AI 驱动的自主渗透测试代理

AIRecon 是一个自主渗透测试代理，它结合了自托管的 Ollama LLM 与 Kali Linux Docker 沙箱、原生的 Caido 代理集成、结构化的 RECON → ANALYSIS → EXPLOIT → REPORT 流程，以及实时的 Textual TUI——完全离线，无需 API 密钥。

Airecon

为什么选择 AIRecon？

基于商业 API 的模型（OpenAI GPT-4、Claude、Gemini）对于递归、自主的侦察工作流来说成本高昂，每会话可能需要数千次 LLM 调用。

AIRecon 完全为本地、私密运行而设计。

隐私优先 — 目标情报、工具输出和报告永远不会离开你的机器。
Caido 原生 — 5 个内置工具：列表、重放、自动化（§FUZZ§）、发现项、范围。
全栈 — Kali 沙箱 + 浏览器自动化 + 自定义模糊器 + Schemathesis API 模糊测试 + Semgrep SAST。
技能知识库 — 57 个内置技能文件，289 个关键词 → 技能自动映射。通过 airecon-skills 扩展——一个拥有 57 个额外 CLI 脚本的社区技能库，适用于 CTF、漏洞赏金和渗透测试。
本地安全知识库 — 可选的 airecon-dataset 将约 109 万条安全记录（CVE、红队技术、CTF 解题报告、nuclei 模板、漏洞赏金 Payload）索引到本地 SQLite FTS5 中。LLM 在尝试不熟悉的技术之前会自动调用 dataset_search——将其决策建立在真实索引数据之上。

流程

RECON → ANALYSIS → EXPLOIT → REPORT

每个阶段都有特定的目标、推荐的工具和自动转换条件。阶段强制是软性的——代理会获得指导，但不会被限制。每 5 次迭代（阶段评估）、10 次迭代（自我评估）和 15 次迭代（上下文压缩）执行一次检查点。

记忆与学习（实际作用）

AIRecon 不会对 LLM 进行微调。其“学习”是基于本地、结构化的遥测数据，用于指导工具选择并避免重复失败路径。

本地持久化（全部存储在磁盘，无云端）：

SQLite 记忆数据库，位于 ~/.airecon/memory/airecon.db，存储会话、发现项、模式、目标情报、工具使用情况、模型性能、技能使用情况以及攻击链发现。
自适应学习状态，位于 ~/.airecon/learning/global_learning.json（工具性能统计、策略模式、观察日志、提炼的洞察）。
每个目标对应的记忆文件（持久化时）位于 ~/.airecon/memory/by_target/，包含端点、漏洞、WAF 绕过、敏感参数和认证端点。
当会话持久化运行时，Payload 记忆快照可保存至 workspace/<target>/payload_memory.json。

对行为的影响：

会话启动时，注入记忆上下文（目标情报、相似发现、学习到的模式、工具可靠性）。
每 8 次迭代，根据检测到的技术重新注入学习到的模式和相似发现。
自适应工具排序利用历史成功/失败来排列工具优先级并提出策略建议。
Payload 记忆（启用时）会跳过针对同一目标/参数反复失败的 Payload。

模型要求

AIRecon 需要一个具备扩展思考（<think> 块）和可靠工具调用能力的模型。能力通过 ollama show 元数据自动检测。

⚠️ 工具调用支持是必需的。 模型必须支持原生函数/工具调用。不具备此能力的模型无法执行任何工具（http_observe、execute、浏览器操作等），这将使 AIRecon 完全无法工作。

建议最低参数：8B-9B。 低于 8B 的模型技术上可用但强烈不推荐——它们会频繁幻觉工具输出、虚构 CVE、忽略范围规则，并产生不可靠的工具调用。

模型规模指南：

≥32B： 可靠的完整侦察流程，工具调用准确性好
8B-14B： 可用于简单任务，预计 20-40% 的工具调用错误和幻觉
<8B： 技术上可用但结果不可靠——不建议用于严肃测试

已知问题： DeepSeek R1 产生不完整的函数调用。低于 8B 的模型缺乏可靠的工具调用支持。

在 Google Colab 上运行 Ollama（有限硬件）

如果你没有 GPU 或本地显存低于最低要求，你可以在免费的 Google Colab T4 GPU 上运行 Ollama，并通过公共隧道连接 AIRecon。

打开笔记本：

工作原理：

Google Colab GPU                     你的本地机器
┌─────────────────────────┐          ┌──────────────────────────┐
│  Ollama (qwen3.5:9b)    │◄────────►│  AIRecon TUI             │
│  cloudflared tunnel     │  HTTPS   │  ollama_url: 隧道 URL    │
└─────────────────────────┘          └──────────────────────────┘

