vxcontrol/pentagi —— 全自主AI渗透测试Agent系统

这是什么

PentAGI 是一个基于 AI 的自动化渗透测试平台，由 vxcontrol 开源（Go 主语言，GitHub ★19079）。它利用大语言模型驱动的多智能体系统，自主执行信息收集、漏洞扫描、利用尝试等渗透测试流程，并生成详细报告。项目采用微服务架构，核心组件包括 Go 后端 API、React 前端、PostgreSQL+pgvector 向量存储、Neo4j 知识图谱、Langfuse LLM 可观测性、Grafana+Prometheus 系统监控，以及 20+ 专业安全工具（nmap、metasploit、sqlmap 等）的沙箱执行环境。所有操作在隔离的 Docker 容器中运行，支持 10+ LLM 提供商（OpenAI、Anthropic、Google AI/Gemini、AWS Bedrock、Ollama、DeepSeek、GLM、Kimi、Qwen 等）以及 OpenRouter、DeepInfra 等聚合器，并提供 REST 和 GraphQL API 接口。

解决的问题

渗透测试通常依赖人工操作，耗时且易遗漏；安全研究人员需要反复执行信息收集、漏洞扫描、利用验证等重复步骤。PentAGI 解决以下痛点：

• 自动化重复性工作：AI 智能体自主决定测试步骤，自动执行 nmap 扫描、SQLMap 注入测试、Metasploit 利用等操作，无需人工逐条输入命令。
• 知识孤岛：智能记忆系统将每次测试结果（漏洞、利用方法、网络拓扑）持久化到 PostgreSQL+pgvector，并在后续测试中检索复用，避免重复研究。
• 多源信息聚合：内置浏览器（scraper）和外部搜索 API（Tavily、Traversaal、Perplexity、DuckDuckGo、Google Custom Search、Sploitus、Searxng）可实时获取最新公共漏洞信息和攻击手法。
• 团队协作与上下文：知识图谱（Graphiti + Neo4j）存储实体关系（资产、漏洞、攻击路径），辅助智能体理解复杂攻击场景，并为人类分析师提供可追溯的决策链路。
• 安全与合规风险：所有操作在 Docker 沙箱中执行，不污染宿主机，报告可导出为 Markdown/PDF，满足审计要求。

核心功能

• 自主渗透测试：AI 智能体根据目标自动制定测试计划，依次执行信息收集、端口扫描、漏洞探测、利用尝试、后渗透，并支持人工干预（执行监控与智能任务规划）。
• 多智能体团队：支持「研究员」「开发者」「执行者」等专门智能体，每个智能体可调用不同 LLM 模型，通过任务队列协同工作，可启用监控和智能规划以提升小模型性能。
• 20+ 内置安全工具：nmap、metasploit、sqlmap、hydra、nikto、gobuster、wfuzz、curl、openssl、python3、socat、netcat、impacket、bloodhound、feroxbuster、ffuf、jwt_tool、searchsploit、enum4linux、smbclient、ldapsearch 等，均在隔离容器中执行。
• 智能记忆系统：长期存储命令输出、漏洞详情、利用脚本，支持向量检索（pgvector），可在后续测试中自动推荐类似攻击方法。
• 知识图谱：基于 Graphiti 和 Neo4j 构建语义关系图，记录资产、漏洞、攻击路径的关联，辅助智能体理解上下文。
• Web 情报收集：内置无头浏览器（Scraper）可抓取网页、文档，提取最新漏洞信息。
• 外部搜索集成：支持 Tavily、Traversaal、Perplexity、DuckDuckGo、Google Custom Search、Sploitus、Searxng 等，获取实时 CVE 和利用代码。
• 全面监控与报告：Langfuse 监控 LLM 调用（成本、延迟、质量），Grafana+Prometheus 监控系统资源（CPU、内存、容器状态），Jaeger 分布式追踪，Loki 日志聚合。报告支持 Web 查看、Markdown/PDF 下载。
• 灵活 LLM 接入：支持 OpenAI、Anthropic、Gemini、Ollama（本地）、DeepSeek、GLM、Kimi、Qwen 等，以及 OpenRouter、DeepInfra 等聚合器，也支持自定义 OpenAI 兼容端点（如 vLLM + Qwen3.5-27B-FP8）。
• API 自动化：REST 和 GraphQL API 均使用 Bearer Token 认证，方便 CI/CD 集成。

亮点 / 与同类相比

• 自主 vs 预设剧本：不同于 Caldera、Atomic Red Team 等 BAS 产品（需预定义攻击计划），PentAGI 智能体实时决策，适应未知网络拓扑。项目明确声明不是 BAS 产品，而是自主渗透测试平台。
• 多模型与记忆：同类工具（如 Autopen-test、Assistant Pentest）通常依赖单一 LLM，且无长期记忆；PentAGI 的 pgvector 记忆系统和 Neo4j 知识图谱可在多次测试间积累知识，形成组织级攻击知识库。
• 沙箱隔离：所有工具在 Docker 容器中执行，而部分工具（如 OpenVAS 自动化）直接运行在宿主机，风险更高。
• 可观测性：自带 Langfuse、Grafana、Prometheus、Jaeger、Loki 全套监控，而同类项目通常只输出简单日志。
• LLM 提供商中立：支持 10+ 提供商，可本地部署（Ollama, vLLM）避免数据外泄，相比仅依赖 OpenAI 的替代方案更具合规灵活性。
• 开源与自托管：完全开源，Docker Compose 一键部署，数据留存在本地，适合企业内网使用。

适合谁用 / 上手

• 适合人群：红队成员、渗透测试工程师、安全研究员、CTF 选手、希望自动化基础安全评估的 DevOps 人员。需要具备基本的 Docker 和网络安全知识（端口、服务、常见漏洞）。
• 上手方式：
  1. 克隆仓库，配置 docker-compose.yml 中的环境变量（LLM API Key、搜索 API Key 等）。
  2. 执行 docker-compose up -d 启动全部服务（前端、后端、数据库、监控、沙箱工具）。
  3. 通过 Web UI（默认 8080 端口）登录，输入目标 IP/域名，选择 LLM 模型，点击「开始测试」。
  4. 在实时日志中查看 AI 决策过程，测试完成后导出报告。
• 最低要求：至少 8GB RAM，推荐 16GB+；磁盘 20GB+；如使用本地 LLM（Ollama）需额外 GPU 显存。支持 Linux 或 macOS（Docker 环境），Windows 需 WSL2。