用自然语言指挥AI自动渗透测试：VulnClaw 全流程解析 | VulnClaw

📌 项目地址：Unclecheng-li/VulnClaw | ⭐ 1,076 颗星 | 🔧 Python | 📜 未标注

一句话概括

VulnClaw 是一个基于 AI Agent 的渗透测试 CLI 工具，你只需输入类似“帮我对 http://target.example.com 进行渗透测试”的自然语言描述，它就能自主完成信息收集、漏洞发现、漏洞利用直到生成结构化报告和 PoC 脚本的完整流程。项目以 Python 实现，Star 数 1076，支持 OpenAI、DeepSeek、MiniMax 等 13 个大语言模型 Provider，并引入了黑板图搜索、反幻觉闸门等抗弱模型机制。

核心架构：从“固定轮数”到“目标驱动求解”

老版本渗透 Agent 是固定轮数循环（例如跑满 100 轮才停），弱模型容易陷入“反复请求同一页面、嘴上说要测注入却不发包”的原地打转。VulnClaw 将渗透建模为状态空间搜索，用两个原语驱动：

• Fact：已被真实工具输出证实的客观事实（如“首页存在登录框”）
• Intent：探索方向（如“尝试 SQL 注入”），从已有 Fact 出发，执行后产出新 Fact

循环结构（来自源码 vulnclaw/agent/solver.py）：
1. REASON：读取当前所有 Fact，判断目标是否达成，或提出新 Intent
2. EXPLORE：领取一个 Intent，用工具实际执行，将结论写回 Fact
3. 终止条件：目标达成 / 探索前沿耗尽（不再有新 Intent） / 触达安全预算

为何能杜绝打转：一旦“首页是登录框”成为 Fact，Reason 不会重复提议“去看首页”，而是提出“测 SQL 注入”；每个 Intent 只被领取一次，结论后标记为 concluded/abandoned，不可重复。终止由目标驱动，而不是数死轮数。

反幻觉闸门：弱模型常凭空编造 flag。新引擎录制所有真实工具输出（HTTP 响应体、python_execute 输出），声称的 flag 必须在该输出中逐字符出现才被采信；否则丢弃并标记 [未验证]。宣布“目标达成”时，若目标要求 flag 但真实输出从未出现过 flag，则拒绝完成，继续探索。

实际用法：安装、运行、Web UI

安装

pip install vulnclaw

要求 Python 3.10+，并配合 OpenAI 兼容的 API（需自行配置 API Key 和端点，例如 export OPENAI_API_KEY=sk-xxx）。

命令行渗透

vulnclaw run "帮我对 http://target.example.com 进行渗透测试"

工具会自动进入多轮循环，实时输出推理和工具执行结果。可通过 think on 显示 LLM 思考过程，think off 恢复干净输出（默认关闭）。

启动 Web UI

vulnclaw web

默认监听 127.0.0.1:7788，在浏览器中操作渗透测试全流程，适合不习惯 CLI 的用户。

管理插件与知识库

vulnclaw plugins    # 查看/管理漏洞检测插件
vulnclaw knowledge  # 内置知识库维护（CLI 可操作）

模型切换

VulnClaw 提供 13 个 LLM Provider 一键切换，通过配置文件或环境变量指定（如 LLM_PROVIDER=openai、LLM_PROVIDER=deepseek 等），详见项目文档 README.md。

与同类工具有何不同？

传统渗透测试工具（如 Metasploit、Burp Suite）需要手动选择模块、配置参数、编写脚本；而 VulnClaw 的定位是“对话式渗透”——只需自然语言描述意图，AI 负责编排工具链。具体区别：

值得注意：VulnClaw 的定位不是取代现有工具，而是作为“AI 渗透助手”，调用已有工具（如 nmap、sqlmap、MCP 服务）来执行具体操作。其内置的 python_execute 工具允许动态构造 payload 并解析响应，但仍属实验能力，不应视为强隔离沙箱。

局限性 & 注意事项

1. 仅限授权测试：项目根目录明确附带安全声明（LICENSE？实际为顶部 # 安全声明 链接），请务必遵守当地法律，仅对已授权目标使用。
2. 依赖大模型 API 成本：每次推理都会调用 LLM，长时间渗透可能产生令牌消耗；选用本地部署的模型（如 ollama 兼容协议）可降低成本。
3. MCP 服务配置：4 个 MCP 服务中，fetch 和 memory 开箱即用；而 chrome-devtools（浏览器自动化）和 burp（HTTP 抓包重放）需要额外部署外部 MCP 服务，官方文档提供了对接方式。
4. Python 代码执行非沙箱：内置的 python_execute 工具可执行任意代码，当前无强隔离沙箱，若在渗透测试中引入恶意输入可能带来风险，建议在可控环境中使用。
5. 弱模型表现不稳定：反幻觉闸门能缓解凭空编造，但若模型理解能力不足，仍可能导致探索效率低下。官方推荐使用推理能力较强的模型（如 OpenAI GPT-4、DeepSeek-R1）。

适合谁用？

• 红队 / 渗透测试工程师：快速自动化信息收集和漏洞验证，减少重复劳动。
• CTF 玩家：在固定靶标上快速提取 flag，节省手动操作时间。
• 安全教学人员：用具体案例展示渗透测试全流程，帮助学生理解攻击链。
• 愿意尝鲜的开发者：探索 AI Agent 在安全领域的落地可能性。

如果你正在寻找一个“输入一句话，自动跑渗透”的实验性工具，VulnClaw 值得一试。请务必在合法授权范围内使用。