Zetsu

一个用于攻击性安全知识的个人离线 RAG 系统。导入你的笔记、实验解法、漏洞赏金报告和安全博客，然后在实际攻击中通过自然语言查询。无需云服务、无需SaaS，你的知识始终属于你。

它能做什么

ZETSU 将你积累的知识转化为可查询的助手。你无需再通过 grep 搜索 markdown 文件，或费力回忆哪个笔记里写有 certipy 命令——你可以自然地问：

如何利用 SeImpersonatePrivilege 提权
拿到 ADFS 访问权限后我做了什么
sliver socks5 反向代理设置
解释 ESC8 vs ESC4

它首先从你的实际笔记中检索，然后基于你记录的内容生成答案，而不是依赖通用的互联网知识。

架构

摄入管道

查询管道

功能特性

• FARR 提取： 在导入时，LLM 读取你的笔记中的每个章节，提取结构化的攻击步骤（发现、行动、推理、结果）。你检索到的是一个语义单元，而不是一个随机的 800 token 窗口。
• 混合检索： BM25 精确匹配（工具名称、CVE 编号、CLI 参数）+ 向量搜索语义相似度。使用 RRF 融合进行合并。
• 交叉编码器重排序器： 在发送给 LLM 之前，根据实际相关性对检索到的片段重新排序。
• 两种回复风格： 操作员模式优先显示确切命令，概念模式优先显示推理过程。检索相同，呈现不同。在 TUI 中使用 Ctrl+M 切换。
• 多种 LLM 后端： Anthropic、兼容 OpenAI 的 API（DeepSeek 等）或本地 Ollama。导入和查询可使用不同的后端。
• 多种源类型： 本地 markdown 文件、单个 URL、GitHub wiki、Atom/RSS 订阅源。
• 持久聊天历史： 保存到 ~/.zetsu/history/YYYY-MM-DD.json，可通过 /history 浏览。
• TUI + Web UI + CLI： 根据场景选择合适的方式。实际攻击时使用 TUI，学习时使用 Web UI，脚本化时使用 CLI。

安装

git clone https://github.com/chaelsoo/zetsu
cd zetsu
pip install -r requirements.txt

设置你的 API 密钥：

cp .env.example .env
# 编辑 .env 并添加你的密钥

快速开始

1. 添加你的笔记

将 .md 文件放入 docs/ 目录。Notion 导出、Obsidian 笔记、博客导出——任何 markdown 格式均可。

2. 在 config.toml 中配置源

[llm]
backend      = "openai"
openai_model = "deepseek-chat"
base_url     = "https://api.deepseek.com/v1"

[[sources]]
type    = "markdown_dir"
path    = "./docs"
name    = "my_writeups"
extract = "farr"
enabled = true

3. 导入

python zetsu.py ingest

4. 使用

python zetsu.py tui       # 终端 UI
python zetsu.py web       # 浏览器访问 localhost:8000
python zetsu.py ask "如何利用 SeImpersonatePrivilege"

CLI 参考

python zetsu.py ingest                 # 导入已启用的源
python zetsu.py ingest --force         # 清空并重建所有内容
python zetsu.py ingest --dry-run       # 估算（不进行 LLM 调用）
python zetsu.py ingest --all-sources   # 启用所有源（忽略 enabled 标志）
python zetsu.py tui                    # 终端 UI
python zetsu.py web                    # Web UI
python zetsu.py ask "查询内容"          # 一次性的 CLI
python zetsu.py ask "查询内容" --style concept
python zetsu.py stats                  # 向量库统计信息

TUI 快捷键

源类型

提取模式

• farr： LLM 提取离散的攻击步骤，以结构化 JSON 格式输出（发现、行动、推理、结果）。最适合包含清晰攻击链的笔记。
• farr+narrative： 与 farr 相同，额外生成一段叙述性摘要，捕捉作者的推理过程。最适合需要关注思考过程的博客。
• headers： 不调用 LLM，仅按标题切分并保留原文。最适合命令参考和工具文档。

LLM 后端

在 config.toml 中配置。导入（批量提取）和查询（生成）可以使用不同的后端：

[llm]                          # 查询时
backend      = "openai"
openai_model = "deepseek-chat"
base_url     = "https://api.deepseek.com/v1"

[ingest]                       # 导入时
backend      = "openai"
openai_model = "deepseek-chat"
base_url     = "https://api.deepseek.com/v1"
workers      = 8               # FARR 提取时的并行文件数

支持的 backend：anthropic、openai（任何兼容 OpenAI 的 API）、ollama。

[!IMPORTANT] 默认情况下 ChromaDB 在本地运行，会将完整的向量索引加载到内存中。对于大型语料库（10000+ 片段）或内存有限的机器，强烈建议将 ChromaDB 作为远程服务器运行。详见 ChromaDB server 文档。ZETSU 计划在未来支持远程模式。

基准测试

在涵盖 12 个攻击性安全类别的 910 个问题上进行了评估 （ADCS、Kerberos、AD 枚举、MSSQL、Sliver C2、提权、 Web 攻击、凭证、横向移动、云/Entra ID、OPSEC、工具）。

贡献答案最多的源：个人 HTB 实验记录、dirkjanm 博客、shenaniganslabs 研究、HackTricks ADCS、Sliver wiki、netexec 速查表。

简单来说，你需要确保添加优质且结构化的资源供 RAG 导入。该项目 100% 专注于使用知识库，而不是依赖 LLM 的记忆或训练数据。

完整的评估数据集和结果位于 eval/。

参考资料

• rank-bm25，BM25 检索
• FARR 概念来自 CIPHER
• RAG 流水线灵感来自 rag-chatbot

我很快会写一篇博客介绍它的用法和效果，敬请期待。