VulnClaw：让 AI 自动跑完渗透测试全流程的安全工具

Skill超级捕获手技术创作者 2026-08-08 45 阅读

一句话说清楚 VulnClaw：输入自然语言渗透目标，AI Agent 自主驱动 MCP 工具链 + 50 个专项 Skill，完成「信息收集→漏洞发现→漏洞利用→报告生成」完整闭环——模型主导决策，证据链自动留档，2026-08-07 仍有活跃提交。

功能与原则

VulnClaw 的核心设计逻辑是「模型即渗透工程师」。不同于传统自动化工具依赖预定义剧本，VulnClaw 由大语言模型主导整个攻击决策循环：模型自己判断下一步该用什么工具、何时切换阶段、何时终止或请求人工确认。

关键能力模块：

模型主导求解引擎：类似 Claude Code 的自主循环，模型自主决定工具调用顺序和攻击策略。
AgentState 证据记忆：所有工具输出统一写入 AgentState.evidence，原始报文完整保留，支持按需回查。
证据级反幻觉闸门：模型声称发现漏洞/flag，必须在真实工具输出中逐字符出现才能被采信，从根本上杜绝假阳性。
自适应 payload 渐进升级：失败自动归类并按 L0（基础探测）→ L4（高级绕过）渐进升级攻击策略。
轻量纠偏层：连续证据空转会触发 stall guard，防止模型在死胡同里反复空转。

认可度

GitHub Stars：2,631（截至 2026-08-08）
Forks：352
GitHub 话题标签：skill、ai-agent、ctf、cybersecurity、penetration-testing、security-tools
最后 push：2026-08-07（3天前），项目仍在活跃维护
创建时间：2026-04-18，上线约 4 个月
社区可见度：CSDN 有专门实战指南文章（2026-07-08），GitHub 393 Commits，提交频率稳定

链接

GitHub：https://github.com/Unclecheng-li/VulnClaw

原作者

Unclecheng-li（GitHub username: Unclecheng-li），专注 AI 安全 Agent 工具开发，是国内较早将 LLM Agent 与渗透测试流程深度结合的开发者之一。

介绍

它是什么

VulnClaw 是一个基于 AI Agent + MCP（Model Context Protocol）工具链 + 渗透 Skill 编排的全流程自动化渗透测试平台。用户用自然语言描述渗透目标，模型驱动一系列工具自主完成从信息收集到报告生成的完整攻击链路。

核心架构

整个系统围绕三个层次展开：

工具层：内置 4 个 MCP 服务——fetch（增强型 HTTP 请求，支持 HTTPS/TLS/证书跳过）、memory（本地知识库）、chrome-devtools（浏览器自动化）、burp（HTTP 抓包重放），覆盖渗透测试主要操作面。

Agent 层：OpenAI 兼容协议 + Tool Calling + 自主渗透循环。模型根据当前阶段状态（信息收集/漏洞发现/漏洞利用/报告生成）自行决定调用哪个工具、传入什么参数。失败时自动升级 payload 策略。

Skill 层：内置 50 个专项 Skill，覆盖 CTF、Web渗透、内网域渗透、逆向、漏洞验证与授权红队知识库。这些 Skill 作为参考资料索引暴露给模型，由模型按需调用 load_skill_reference 读取，不再作为强制剧本注入上下文——避免了上下文污染，也保持了模型判断的独立性。

主要能力

自然语言驱动：输入”帮我对 http://target.example.com 进行渗透测试”，模型自动拆解并执行四阶段闭环。
13 个 LLM Provider 支持：OpenAI / Anthropic / MiniMax / DeepSeek / 智谱 / Moonshot / 千问 / SiliconFlow / 豆包 / 百川 / 阶跃星辰 / 商汤 / 零一万物，一键切换。
结构化推理与自适应反思：已知事实/约束/攻击链结构化沉淀；失败自动归类并升级策略。
流量证据存储：按运行内作用域过滤后以追加式 JSONL 索引 + 每请求原始报文落盘于 evidence/traffic/，内置 traffic_list / traffic_view / traffic_sitemap 工具直接读写。
源码自动还原：fetch / http_probe 等工具可自动还原目标页面原始 JS/HTML，用于进一步分析。

