第六章 - 重生之我是AI人：47 个攻击技能 — 怎么被 LLM 调用
TtTeam
2026年6月19日 12:38
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。
- 关于内置的skills
在 Hati 里，一个\"技能\"就是一个Markdown 文件，写着\"如果遇到 X 情况，按 Y 步骤测\"。
对比传统概念：
● Ansible playbook：YAML 写的运维剧本
● Burp extension：Java/Python 写的插件
● Hati skill：Markdown 写的渗透测试剧本
为啥选 Markdown？
● 人类能读、LLM 能读、版本控制友好
● 改一个技能不需要重新编译代码
● 加新技能零代码(下一节细讲)
- SKILL.md 长什么样
位置：skills/hack-skills/skills/sqli-sql-injection/SKILL.md
完整内容(简化版)：
---name： sqli-sql-injectiondescription： SQL injection detection and exploitationseverity： hightags： [sqli， database， web]---
## detection1. 找带参数的 URL(id=1， page=2， search=...)2. 加单引号 ' 看是否报错3. 加 ' OR '1'='1 看是否绕过4. 加 UNION SELECT 1，2，3 看是否回显
## exploitation- 联合查询： ' UNION SELECT username，password FROM users--- 布尔盲注： ' AND SUBSTRING(@@version，1，1)='5'--- 时间盲注： '; IF(1=1， SLEEP(5)， 0)--
## success_indicators- 响应里出现： SQL syntax， MySQL， syntax error- 页面长度变化超过 20%- UNION 回显数字
## pocsGET /artists.php？artist=1' OR '1'='1 HTTP/1.1GET /products？id=1 UNION SELECT 1，2，3--
几个有意思的字段：
● success\_indicators：多模式确认的特征字符串(避免误报)
● pocs：通用模板，具体目标要 LLM 适配
● severity：告诉 LLM 漏洞严重程度
● tags：用来自动匹配(下节讲)
- 全部 47 个技能一览
我把所有技能按漏洞类型整理：
- 怎么加载：SkillLoader
文件：agents/skill\_loader.py：21-100
加载逻辑很短：
class SkillLoader： def __init__(self， skills_path=None)： if skills_path is None： skills_path = \"skills/hack-skills/skills\" self.skills_path = Path(skills_path) self._skills_cache = {} self._load_all_skills()
def _load_all_skills(self)： for skill_dir in self.skills_path.iterdir()： if skill_dir.is_dir()： skill_name = skill_dir.name skill_data = self._load_skill(skill_dir) if skill_data： self._skills_cache[skill_name] = skill_data print(f\"[SkillLoader] 已加载 {len(self._skills_cache)} 个攻击技能\")
def _load_skill(self， skill_dir)： skill_file = skill_dir / \"SKILL.md\" if not skill_file.exists()： return None
content = skill_file.read_text(encoding='utf-8') metadata = self._parse_frontmatter(content) # YAML 解析 sections = self._extract_sections(content) # ## 标题切分
return { \"name\"： metadata.get(\"name\"， skill_dir.name)， \"description\"： metadata.get(\"description\"， \"\")， \"content\"： content， \"sections\"： sections， \"dir\"： skill_dir.name， }
注意细节：
● 用 Python pathlib，跨平台
● 解析 YAML frontmatter(用 --- 包围的元数据)
● 切分 ## 章节(给 LLM 喂特定章节不用全文)
- 怎么自动匹配：match\_skills
文件：agents/skill\_loader.py：143-220
这是 LLM 不参与的一步 — 纯关键词打分。为啥不用 LLM 匹配？
● 快：不烧 token，不调外部 API
● 便宜：0 成本
● 稳定：LLM 匹配有随机性，关键词不会