步骤：

打开上面的 Colab 链接，选择 运行时 → 更改运行时类型 → T4 GPU
从上到下运行所有单元格（首次运行约需 5-10 分钟）
复制 单元格 6 输出的配置片段到 ~/.airecon/config.yaml：

ollama_url: "https://xxxx.trycloudflare.com"   # 单元格 6 输出的 URL
ollama_model: "qwen3.5:9b"
ollama_timeout: 300.0
ollama_chunk_timeout: 300.0
ollama_num_ctx: 32768
ollama_num_ctx_small: 16384

正常启动 AIRecon：airecon start

Colab GPU → 可用模型：

限制：

Colab 会话最长持续 12 小时（免费）/ 24 小时（Pro）——重新连接时隧道 URL 会变化
T4 搭配 qwen3.5:9b 是最低可用配置——相比本地 35B+ 模型，响应更慢，工具调用错误更多
不适合长时间自主会话（深度侦察可能超过会话时长限制）
Colab 笔记本位于 scripts/airecon_colab.ipynb，如果你想自行托管或修改

安装

前置条件： Python 3.12+、Docker 20.10+、Ollama（运行中）、git、curl

一键安装（推荐）

curl -fsSL https://raw.githubusercontent.com/pikpikcu/airecon/refs/heads/main/scripts/install.sh | bash

该脚本会自动检测远程或本地模式，如果缺少 Poetry 则自动安装（通过官方安装程序——无系统包冲突），构建 wheel，并安装到 ~/.local/bin。

手动安装（从源码）

git clone https://github.com/pikpikcu/airecon.git
cd airecon
./install.sh

# 如有必要，添加到 ~/.bashrc 或 ~/.zshrc
export PATH="$HOME/.local/bin:$PATH"

airecon --version

配置

配置文件：~/.airecon/config.yaml（首次运行自动生成）。AIRecon 会在首次运行时创建 ~/.airecon/ 目录，包括使用自定义 ~ 路径时。

# ======================================
# Ollama Connection
# ======================================
# Ollama API endpoint. REQUIRED — must be set. For local: http://127.0.0.1:11434. For remote: http://IP:11434
ollama_url: "http://127.0.0.1:11434"
# Model to use. 122B for best reasoning (requires 60GB+ VRAM). For 12GB VRAM: use qwen2.5:7b or smaller. For 8GB VRAM: use qwen2.5:1.8b.
ollama_model: "qwen3.5:122b"
# Total request timeout (seconds). 180s = 3 min. Stable for most models. Increase to 300s for slow remote servers or 122B models.
ollama_timeout: 180.0

# ======================================
# Ollama Model Settings
# ======================================
# Context window size. 65536 = 64K (stable for 12GB VRAM with 8B models). 131072 = 128K requires 30GB+ VRAM. Set -1 for server default.
ollama_num_ctx: 65536
# Context for CTF/summary mode. 32768 = 32K (stable for 12GB VRAM). Reduced from 64K for stability with 8B+ models.
ollama_num_ctx_small: 32768
# LLM output randomness. 0.0=deterministic, 0.15=recommended (strict), 0.3=creative. Does NOT affect thinking mode — controls output diversity only.
ollama_temperature: 0.15
# Max tokens to generate. 16384 = 16K (stable for 12GB VRAM). 32K requires more VRAM.
ollama_num_predict: 16384
# Enable extended thinking mode (for Qwen3.5+/Qwen2.5+). When enabled, model generates <think> reasoning blocks before answering.
ollama_enable_thinking: true
# Thinking intensity: low|medium|high|adaptive. For 12GB VRAM: use 'low' or 'medium'. 'high' may cause OOM with 8B models. Low=only deep tools, Medium=ANALYSIS+deep tools, High=most iterations (high VRAM only).
ollama_thinking_mode: low
# Protect first N tokens from KV eviction. 4096 = 4K (reduced for 12GB VRAM stability). 8K for larger VRAM.
ollama_num_keep: 4096

