RAPTOR Skill：让 Claude Code 变身为全自动化网络安全研究 Agent

Skill超级捕获手 技术创作者 2026-09-01 13 阅读

RAPTOR 是一个基于 Claude Code 构建的自主网络安全研究框架，通过将静态分析、二进制分析、模糊测试（Fuzzing）、LLM 驱动的漏洞验证、Exploit 生成和补丁修复串联成单一自动化工作流，让 AI Agent 能够对代码库或二进制目标执行完整的攻防研究。截至 2026 年 9 月，该项目已登上 GitHub 月度 Trending 榜，由五位知名安全专家联合开发，展示了 Claude Code 在安全研究领域的垂直延伸能力。

功能与设计原则

RAPTOR 全称 Recursive Autonomous Penetration Testing and Observation Robot，核心理念是将传统安全工具与 AI Agent 工作流深度融合。框架以 Claude Code 为编排层，在此之上调度 Semgrep、CodeQL、AFL++（Fuzzing）和 rr 调试器，并支持多模型分析（Claude + GPT + Gemini）。其设计原则是”人类设定方向、AI 编写实现、机械验证保障质量”——人类负责审核输出和做决策，代码主要由 AI 生成。

认可度

  • GitHub Star：约 3,688（截至 2026-09-01，GitHub 月度趋势榜）
  • 活跃度：最新提交 2026-08-28，累计 5,684 次提交，近一个月持续高强度维护
  • 趋势：2026 年 8 月下旬连续出现在 GitHub Trending 和 reporank 月度安全类榜单
  • 社区：已在 GitHub 获得 SourcePulse Top 13.8% 评级，官方 Slack 频道（Prompt||GTFO）活跃

链接

GitHub：https://github.com/gadievron/raptor

原作者

项目由五位资深安全研究人员联合发起：

  • Gadi Evron（@gadievron）— 网络安全专家，曾任 CTF 选手和演讲者
  • Daniel Cuthbert（@danielcuthbert）— Open Worldwide Application Security Project（OWASP）成员
  • Thomas Dullien（@thomasdullien，又名 Halvar Flake）— 逆向工程领域传奇人物
  • Michael Bargury（@mbrg）— Google DeepMind 网络安全 Lead
  • John Cartwright

介绍

RAPTOR 的起源是一个”hack 项目”：几位安全研究员在日常工作中频繁需要重复执行代码扫描、漏洞验证和补丁生成等任务，于是基于 Claude Code 构建了这套自动化框架。项目使用 MIT 许可证，代码主要由 AI 生成，人类负责方向把控和结果审核。

其核心能力覆盖安全研究的完整链路：

  1. 静态扫描（Semgrep / CodeQL）—— 自动对目标代码进行规则扫描
  2. 模糊测试（AFL++）—— 对二进制目标执行覆盖率引导的 Fuzzing
  3. 漏洞分析 — 由 LLM 驱动，判断漏洞真实可利用性
  4. Exploit 生成 — 自动化输出漏洞验证代码
  5. 补丁修复 — 直接生成修复补丁（含 FFmpeg 近期漏洞专项支持）

框架还内置了 9 个专家级安全 persona，涵盖 Web 扫描、二进制分析、供应链安全等细分方向。

特点

  • 多工具链编排：将 Semgrep、CodeQL、AFL++、rr 调试器统一在 Claude Code 下调度
  • 多模型支持：可同时调用 Claude、GPT-4、Gemini 进行漏洞分析比较
  • 9 大专家 Persona：包括 Web 渗透、二进制逆向、供应链安全等垂直领域
  • 自动化补丁生成：不只是发现漏洞，还能生成可编译的修复补丁
  • Devcontainer 一键部署：提供 ~6GB 预装镜像，解决所有依赖配置门槛
  • 实验性基准测试：项目方提供了各 Frontier 模型在 Exploit 生成任务上的质量与成本对比数据

使用方法

安装（Devcontainer 方式，推荐）

git clone https://github.com/gadievron/raptor.git
cd raptor
# 使用 VS Code Dev Container 或：
docker build -f .devcontainer/Dockerfile -t raptor-devcontainer:latest ..
docker run --privileged -it raptor-devcontainer:latest

基础使用

在打开的 Claude Code 会话中直接说”hi”即可启动，按提示让 Claude 安装依赖并配置 API Key：

# 安装 Claude Code（若未安装）
npm install -g @anthropic-ai/claude-code
# 启动
claude
# 在 Claude Code 中执行：
"Install dependencies from requirements.txt"
"Install semgrep"
"Set my ANTHROPIC_API_KEY to your-key"

然后对测试用例运行分析：

# 在 Claude Code 中使用 /analyze 命令
/analyze tests/data/...

最小调用示例

RAPTOR 提供 Python CLI 也可独立使用：

python raptor.py --target <code-or-binary> --scan
python raptor.py --llm claude --analyze vulnerability

使用场景与人群

适用场景：

  • 安全研究员对代码库进行自动化漏洞发现与验证
  • 渗透测试团队利用 AI 自动化生成 Exploit POC
  • 开发者在 CI/CD 流程中嵌入安全扫描与补丁检查
  • 漏洞赏金猎人批量验证漏洞可利用性

目标用户：

  • 安全工程师 / 渗透测试员
  • AppSec 工程师
  • 漏洞赏金猎人
  • 对 AI + 安全交叉领域感兴趣的研究者

输入与输出案例

输入示例 1：

目标：某开源项目的 /tests/data 目录下的测试用例
任务：对目录下所有 C 源码执行静态扫描 + 漏洞可利用性分析

输出示例 1：

[Semgrep] 发现 3 处潜在漏洞（2 处 CWE-79，1 处 CWE-78）
[LLM Analysis] CWE-78 处注入漏洞：可利用性=高，CVSS 估算=7.4
[RAPTOR] 生成 Exploit POC → /workspace/exploit_CWE78.py

输入示例 2：

目标：某 FFmpeg 版本二进制文件
任务：已知 CVE 披露，执行漏洞补丁生成

输出示例 2：

[CVE-2026-XXXXX] 定位受影响函数 avcodec_decode_video4()
[RAPTOR] 分析补丁约束 → 生成 patch diff
[POC] 验证补丁后 Exploit 不再有效 → 补丁有效

GitHub: https://github.com/gadievron/raptor

评论区

0 条评论

登录后可评论。

Skill超级捕获手 13 阅读