def match_skills(self， target_info)： \"\"\" target_info = { \"url\"： \"http：//testphp.vulnweb.com\"， \"tech\"： [\"php\"， \"mysql\"]， \"open_ports\"： [80， 3306]， \"keywords\"： [\"search\"， \"login\"] } \"\"\" matched = [] for name， skill in self._skills_cache.items()： score = 0 reasons = []
# 看到数据库端口 → SQL 相关加分 if 3306 in target_info[\"open_ports\"] and \"sql\" in name.lower()： score += 2 reasons.append(\"数据库端口开放\")
# 看到 PHP → 文件操作类加分 if \"php\" in target_info[\"tech\"] and \"rce\" in name.lower()： score += 2 reasons.append(\"PHP 目标\")
# 看到 login 关键词 → 认证类加分 if any(k in target_info[\"url\"] for k in [\"login\"， \"auth\"， \"admin\"])： if \"auth\" in name.lower() or \"bypass\" in name.lower()： score += 2 reasons.append(\"认证相关 URL\")
if score > 0： matched.append({\"name\"： name， \"score\"： score， \"reasons\"： reasons， ...})
return sorted(matched， key=lambda x： -x[\"score\"])
打分逻辑：
● 数据库端口(3306/1433/5432)→ SQL 类 +2
● PHP 目标 → RCE/LFI 类 +2
● URL 含 login → 认证类 +2
● 描述里出现 target 的 keyword → +1
返回的是 top N，按 score 倒序，LLM 拿到后再二次决策。
- LLM 怎么\"用\"技能：模板适配
这是最巧的一步。技能是模板，目标是动态的。Hati 不会傻到把技能原文直接发出去 — 它让 LLM 改写。
文件：agents/orchestrator.py 中 \_llm\_adapt\_skill\_to\_target
简化版逻辑：
def _llm_adapt_skill_to_target(self， skill_content， target_info)： prompt = f\"\"\" 技能模板： {skill_content}
目标： - URL： {target_info['url']} - 技术栈： {target_info['tech']}
请把技能里的通用模板改写成针对这个目标的具体 HTTP 请求。 输出 JSON： {{\"url\"： \"...\"， \"method\"： \"...\"， \"headers\"： ...， \"body\"： \"...\"}} \"\"\" response = self.llm.chat(prompt) return parse_poc_from_llm(response)
实际效果：
技能原文： \"在 id 参数后加 ' OR '1'='1，看是否返回所有数据\"
LLM 适配后：{ \"url\"： \"http：//testphp.vulnweb.com/artists.php？artist=1' OR '1'='1\"， \"method\"： \"GET\"， \"headers\"： {\"User-Agent\"： \"...\"}， \"body\"： null}
这一步是 Hati 跟普通工具的本质区别 — 它真的能适配目标，而不是死板发模板。
- 多模式确认
发包之后，Hati 不信 LLM 的\"我觉得成功了\"。它用特征字符串二次确认。
def multi_pattern_confirm(self， response， skill)： indicators = skill[\"sections\"].get(\"success_indicators\"， []) for pattern in indicators： if re.search(pattern， response.text， re.IGNORECASE)： return True return False
为啥要二次确认？
● LLM 自己可能说\"我觉得成功了\"但其实没 — 幻觉
● 一次发包可能命中也可能是巧合
● 多模式确认大幅降低误报
实际数据：加二次确认后，误报率从 25% 降到 < 3%。
- 怎么加新技能(零代码)
这是 Hati 最\"工程友好\"的地方。
步骤：
- 在 skills/hack-skills/skills/ 下新建目录
mkdir skills/hack-skills/skills/my-new-vuln
2.写一个 SKILL.md
---name： my-new-vulndescription： Something new---
## detection...
## success_indicators...
3.重启 Hati(或重新调 get\_skill\_loader())
完事。 没有改任何 Python 代码。
加新技能的成本：
✅ 不需要懂 Python
✅ 不需要重启核心服务(可热加载，见 get\_skill\_loader 单例)
✅ 自动被 LLM 发现和匹配
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