# ======================================
# Proxy Server
# ======================================
# Host to bind proxy server. 127.0.0.1 = localhost only.
proxy_host: 127.0.0.1
# Port for proxy server. Default 3000.
proxy_port: 3000

# ======================================
# Timeouts
# ======================================
# Docker command timeout (seconds). 900s = 15 min for long scans (nmap, nuclei).
command_timeout: 900.0

# ======================================
# Docker Sandbox
# ======================================
# Container memory limit. '16g' = 16GB (stable for 32GB+ RAM host, 18GB image + Chromium). Prevents OOM kills. Set to '12g' for 32GB RAM, '8g' for 16GB systems, '4g' for 8GB systems.
docker_memory_limit: 16g

# ======================================
# Deep Recon
# ======================================
# Auto-start deep recon on session start.
deep_recon_autostart: true
# Recon execution mode: standard|full. standard=respect user scope, full=auto-expand simple target prompts into comprehensive recon.
agent_recon_mode: standard

# ======================================
# Safety
# ======================================
# Allow destructive tests (e.g., DELETE requests). Default: False for safety.
allow_destructive_testing: false

远程 Ollama（LAN 服务器或 Google Colab 隧道）：

ollama_url: "http://192.168.1.100:11434"   # LAN 服务器
ollama_model: "qwen3.5:35b"

# 或通过 Colab 隧道（参见上方"在 Google Colab 上运行 Ollama"章节）：
ollama_url: "https://xxxx.trycloudflare.com"
ollama_model: "qwen3.5:9b"
ollama_timeout: 300.0
ollama_chunk_timeout: 300.0

MCP 集成

AIRecon 可以连接到外部 MCP 服务器，并动态将其工具暴露为 mcp_<server> 工具。

配置文件：~/.airecon/mcp.json

示例配置：

{
  "mcpServers": {
    "hexstrike": {
      "command": "python3",
      "args": [
        "/path/hexstrike-ai/hexstrike_mcp.py",
        "--server",
        "http://127.0.0.1:8888"
      ],
      "env": {
        "PYTHONUNBUFFERED": "1"
      },
      "enabled": true
    },
    "xssgen": {
      "command": "python3",
      "args": [
        "/path/xssgen/xss_client.py",
        "--server",
        "http://127.0.0.1:8000"
      ],
      "env": {
        "PYTHONUNBUFFERED": "1"
      },
      "enabled": true
    },
    "recon": {
      "transport": "sse",
      "url": "https://example.com/mcp",
      "enabled": true,
      "headers": {
        "Authorization": "Bearer xxxxx"
      }
    }
  }
}

在聊天中使用 MCP 工具：

工具名称格式：mcp_<服务器>
操作：list_tools、search_tools、call_tool

示例：

{"name": "mcp_acme", "arguments": {"action": "list_tools"}}

知识库（airecon-dataset）

airecon-dataset 是一个可选组件，它从 HuggingFace 下载安全数据集并索引到本地 SQLite FTS5 数据库中。安装后，LLM 通过 dataset_search 工具自主查询它们。

工作原理： dataset_search 是 tools.json 中的一个标准代理工具。LLM 决定何时调用它——AIRecon 不会自动触发。系统提示指示代理在尝试不熟悉的技术之前查询知识库。

git clone https://github.com/pikpikcu/airecon-dataset.git
cd airecon-dataset && python install.py

包含的数据集（共约 109 万条记录，100% 离线）：

代理查询示例（由 LLM 自主调用）：

dataset_search: {"query": "log4j RCE exploitation chain"}
dataset_search: {"query": "SSRF bypass cloud metadata", "category": "bug-bounty"}
dataset_search: {"query": "nuclei template XSS detection"}
dataset_search: {"query": "CVE 2021 44228", "category": "vulnerability"}

结果每条最多 500 个字符。CVE ID 中的特殊字符（短横线、方括号）会被自动清理。

使用

airecon start                          # 启动 TUI
airecon start --session <session_id>  # 恢复会话

示例提示词：

# 完整流程
full recon on example.com
pentest https://api.example.com

# 具体任务
find subdomains of example.com
scan ports on 10.0.0.1
check for XSS on https://example.com/search
test SQL injection on https://example.com/api/login parameter: username
run schemathesis on https://example.com/openapi.json

# 认证测试
login to https://example.com/login with [email protected] / password123 then test for IDOR
test https://app.example.com with TOTP: JBSWY3DPEHPK3PXP

