TL;DR： VulnClaw 是一个纯 Python 实现的 AI 渗透测试 CLI 工具。说一句\"帮我对 http://target.com 做渗透测试\"，它就会自动执行信息收集→漏洞发现→漏洞利用→报告生成的全流程。支持 13 个 LLM Provider、MCP 工具链、目标驱动求解引擎、证据级反幻觉闸门，适合授权渗透、CTF 竞赛和安全教学。
一、这是什么项目？
VulnClaw（项目地址：https://github.com/Unclecheng-li/VulnClaw）是一个 AI 驱动的渗透测试 Agent，以 CLI 形式运行。
它解决的核心问题是：把人类渗透测试专家的思维流程，用 LLM Agent + 工具链的方式工程化。
传统的渗透测试自动化依赖固定的脚本和扫描器，缺乏\"思考\"能力。遇到 WAF 会卡死，发现不了非常规的攻击路径。VulnClaw 的思路是让 AI 来分析上下文、制定策略、调用工具验证，甚至根据失败原因自动更换绕过方式。
二、核心架构
VulnClaw 的架构分四层：
LLM Agent 层
对接 OpenAI、MiniMax、DeepSeek、智谱、Moonshot、通义千问等 13 个 LLM Provider，一键切换。支持原生 Tool Calling。
MCP 编排层
内置 4 个 MCP 服务：
- fetch——网页抓取（本地实现，开箱即用）
- memory——记忆管理（本地实现，开箱即用）
- chrome-devtools——对接外部 Chrome DevTools 实现浏览器自动化
- burp——对接 Burp Suite 实现 HTTP 抓包重放
Skill 体系
内置 21 个渗透 Skill（7 核心 + 14 专项），涵盖：
- 信息收集、端口扫描、目录枚举
- Web 漏洞检测（SQL 注入、XSS、SSRF、RCE 等）
- CTF Web/Crypto/Misc
- OSINT 信息收集
- 29 种编解码/加解密工具（Base64、Hex、URL、JWT、AES、Morse 等）
- 180 个参考文档
安全知识库
内置知识库模块，CLI 即可维护，检索增强正在逐步接入主流程。
三、最亮眼的特性3.1 目标驱动求解引擎（不是固定轮数循环）
旧版的渗透 Agent 大多是\"跑满 N 轮就停\"，弱模型上经常出现\"反复请求同一页面、嘴上说测注入却不发包\"的死循环。
VulnClaw 重新设计了引擎，把渗透建模为状态空间搜索：
- Fact（事实）：已被真实工具输出确认的客观事实（探测的落脚点）
- Intent（意图）：声明要探索的方向，从 Fact 出发
循环是：
REASON（读全图）→ 目标达成？/ 提出新方向 ↓ EXPLORE（领一个 Intent）→ 用工具执行 → 结论写回 Fact ↓ 终止：目标达成 / 探索前沿耗尽 / 触达安全预算
结构上杜绝打转：一旦\"首页是登录框\"成为 Fact，就不会再提\"去看首页\"，而是提\"测 SQL 注入\"。
3.2 证据级反幻觉闸门
这是对付大模型\"瞎编 flag\"的硬核机制。
传统 AI 渗透最头痛的问题：模型说\"找到了 flag\"，但实际根本没拿到。VulnClaw 在 solve() 里录下所有真实工具输出（HTTP 响应体、python_execute 输出）作为唯一可信证据：
- 结论闸门：声称的 flag 必须在工具输出里逐字符出现，否则判定幻觉、丢弃
- 完成闸门：如果目标要 flag 但输出里从来没有 → 拒绝完成，继续探索
- 即时收敛：一旦拿到经过验证的 flag，立即完成
3.3 反思引擎（L0-L4 渐进绕过）
失败不是终点。VulnClaw 会：
- 自动归类失败原因（环境限制 / 路径错误 / 参数错误 / 信息不足）
-
按 L0 → L4 递进升级 payload 绕过策略：
-
L0：原始 payload
- L1：URL 编码
- L2：双写注释绕过
- L3：Unicode/Hex 编码
-
L4：多层混淆 / 换攻击面
-
Persistent 模式跨周期保留失败记忆
3.4 低耦合插件体系
不只是核心引擎，还带一个插件运行时。内置的只读 Web 插件可以分析安全响应头、JWT Token、JS 端点等，结果自动汇入报告链路。
四、使用方式
