📌 项目地址：vxcontrol/pentagi | ⭐ 19,251 颗星 | 🔧 Go | 📜 未标注
项目简介
PentAGI 是一个基于 AI Agent 的全自动渗透测试系统。它将 GPT-4、Claude、Gemini 等大语言模型与 20 多种专业安全工具（nmap、Metasploit、sqlmap 等）整合在一个 Docker 沙箱内，由 AI 自主决策并执行渗透测试步骤，同时支持人工监控和干预。
项目使用 Go 语言开发，GitHub 19251 星，代码库体积不大（约 500KB），核心在于编排 LLM 对话、工具调用和长期记忆（知识图谱）。README 明确说明“所有操作在完全隔离的 Docker 沙箱环境中执行”，适合信息安全专业人士、研究者以及需要高频自动化测试的团队。
快速上手
PentAGI 的安装依赖 Docker 和 Docker Compose。按照 README 的 Quick Start 部分，以下为基本流程（命令均摘自原文）：
-
克隆仓库并进入目录：
bash
git clone https://github.com/vxcontrol/pentagi.git
cd pentagi -
复制配置文件并创建本地版本：
bash
cp config/config.yaml config/local.yaml
cp docker-compose.yaml docker-compose.local.yaml -
初始化并启动服务：
bash
make init
make up -
启动应用：
bash
make app
启动后，浏览器访问对应地址即可登录。登录后的交互方式为 Web 界面，README 中描述了三个步骤：
– 选择渗透测试 Agent
– 输入目标信息（如 IP、域名）
– 观察 AI 自主执行并输出结果（可随时暂停或提出新指令）
配置 LLM Provider
PentAGI 本身不内置大模型，需要用户提供 LLM API 密钥。支持的开源和商业模型包括：Ollama、OpenAI、Anthropic、Google AI (Gemini)、AWS Bedrock、DeepSeek、GLM、Kimi、Qwen。
以最常见的 Ollama（本地部署）和 OpenAI 为例，配置方式来自 README 的 API Access 节：
-
Ollama：设置环境变量
bash
export PENTAGI_LLM_PROVIDER=ollama
export PENTAGI_LLM_MODEL=llama3 # 或 mixtral 等
export PENTAGI_OLLAMA_ENDPOINT=http://localhost:11434 -
OpenAI：
bash
export PENTAGI_LLM_PROVIDER=openai
export PENTAGI_LLM_MODEL=gpt-4o
export PENTAGI_OPENAI_API_KEY=sk-xxxx
其他提供商的配置类似，只需替换前缀和相应密钥变量。模型质量直接影响渗透任务的准确性——使用 GPT-4 或 Claude 3.5 等更强模型时，Agent 能更合理地选择扫描目标和漏洞利用方式。
与同类工具的区别
目前市面上已出现多个“AI 安全助手”或“自动化渗透 Agent”，但 PentAGI 有几个明显特点：
- 专注渗透测试全链路：不局限于代码审查或日志分析，而是直接调用 nmap、sqlmap、Metasploit 等工具，生成攻击载荷并执行。AutoGPT 也能调工具，但 PentAGI 是针对安全测试场景优化过的 prompt 链和工具编排。
- 长期记忆 + 知识图谱：利用 Neo4j 和 Graphiti 保存扫描结果、漏洞关系、成功攻击路径，后续测试可以复用经验，而非每次从头开始。
- 内置 Web 情报：通过 scraper 容器访问互联网，Agent 可以查询 CVE、PoC 或公开漏洞库，辅助决策。
- 人工监督模式：支持执行监控和智能任务规划，允许安全专家在关键步骤（如利用漏洞）前确认，降低误操作风险。
注意事项
- 安全警告：PentAGI 本身是授权渗透测试工具，未经对方许可使用可能违反法律法规。项目只应在自有环境或获得明确授权的目标上运行。
- 许可证：README 中 License 部分未详细说明（可能是 MIT 或 Apache 2.0），使用前应查看仓库许可证文件。
- 资源消耗：Docker 镜像下需要运行多个容器（scraper、Neo4j、PentAGI 主服务、LLM API 调用），建议至少 16GB 内存和现代 CPU。
- LLM 成本：若使用商业 API（如 GPT-4o），大量自动化扫描可能产生显著费用，可优先选用本地运行的 Ollama 模型（如 Llama 3 70B）控制成本，但效果可能略逊。
如需更详细的配置（Langfuse 可观测性、OAuth 登录、自定义 LLM URL 等），请参考官方文档： PentAGI README