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。

1. 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。

2. 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

3. 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。

4. 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。

5. 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