VulnClaw 提供了四种交互界面：
① CLI 命令行（最适合脚本化）
vulnclaw run 192.168.1.100 # 一键全流程 vulnclaw recon target.com # 仅信息收集 vulnclaw exploit target.com——cve CVE-2024-1234 # 漏洞利用 vulnclaw report session.json # 生成报告
② REPL 交互式（最适合探索）
vulnclaw
🦞 vulnclaw> 对 http://target.com 进行渗透测试，这是我授权的靶场
输入自然语言，AI 自动理解意图并执行。
③ TUI 终端图形界面
vulnclaw tui --target https://target.example --mode deep
先展示授权目标、检查模式、安全边界，确认后再启动。
④ Web UI
vulnclaw web
# 打开 http://127.0.0.1:7788
浏览器操作渗透全流程。
持续性渗透
100 轮/周期 × 最多 10 周期 = 1000 轮深度测试，每个周期自动生成增量报告：
Cycle 1 (100轮) → 自动报告 → 继续
Cycle 2 (100轮) → 自动报告 → 继续
... 直到 Ctrl+C 或达到最大周期数
五、快速上手
# 从 PyPI 安装
pip install vulnclaw
# 配置 LLM（支持 13 个提供商）
vulnclaw config provider minimax vulnclaw config set llm.api_key sk-your-key
# 环境检查
vulnclaw doctor
# 开始渗透
vulnclaw run target.com
也支持 Docker 部署和 ChatGPT 免 API Key 登录。
六、技术点评
VulnClaw 在技术设计上有几个独特的决策值得关注：
- 放弃固定轮数 → 目标驱动。这是 LLM Agent 从玩具走向实用化的关键一步。目标驱动意味着不会在死路上浪费 token，也不会在成功前盲目空转。
- 证据闸门反幻觉。在安全场景里，\"幻觉\"不是小问题而是致命问题。声称找到了一个不存在的漏洞，比没找到漏洞更危险。
- L0-L4 递进绕过。这是对人类渗透测试思维的工程化复现——一种绕过方式不生效，自动升级到下一个级别，并根据失败原因动态调整。
- 14 个 Label Provider + 自由切换。不绑定任何单一模型，可以针对不同阶段选择不同模型（比如信息收集用便宜的 flash 模型，漏洞利用用强推理模型）。
当然也要看到局限性：
- Python 代码执行目前仍是\"高风险实验能力\"，不是强隔离沙箱
- 在复杂企业内网环境中，MCP 服务链的可靠性还需验证
- 弱模型（如小参数模型）在这种 Agent 架构中的表现会显著下降
七、授权声明
项目作者强调：仅适用于已授权的渗透测试、CTF 竞赛、安全教学和红队演练场景。
VulnClaw 内置了沙盒模式提示词，解锁 AI 安全测试能力专门面向授权场景。在非授权目标上使用属于违法行为，请自行承担法律责任。
八、总结
VulnClaw 代表了 AI + 安全 领域的一个新方向——不是用 AI 替代安全工程师，而是让 AI 作为安全工程师的\"副驾驶\"：
- 你做战略决策（授权目标、攻击视角、风险承受度）
- AI 做战术执行（端口扫描、漏洞发现、payload 构造、报告撰写）
在 CTF 赛场上，这可能成为新一代的\"AutoPwn\"。在企业红蓝对抗中，这可能成为渗透测试团队的标准工具箱之一。
一个用起来像跟人说话一样的渗透测试工具，这本身就是一个足够有趣的开场。
━━━ ━━━ ━━━
后记： VulnClaw 完全开源（MIT 协议），代码托管在 GitHub。项目仍在活跃开发中，欢迎 Star 和贡献。如果你在安全测试或 CTF 中试用了，欢迎反馈体验。
━━━ ━━━ ━━━
*欢迎关注 LeisureLinux，获取更多深度技术解读。*
OpenAI 发布 GPT-5.6 Sol：最强模型却先给「一小撮人」
NSA 局长亲述：Anthropic Mythos 在数小时内攻破几乎所有机密系统
OpenAI 发布 Daybreak：AI 驱动的防御革命与安全范式转移
