0xSteph/pentest-ai
Open-source AI pentester that proves every finding. Machine oracles re-run each exploit; verified bugs ship a proof capsule you can replay yourself.
它解决了什么问题
Pentest-AI 解决了安全测试中的「AI 滥用」问题——即 AI 模型建议的漏洞实际上是误报。它提供了一个框架，将 AI 模型与真实的渗透测试工作流连接起来，确保每个报告的发现都经过机器预言机的独立验证后，才被标记为已验证的结论。
它如何工作
该系统使用 AI 模型驱动对 Web 应用程序的调查，探测诸如注入和访问控制问题等弱点。当发现潜在漏洞时，一个专用的「机器预言机」会重复利用该漏洞，并将结果与对照组进行比较，以证明漏洞确实存在。这些证据被存储在一个可移植的「证明胶囊」中，可重新播放以重现该发现。该工具可通过 MCP（模型上下文协议）集成到 AI 客户端（如 Claude Code 或 Cursor）中，通过 CLI 运行，或集成到 CI/CD 流水线中。
适用人群
专为授权的渗透测试人员和漏洞赏金猎人设计，他们需要在保持高信号和严格遵守项目范围（如 HackerOne、Bugcrowd）的前提下自动化漏洞发现过程。
主要亮点
- 已验证的发现：使用独立的预言机证明利用有效，防止模型自行判定结果。
- 范围强制执行：严格遵守项目边界（通配符、CIDR），确保不会攻击范围外的目标。
- 漏洞赏金集成：可导入主要平台的范围文件，并生成平台就绪的提交内容，包括 CVSS/CWE 信息和可复现的 curl 命令。
- 灵活部署：支持通过 Ollama 使用本地模型、云服务提供商，以及通过 MCP 集成 AI 原生 IDE。
- 支持 CI/CD：可配置为根据已验证发现导致构建失败，并以 SARIF 格式导出结果。
一个真正能证明漏洞存在的工具，而不是仅仅依赖 AI 的猜测。
— @pentest-ai
相关
- 项目
s0ld13rr/pentestcodePentestCode 是一个开源的终端 AI 代理，用于自动化完整的渗透测试工作流程。一个主导 LLM 协调 13 个专业子代理（侦察、扫描、枚举、利用等），这些代理共享一个持久化的结构化参与状态，使系统能够以最少的人工提示进行扫描、枚举、凭证喷洒、利用和报告。
- 项目
PentesterFlow/agentPentesterFlow 是一款开源的终端助手，允许人类分析师引导 LLM 驱动的 Agent 进行渗透测试任务。它集成了真实的安全性工具（curl、shell、Burp、文件工具），支持多种 LLM 后端，将证据和发现项以 Markdown 格式存储，并在会话之间保留项目级记忆，同时要求对风险操作进行明确批准。
- 项目
psyray/oasisOASIS 是一个 Python CLI 工具，使用本地托管的 LLM（通过 Ollama 或任何 OpenAI 兼容服务器）扫描源代码中的安全漏洞。它先运行快速扫描模型，再运行深度分析模型，对发现结果进行确定性验证，缓存结果，并输出标准 JSON 以及 HTML/PDF/Markdown 报告。一个密码保护的 Web 仪表板允许用户探索发现结果，并请求助手进行重新调查。支持多模型运行、抑制注册表、与基线的差异比较，以及 CI 退出码门控。
- 项目
Vasco0x4/AIDAAIDA 是一个开源的自主渗透测试平台，允许任何 LLM（Claude、Gemini、OpenAI 等）驱动基于 Docker 的安全测试环境。该代理可执行侦察、扫描、自定义 Python 利用脚本和原始 HTTP 操作，并将每条命令及其输出持久记录在笔记本中。发现结果自动使用 CVSS 4.0 评分，可导出为 PDF 报告。项目包含 Web 仪表板、JWT 认证、通知钩子，并支持将内置的 `aida-pentest` 容器替换为更大的 Exegol 镜像。AIDA 发现的真实 CVE 列表展示了其实际影响。采用 AGPL-v3 许可证。
- 项目
GreyDGL/PentestGPTPentestGPT 是一个 MIT 许可的 Python CLI，将 LLM（Claude Code、Codex 或其他多个提供方）串联成一个自主渗透测试流水线。它运行分阶段流程（CTF 中为侦察 → 利用 → 走查，真实渗透测试中为资产发现 → 漏洞识别 → 报告），支持会话持久化，并提供一种遗留交互模式，用户可引导三个协作的 LLM。通过 `make install`（Python 3.12+、uv）或 Docker 安装后，运行 `pentestgpt --target <IP>`（或 `pentestgpt-legacy` 用于交互版本）。该工具会报告可选的匿名遥测，并在公开基准测试中实现了约 86% 的成功率。