解法：

● Windows 用户：接受现实，或者用 WSL 直接装 Redis

● 配置好超时(timeout=10 改成 timeout=30)

2. 可降级设计

设计原则：外部依赖挂了，Hati 不能挂。

2.1 Elasticsearch 降级

文件：security/audit\_logger.py：48-65

def _init_es(self)：    try：        self._es = Elasticsearch([ES_URL]， verify_certs=False， request_timeout=10)        if self._es.ping()：            print(f\"✅ ES 连接成功\")        else：            print(\"⚠️ ES 连接失败，降级到本地日志\")            self._es = None    except Exception as e：        print(f\"⚠️ ES 异常，降级到本地日志： {e}\")        self._es = None
def log(self， event)：    if self._es：        self._es.index(index=\"pentest-logs\"， document=event)    else：        # 降级：写本地 JSON        with open(f\"logs/{event['timestamp']}.json\"， \"a\") as f：            f.write(json.dumps(event) + \"\
\")

实际效果：Hati 启动时如果 ES 不通，日志显示\"降级到本地日志\"，任务正常跑。

2.2 Redis 降级

类似逻辑：state/progress\_tracker.py 检测 Redis 不通就改用内存字典。

2.3 MCP 降级

如果 Kali VM 不可达，Hati 会：

1. 跳过 execute\_tool 路径

2. 不报错，直接走 execute\_skill 路径(主机侧 requests 发包)

3. 任务能完成，只是少了 30% 功能

4. 审计和合规

每次任务都产生审计记录：

# security/audit_logger.pyaudit.log(    task_id=task_id，    actor=\"orchestrator\"，    action=\"execute_skill\"，    target=\"http：//testphp.vulnweb.com\"，    decision=llm_decision，  # LLM 输出的 JSON    result=execution_result，  # 执行结果    timestamp=datetime.utcnow().isoformat()，    authorized_by=\"[email protected]\"  # 来自请求)

审计字段：

● 谁(actor)

● 干了啥(action)

● 对谁(target)

● 决策依据(decision - LLM 思考过程)

● 结果(result)

● 授权人(authorized\_by)

为啥要审计：

● 合规：渗透测试必须有书面授权

● 复盘：出问题时能追

● 客户要求：甲方常要\"完整的测试日志\"

4. 怎么加新技能(开发者视角)

第 6 章讲了 Markdown 加法，这里讲工程化做法。

步骤：

1. 在 skills/hack-skills/skills/ 下创建目录

2. 写 SKILL.md

3. (可选) 写 SCENARIOS.md(具体场景)

4. 重新加载技能

示例：加一个\"密码学误用\"技能

mkdir -p skills/hack-skills/skills/crypto-misuse

写 SKILL.md：

---name： crypto-misusedescription： 检测密码学 API 的常见误用(弱算法、硬编码 IV 等)severity： mediumtags： [crypto， api， web]---
## detection1. 抓包看 HTTPS 协议版本(SSLv3、TLS 1.0 都是弱协议)2. 看证书是否过期3. 看加密算法是否使用 MD5、SHA1、DES4. 看 IV 是否硬编码或可预测
## success_indicators- 响应头： Server： SSLv3- 证书过期天数 < 0- 加密算法包含 MD5|SHA1|DES|RC4
## pocsopenssl s_client -connect target.com：443 -tls1

重启 Hati：

# 强制重载技能python -c \"from agents.skill_loader import get_skill_loader; get_skill_loader()\"

新技能就被纳入 match\_skills 的候选池，LLM 可以在 ReAct 循环里自动发现和使用。

5. 怎么加新 MCP 工具

步骤：

1. 在 Kali VM 上装工具

2. 在 hexstrike/hexstrike\_mcp.py 加 @mcp.tool() 装饰器

3. 重启 HexStrike Server

4. Hati 端不需要改 — HexStrikeClient.execute\_command() 透传命令

# hexstrike/[email protected]()def my_new_tool(target： str， option： str = \"default\") -> dict：    \"\"\"我的新工具\"\"\"    return subprocess_run([\"my-new-tool\"， option， target])

6.1 单 LLM 决策的偏置

LLM 对热门漏洞类型有偏好(老提 SQL 注入、XSS)，很少主动提 SSRF、XXE。这是训练数据分布问题。

应对：

● state/diversity\_injector.py：强制多类型漏洞尝试

● 第 7 章 RAG 注入历史 POC 来平衡

6.2 8 轮上下文窗口紧张

8 轮后早期信息开始被压缩/遗忘。

应对：

● state/context\_compressor.py：对历史结果做摘要

● 把\"上一轮结果\"摘要(不全文)喂给下一轮

6.3 误报率

虽然有多模式确认，误报率仍在 3-5%。

应对：

● 不在生产目标上跑(仅授权测试)

● 报告里明确标记 status： confirmed/potential/false\_positive

6.4 性能瓶颈

单任务 5-10 分钟，主要时间花在 LLM 调用上(每次决策 3-10 秒)。

应对：

● 分层 Prompt 减少 KV-cache 失效

● 并行执行独立任务(ThreadPoolExecutor)

● 用更小的模型(未来方向)

7. 未来方向

我目前在想的几个方向：

7.1 更多的agent协作

现状：有限的 LLM 做所有决策。

未来：

● ReconAgent(专门做信息收集)

● VulnAgent(专门做漏洞分析)

● ExploitAgent(专门做漏洞利用)

● ReportAgent(专门做报告)

● 互相通信，各有专长

7.2 长期记忆

现状：每次任务经验不沉淀。

未来：

● 把\"成功的 POC 改写模式\"存进向量库

● 下次遇到类似目标，直接复用历史经验

7.3 主动学习

现状：模型参数固定。

未来：

● 用 LoRA 微调

● 把\"成功任务\"作为训练数据

● 让 LLM 在 Hati 场景下越来越准

7.4 实时决策可视化

现状：Web UI 只显示\"现在在干啥\"。

未来：

● 实时画 ReAct 决策树

● 让用户介入决策(\"这个目标先别测 XSS\")

● 半自动化 → 监督式自动化

8. 写在最后：开源与安全

Hati 已经开源，MIT 协议。

但必须强调：这个工具仅供合法的安全测试和学术研究使用。

# 来自 README本工具仅供合法的安全测试和学术研究使用。使用前请确保已获得目标系统所有者的书面授权。使用者需遵守当地法律法规，作者不承担任何因滥用本工具而导致的法律责任。

我在每次 PR 合并前都会确认：

● ✅ 没有硬编码的\"恶意 payload\"

● ✅ 默认配置下不会真的打未授权目标

● ✅ 审计日志默认开启

9. 联系和反馈

● 绿泡泡和github同名，作者多年甲方经验，目前在乙方厂商做ai安全分析，在岗看机会中~欢迎交流

● 项目地址：https://github.com/Gach0ng/Hati

● GitHub Issues：提 bug、提建议

● PR 欢迎：加技能、改 prompt、优化 RAG 都行

● 安全问题：请私下交流，不要在公开 issue 提

感谢您的耐心，祝挖洞愉快。