PentAGI：让 AI 红队自己跑完一次渗透测试

项目：vxcontrol/pentagi
今日星标：+613
语言：Go
许可证：AGPL-3.0
定位：自托管的多 Agent 自主渗透测试系统

一个场景

周五下午，老板说："下周一前把这个系统的渗透测试报告给我。"

传统流程：你打开 Kali Linux，跑 nmap 扫端口，跑 sqlmap 试注入，翻 Metasploit 找 exploit，手动验证每个发现，写报告。一个中型系统，至少三天。

PentAGI 给的解法：你输入目标地址和测试目标，它自己规划步骤、调用 20+ 专业工具、在 Docker 沙箱里执行、记住每次发现、最后给你一份报告。你盯着屏幕看它干活，偶尔在关键决策点介入。

它到底是什么

PentAGI = Penetration testing Artificial General Intelligence

一句话：你描述目标和目标，AI Agent 团队自己规划、执行、报告。

但这个"自己"不是噱头。它真的把渗透测试拆成了多 Agent 协作：

1. 规划 Agent：分析目标，决定先做什么后做什么
2. 执行 Agent：在 Docker 沙箱里跑 nmap、Metasploit、sqlmap 等工具
3. 记忆 Agent：把发现存到 PostgreSQL + pgvector，后续步骤可以检索
4. 知识图谱 Agent（可选）：用 Neo4j 追踪主机、服务、漏洞之间的关系
5. 监控 Agent：执行监控和任务规划，帮小模型也能跟上复杂流程

这不是一个"AI 调用 API"的玩具。它是一个有架构的 Agent 系统。

核心设计：四个关键决策

1. 沙箱隔离——给 Agent Docker 但不给宿主机

PentAGI 的执行环境是 Docker 容器。Agent 在容器里跑工具，不能碰宿主机。这意味着：

• Agent 跑 nmap 扫描的是隔离网络
• Agent 装 Metasploit 不会污染你的系统
• 测试结束，容器销毁，痕迹清零

README 里专门有一节叫"Giving agents Docker without giving away the host"——给 Agent Docker 权限但不暴露宿主机。这个设计决策体现了安全工程思维：你信任 AI Agent 跑渗透测试，但不信任它不犯错。

2. 模型自由——10+ LLM 提供商

PentAGI 支持的 LLM 提供商列表读起来像 AI 公司花名册：

• 云端：OpenAI、Anthropic、Google Gemini、AWS Bedrock、Azure OpenAI、DeepSeek、GLM、Kimi、Qwen、MiniMax、Mistral、xAI Grok
• 本地：Ollama、vLLM、任何 OpenAI 兼容网关

这个选择背后的逻辑是：渗透测试场景对模型有不同需求。规划阶段需要强推理（用 Claude/GPT），执行阶段需要快和便宜（用 DeepSeek/Ollama），报告阶段需要长上下文（用 Gemini）。PentAGI 不绑死模型，让用户按需选择。

3. 记忆系统——PostgreSQL + pgvector + Neo4j

渗透测试是一个累积发现的过程：扫到端口 80 开放 → 尝试 Web 漏洞 → 发现登录页 → 尝试弱密码 → 进入后台 → 提权。每一步都依赖前一步的发现。

PentAGI 用两层记忆：

• PostgreSQL + pgvector：存储执行结果和向量化的经验，后续步骤可以语义检索"之前发现过什么类似的"
• Neo4j 知识图谱（可选）：追踪主机→服务→漏洞→利用链的关系网络

这个设计让 Agent 不会"健忘"——第 20 步的决策可以参考第 3 步的发现，而不是从头再来。

4. 可观测——Langfuse 集成 + 执行监控

Agent 系统最大的问题是"它到底在干嘛"。PentAGI 集成了 Langfuse 做 LLM 调用追踪，加上自带的执行监控和任务规划界面。

这意味着你可以看到：Agent 为什么决定先扫 80 端口而不是 443？它调用 nmap 时用了什么参数？它发现什么后改变了计划？可观测性是 Agent 系统从"玩具"到"工具"的分水岭。

和其他 AI 安全工具的差异

PentAGI 的差异化在于工程完整度。它不是一个"LLM + prompt"的 demo，而是一个有沙箱、有记忆、有知识图谱、有可观测性的系统。

一个更深的观察

PentAGI 的架构揭示了一个趋势：AI Agent 系统的竞争力不在模型，在架构。

当所有人都能调用 GPT-6 或 Claude 时，决定 Agent 好坏的不是"你用了哪个模型"，而是：

1. 记忆怎么设计：是简单的对话历史，还是向量化的经验库？
2. 工具怎么编排：是串行调用，还是有规划的并行？
3. 安全边界在哪：Agent 能做什么不能做什么？
4. 可观测性多强：出了问题能不能追溯？

PentAGI 在这四个维度上都做了选择，而不是默认。这就是为什么一个 +613 星的项目值得认真看——它不是最火的，但它的架构设计是教科书级的。

适合谁

• 安全工程师 / 渗透测试人员：想要一个 7x24 小时干活的助手
• 红队：需要自动化初始侦察和漏洞验证
• 安全研究者：想研究多 Agent 系统在攻防场景的表现
• 企业安全团队：需要自托管（数据不出域）的自动化测试

不适合：

• 想拿来干坏事的人（PentAGI 明确只用于授权测试）
• 期望"一键黑掉目标"的脚本小子（Agent 仍然需要人类在关键点介入）
• 不想自己部署的人（PentAGI 是自托管，需要 Docker 环境）

企业版

PentAGI Enterprise 增加了：

• Agent profiles（不同任务用不同 Agent 配置）
• Plugins 和 MCP servers（扩展能力）
• 客户级报告（直接给客户的渗透测试报告）
• 实时攻击链可视化

开源版已经功能完整，企业版增加的是"团队协作"和"客户交付"能力。

一句话总结

PentAGI 把渗透测试从"一个人 + 一堆工具"变成了"一个人 + 一队 AI Agent"。它的价值不在"AI 能黑掉什么"，而在于它示范了一个严肃的 Agent 系统应该怎么设计——有沙箱、有记忆、有知识图谱、有可观测性。当所有人都在谈"AI Agent"时，PentAGI 在告诉你"AI Agent 系统工程"长什么样。