特点

全流程自动化：信息收集 → 指纹识别 → 端口扫描 → 漏洞发现 → PoC 验证 → 权限获取 → 报告生成，无需人工干预切换阶段。
50 个专项渗透 Skill：覆盖 CTF、Web、内网、逆向、漏洞验证等场景，模型按需调用，不污染上下文。
13 个 LLM Provider 自由切换：国内模型（千问/智谱/MiniMax/DeepSeek 等）直接使用，不依赖特殊网络环境。
证据级反幻觉：flag/漏洞结论必须在真实工具输出中出现，杜绝大模型幻觉导致的假阳性。
MCP 工具链开箱即用：fetch / memory / chrome-devtools / burp 四个 MCP 服务，无需额外配置即可启动。
流量全程留档：JSONL 索引 + 原始报文落盘，可回溯、可审计、可复现。
29 种编解码/加解密工具：Base64/Hex/URL/AES/JSAT/Morse 等，LLM 可精确调用，不靠猜测。
插件化漏洞检测：低耦合插件运行时 + 内置只读 Web 插件，检测结果自动汇入报告链路。

使用方法

安装

# 方式一：pip
pip install vulnclaw

# 方式二：Docker（推荐，一键部署）
docker-compose up -d

配置

编辑 ~/.vulnclaw/config.yaml，填入 LLM API Key：

llm:
  provider: "anthropic"   # 可选：openai/anthropic/minimax/deepseek 等
  model: "claude-sonnet-4-20250514"
  api_key: "sk-xxx"

mcp:
  enabled: true
  servers: ["fetch", "memory", "chrome-devtools", "burp"]

基本调用

# 交互式模式
vulnclaw-cli

# 或在交互窗口中输入自然语言目标
> 帮我对 http://target.example.com 进行渗透测试，重点关注 SQL注入和XSS

# 程序自动执行四阶段闭环，输出结构化报告

Skill 按需加载

模型在推理过程中会按需调用 load_skill_reference，从 50 个专项 Skill 中检索相关知识，不需要人工指定。

使用场景与人群

适用场景：

已授权的渗透测试项目（Web / 内网 / CTF 靶场）
CTF 竞赛中的自动化解题辅助
安全教学与漏洞演示
授权红队演练的初步侦察阶段
Bug Bounty 自动化 recon

目标用户：

安全工程师 / 渗透测试工程师
CTF 选手（Web / Misc 方向）
安全研究爱好者
红队成员（需要快速摸清目标概况）

⚠️ 使用红线：必须确保目标已获得合法渗透授权，严禁未授权扫描。

输入与输出案例

案例一：Web 渗透测试

输入：

> 对 http://test.example.com 进行渗透测试，重点检测 SQL 注入和 XSS

输出（四轮闭环）：

Round 1 - 信息收集
  → 指纹识别：Nginx 1.22, PHP 8.1
  → 端口扫描：开放 80/443/22
  → 目录枚举：发现 /admin, /api, /backup

Round 2 - 漏洞发现
  → /api/user?id=1 参数存在 SQL 注入（布尔盲注）
  → /search?q=<script>alert(1)</script> 存在存储型XSS

Round 3 - 漏洞利用
  → SQL注入提取数据库版本：MySQL 5.7.35
  → XSS 读取管理员 Cookie（需社工触发）

Round 4 - 报告生成
  → 输出结构化渗透报告 + Python PoC 脚本

案例二：内网渗透（CTF 场景）

输入：

> 172.16.1.0/24 网段发现 Web 服务，帮我做初始侦察

输出：

Round 1 - 存活主机发现
  → 172.16.1.10, 172.16.1.15, 172.16.1.20 存活

Round 2 - 服务识别
  → 172.16.1.10:80 - Apache 2.4.49
  → 172.16.1.15:8080 - Tomcat 9.0 (CVE-2022-XXX 已知漏洞)

Round 3 - 漏洞利用
  → Tomcat 弱口令 /manager/html GET shell

Round 4 - 报告
  → 生成内网拓扑图 + 攻击路径文档

GitHub: https://github.com/Unclecheng-li/VulnClaw

评论区

0 条评论

登录后可评论。