🚀 Pentest Ai

官方开源发布与维护代码库，由 @kush-coder 维护

![License](https://img.shields.io/badge/License-MIT License-indigo?style=for-the-badge)

💡 关于本项目

开源 AI 渗透测试工具，为每一项发现提供证明。机器预言机（oracle）会重新运行每个漏洞利用；经核实的漏洞会附带一个可自行重放的证明胶囊（proof capsule）。

本仓库由 @kush-coder 积极维护并作为官方开源版本发布。

✨ 核心亮点

🛡️ 经验证的健康检查：已通过自动化沙箱构建、依赖解析和健康测试运行。
🚀 生产就绪：轻量级占用，针对高效率进行优化。
📦 宽松开源许可：可用于开发者集成、自定义修改和社区增强。

🚀 快速开始与安装

# Clone your official repository
git clone https://github.com/kush-coder/autopilot-pentest-ai.git
cd autopilot-pentest-ai

📖 完整文档

Pentest-AI：开源 AI 渗透测试。可复现的发现。

网站 · 快速开始 · 漏洞赏金 · 验证机制 · 文档 · 问题反馈

Pentest-AI 是一款开源的 AI 渗透测试与漏洞赏金工具，它将经过验证的发现与猜测严格区分开来。 它将 AI 客户端或模型接入真实的渗透测试工作流：调查 Web 应用、发现并复现漏洞，并使用机器预言机（oracle）验证漏洞利用是否真正有效。任何预言机无法证明的发现都会被标记为候选，而经过验证的发现则附带证明其有效的请求与响应。

你可以通过 MCP（Claude Code、Codex、Cursor、VS Code）、CLI 或 CI/CD 使用它。模型负责驱动调查；独立的预言机决定某项发现是否获得已验证的判定，因此模型的猜测绝不会被伪装成结果。

专为授权漏洞赏金而构建： 每个项目对应一个配置文件，包含其范围、声明的速率以及你的研究员标识；试运行会在发送任何内容之前展示计划；报告草稿仅来自经过验证的发现。跳转到漏洞赏金工作流 →

仅测试你拥有或获得明确授权进行评估的系统。在开展测试之前，请阅读可接受使用政策和条款。

快速开始

推荐：Codex 或 Claude Code

使用 Python 3.10 至 3.14，并首先安装 pipx。如有需要，运行 pipx ensurepath 并重新打开终端。pipx 会隔离 Pentest-AI 的依赖，并使其命令可在各个文件夹中使用。

pipx install ptai
ptai setup --mcp

请先安装你的 AI 客户端的 CLI。安装程序在连接所有检测到的受支持客户端之前会先询问，包括已安装的 Codex 和 Claude Code。它会保留现有的注册信息。之后请重启你的客户端。

该向导使用用户级设置。它不会安装客户端、让你登录、下载模型或配置 Ollama。模型由你的 AI 客户端提供；MCP 服务器不需要单独的模型 API 密钥。使用 ptai setup --mcp --dry-run 可预览更改。有关 Codex .codex/config.toml 和 Claude Code .mcp.json 的说明，请参阅单客户端与按仓库设置。

升级时，请使用 pipx upgrade ptai。在已激活的现有虚拟环境中，也支持 python -m pip install --upgrade ptai；在将其注册到你的 AI 客户端后，请保持该环境可用。

替代方案：Ollama 与本地模型

按上述方式安装 Pentest-AI，但此路线跳过 MCP 设置。安装并启动 Ollama，然后拉取一个支持工具调用的模型。使用 ollama list 查找其确切的已安装名称。

export PENTEST_AI_LLM_PROVIDER=ollama
export PENTEST_AI_MODEL="your-installed-model"
ptai start https://your-authorized-target.example --no-sync

在 PowerShell 中：

$env:PENTEST_AI_LLM_PROVIDER = "ollama"
$env:PENTEST_AI_MODEL = "your-installed-model"
ptai start https://your-authorized-target.example --no-sync

运行前请替换占位符。本地模型无需云 API 密钥。模型质量和可用内存会影响结果。有关端点配置，请参阅模型指南。

试用内置演示

无需 API 密钥或外部目标。

pipx install ptai
ptai demo

该演示测试一个捆绑的易受攻击应用程序，回放其 proof capsule 中的发现，并检查加固后的路由。在配置真实参与之前，先检查证据工作流。

其他模型提供商

对于独立云模型和可选扫描器依赖项，请参阅安装指南和提供商指南。请将 API 密钥排除在源代码管理之外。

漏洞赏金自动化

漏洞赏金模式适用于允许自动化测试的项目。你为每个项目编写一个配置文件，包含其范围、声明的速率以及你的研究员标识。随后 --program 会将所有这些应用到每个请求，而 --dry-run 会打印计划而不发送任何内容。

# ~/.pentest-ai/programs/acme.toml
platform = "hackerone"
handle = "acme"
researcher = "your-h1-username"   # sent on every request in X-Bug-Bounty
rps = 5.0                         # the rate the program states
scope = ["*.acme.com", "api.acme.com"]
excluded = ["status.acme.com"]
scanners_allowed = true
allow_race = false

ptai start https://api.acme.com --program acme --dry-run    # sends nothing
ptai start https://api.acme.com --program acme --auto-auth
ptai bounty-report <engagement-id> --program acme --output-dir drafts/

