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。

特性	AIRecon	基于云的代理
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

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	拉取命令	显存	备注
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

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：

Colab GPU	显存	可用模型	计划
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+

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

airecon

最受欢迎