# 多代理
spawn an XSS specialist on https://example.com/search
run parallel recon on: example.com, sub.example.com, api.example.com

# Caido
replay request #1234 with a modified Authorization header
use Caido to fuzz the username parameter in request #45 with §FUZZ§ markers

工作目录

workspace/<target>/
      ├── command/         # 系统管理的日志
      ├── output/          # 原始工具输出（nmap、httpx、nuclei、subfinder、...）
      ├── tools/           # AI 生成的利用脚本（.py、.sh）
      └── vulnerabilities/ # 已验证的漏洞报告（.md）

会话持久化在 ~/.airecon/sessions/<session_id>.json —— 子域名、端口、技术、URL、漏洞（Jaccard 去重）、认证令牌和已完成阶段。

故障排除

Ollama OOM / HTML 错误页面 —— 通常在长时间会话或大模型接近显存上限时发生。

sudo systemctl restart ollama

{ "ollama_num_ctx": 32768, "ollama_num_ctx_small": 16384, "ollama_num_predict": 8192 }

代理循环/停滞 —— 通常是推理失败。尝试更大的模型，或将 ollama_temperature 降至 < 0.2。

Docker 沙箱无法启动：

docker build -t airecon-sandbox airecon/containers/kali/

Caido 连接被拒绝 —— Caido 必须在 AIRecon 之前运行。默认：127.0.0.1:48080。

安装后 PATH 未找到：

export PATH="$HOME/.local/bin:$PATH" && source ~/.zshrc

星标历史

贡献

欢迎提交 Issue 和 PR。如果你报告 bug，请附上日志、配置和最小复现步骤。

负责任使用

AIRecon 仅供授权安全测试使用。始终获得明确许可，并遵守适用法律和项目范围。

许可证

请参阅 LICENSE。

需要 API 密钥	否	是
目标数据发送至云端	否	是
离线工作	是	否
Caido 集成	原生	无
会话恢复	是	视情况而定
本地知识库	~109 万条记录	无

Qwen3.5 122B	`ollama pull qwen3.5:122b`	48+ GB	最佳质量，最可靠
Qwen3.5 35B	`ollama pull qwen3.5:35b`	20 GB	推荐给大多数用户
Qwen3.5 35b	`ollama pull qwen3.5:35b-a3b`	16 GB	MoE — 更低显存
Qwen3.5 9B	`ollama pull qwen3.5:9b`	6 GB	最低可用——频繁出错

T4	15 GB	`qwen3.5:9b`	免费
L4	22 GB	`qwen3.5:35b-a3b` (MoE)	Pro
A100	40 GB	`qwen3.5:35b`	Pro+
H100	80 GB	`qwen3.5:122b`	Pro+

`ollama_temperature`	`0.15`	保持在 0.1–0.2。更高的值会导致幻觉。
`ollama_num_ctx`	`131072`	如果显存有限，降至 `32768`。
`ollama_keep_alive`	`"60m"`	模型保留在显存中的时长。
`deep_recon_autostart`	`true`	裸域名输入自动扩展为完整侦察。
`allow_destructive_testing`	`false`	解锁激进模式（SQLi 确认、RCE 链）。
`command_timeout`	`900.0`	Docker 中每条 shell 命令的最大秒数。
`vuln_similarity_threshold`	`0.7`	漏洞的 Jaccard 去重阈值。

Pentest Agent (ChatML)	322,433	基于 CVE 的利用工作流（MITRE/NVD/ExploitDB）
CTF SaTML 2024	190,657	真实的攻防 CTF 交互数据
CTF Instruct	141,182	Pwn、Web、密码学、取证、逆向工程
Cybersecurity CVE	124,732	CVE 分析、CVSS、利用上下文
SQL Injection Q&A	50,632	对话式 SQLi——检测、绕过、利用
Cybersecurity Fenrir	83,918	攻防指令对
Red Team Offensive	78,430	横向移动、权限提升、规避
Cybersecurity Q&A	53,199	广泛的安全知识
StackExchange RE	20,641	二进制分析、反汇编、调试、恶意软件
Nuclei Templates	23,180	Nuclei YAML 模板生成
NVD Security Instructions	2,063	结构化 CVE 分析，包含严重性和修复建议
APT Privilege Escalation	1,000	结合 APT 策略的 Linux 权限提升技术
Bug Bounty & Pentest	146	Payload、绕过方法、报告模板

airecon

最受欢迎