在 --program 下：

每个请求都受该程序的速率限制约束，包括外部工具。无法被约束在其速率份额内的工具会被跳过，扫描会说明这一点。
范围仅来自配置文件，不来自其他任何地方。范围外的请求会被拒绝，排除项优先于通配符。
每个请求都在 X-Bug-Bounty 中携带你的研究员标识，或在程序指定的请求头中携带（PTAI_BOUNTY_HEADER_NAME）。
诸如 gobuster 和 ffuf 之类的字典工具会被拒绝。两个内置的发现探测仍会尝试一组可能的路径，约 500 个请求。
为耗尽或使目标崩溃而构造的载荷不会被发送。会更改其他用户账户或共享状态的探测不会运行。竞态条件突发仅在配置文件设置 allow_race = true 时运行。
429 和 Retry-After 会被遵守。变慢的目标会获得更低的速率，而持续降级的目标会停止扫描并记录原因。
禁止扫描器的程序需要输入 yes，因为扫描它可能使安全港失效。

ptai bounty-report 仅根据 oracle 验证的发现起草报告，复现步骤取自 oracle 自身的请求。请手动复现每一个并自行提交。ptai bounty import 将程序导出的范围文件转换为配置文件的允许和排除条目。

实际耗时等于请求数除以速率。在我们的测试应用上，以 3 rps 完整扫描约 8,700 个请求，耗时 51 分钟，并能找到 10 rps 扫描找到的所有严重和高危问题。在 10 rps 下约为 6,600 个请求和 11 分钟，这是在慢速探测在低速率下有足够时间完成之前测得的。

按到达时间统计，在 3 或 10 rps 下没有任何一秒超过声明的速率，包括外部工具发送的请求。

完整漏洞赏金指南 →

验证如何工作

只有当 oracle 重复利用并检查对照项后，候选发现才会变为已验证。

找到候选发现。 探测或扫描器识别出值得调查的行为。
复现并检查对照项。 指定的 oracle 重复利用，并与一个不应表现出该弱点的对照项进行比较。
保留证据。 已验证的发现会记录 oracle、它发送的请求以及它判定的响应。ptai retest 再次扫描目标，ptai diff 显示变化。ptai demo 显示一个可移植的证明胶囊，ptai replay 会重新检查它。

例如，受信任请求头绕过必须在携带攻击请求头时返回特权内容，并在不携带时拒绝访问。对每个请求都返回 HTTP 200 的服务器不足以作为证据。

模型无法授予已验证的判定。 第三方扫描器输出在 oracle 独立证明之前保持未验证。没有受支持的验证配方的发现仍为候选。

已验证的判定适用于所测试的条件。它并不意味着整个应用是安全的。证明胶囊未签名。重新运行检查才是信任机制。

阅读验证设计

你可以做什么

工作流	Pentest-AI 提供什么
调查 Web 应用	针对注入、访问控制、请求处理及其他应用弱点的探测
执行漏洞赏金任务	将扫描限制在程序的范围和速率内，然后根据已验证的发现起草报告（指南）
通过 AI 客户端工作	用于任务、调查和验证的 MCP 工具
复现发现	Oracle 结果和可重放的证明胶囊
检查修复	针对更新后的目标重新运行记录的检查
向团队报告	用于现有工程工作流的报告和 SARIF 输出
将任务数据保留在本地	发现存储在您机器上的 SQLite 中

覆盖范围因探针和 oracle 而异。可选扫描器需要各自的二进制文件，部分集成提供的是原始输出而非结构化发现结果。请查阅适用于你所使用版本的文档和变更日志；main 分支可能包含尚未发布的工作。

查看由 CI 检查的能力清单。

将已验证的发现结果接入 CI

在 CI 环境中配置你的模型提供商、一个已授权的目标以及首次运行同意。请将密钥保存在 CI 提供商的密钥存储中。

ptai start https://your-authorized-target.example --ci --fail-on verified --no-sync

使用运行中的 engagement ID 导出已验证的发现：

ptai export YOUR_ENGAGEMENT_ID --sarif pentest.sarif

--sarif 是一个导出选项，而不是 ptai start 的选项。如果你需要为失败的构建保留证据，即使发现门禁失败，也要保留 engagement ID 并运行导出。通过你的 CI 提供商的 SARIF 集成上传生成的文件。

CI 设置与模板

证据、基准测试与限制

基准测试发现、挑战完成情况和 oracle 验证的发现是不同的度量。这些报告记录了其结果背后的版本、目标和方法论：

预期覆盖不完整。 没有已验证发现的扫描并不等于对应用程序所有行为的安全评估。身份验证、应用程序状态、不支持的缺陷类别和环境变化都会影响能够发现和复现的内容。请审查结果，并让人员参与 engagement。

数据与网络行为

发现结果存储在本地。匿名使用计数器通过 ptai telemetry enable 选择加入。

本地存储并不意味着每个操作都留在你的机器上：模型提供商调用和已安装的扫描器有其自己的网络行为。盲漏洞检查可以使用外部带外协作者；回调元数据对该服务可见。

在需要时使用你自己的协作者，或禁用回调：

autopilot-pentest-ai

最受欢迎