StanleyNull/AutoHunter

自动化 SRC 漏洞挖掘系统：FOFA 资产测绘 + LLM 多 worker 自主挖掘/审核/情报沉淀。Powered By StanleyNull

AutoHunter – AI 驱动的 24/7 自动化漏洞挖掘

简介 – AutoHunter 是一个自包含平台，运行一组 AI 驱动的智能体来发现 Web 资产中的安全漏洞。单台机器即可持续运行，收集目标、使用真实工具（nmap, nuclei, sqlmap, httpx, …）进行探测，并利用大语言模型 (LLM) 判断哪些发现值得保留。人类仅需在最终审核阶段介入，批准、拒绝或编辑结果。

核心组件

组件	角色
Collector	从 FOFA（或其他搜索引擎）或手动列表中提取目标，检查存活状态，评分并加入队列。
Worker	每个目标对应一个 Worker。LLM 驱动侦察，随后启动捆绑工具进行实际漏洞测试。
Reviewer	一个“AI 优先”的审核员，在结果提交给人类前过滤掉明显的误报。
Console	基于 Vue 的仪表盘，显示每个 Worker 的实时状态、目标优先级以及用于快速人工分类的结果面板。

重要意义 – 通过将重复的扫描和初步分析委托给 LLM 引导的智能体，安全团队可以让机器彻夜运行，每天仅需几分钟进行最终决策。系统还会记录已验证的凭据、指纹和概念验证 (PoC)，以便后续运行使用。

亮点功能

多智能体工作流 – Collector → Worker → Reviewer → 人类 → 可选的“大规模利用”分析。
24/7 无人值守运行 – Docker-compose 部署；容器自动重启。
真实工具执行 – nmap, nuclei, sqlmap, httpx, whatweb, curl 等直接在 Worker 容器内运行，而非模拟。
LLM 驱动决策 – 支持任何兼容 OpenAI 的 API（DeepSeek, Claude, OpenAI 等）进行工具调用；对于不支持原生函数调用的模型，回退到基于提示词的模拟。
目标归属 – 自动查询 IP/ASN 信息 (ip138) 并导出 JSON 用于 EduSRC 报告。
批量“杀伤链”分析 – 确认漏洞后，系统可扫描类似主机以查看是否能大规模利用同一问题。
内置 WAF 与基于角色的令牌 – Web UI 访问控制；可选的 HTTPS 反向代理。
SQLite 持久化 + 备份 – 一键导出/导入一致性快照；Docker 卷确保数据在升级后保留。

快速开始 (Docker-Compose)

# 安装 Docker (如果需要)
curl -fsSL https://get.docker.com | sh && sudo systemctl enable --now docker
# 克隆并运行安装程序
git clone https://github.com/StanleyNull/AutoHunter.git autohunter && cd autohunter
bash scripts/install.sh   # 交互式：输入 LLM API 密钥，可选 FOFA 密钥

脚本会构建后端、Vue 前端和漏洞工具镜像，然后在 18800 端口启动堆栈。打开 http://<host>:18800/ 并使用安装程序打印的令牌登录。

README 中也提供了 Windows (Docker Desktop + WSL2) 和 macOS 的说明。

核心配置 (环境变量)

变量	必需?	用途
`LLM_API_KEY`	✅	所选 LLM 提供商的 API 密钥 (DeepSeek, OpenAI, Claude 等)。
`LLM_BASE_URL`	可选	自定义端点 (默认为 DeepSeek)。
`LLM_MODEL`	可选	支持工具调用的模型名称。
`FOFA_KEY`	推荐	用于自动目标收集的 FOFA 访问权限。
`AUTOHUNTER_API_TOKEN`	强烈推荐	保护 Web UI 的 Bearer 令牌；否则控制台对所有人开放。
`AUTOHUNTER_HOST_PORT`	可选	外部暴露端口 (默认为 18800)。
`AUTOHUNTER_TOOL_COMPAT`	可选	系统处理工具调用的方式 (`auto`, `prompt`, `native`)。

所有其他参数（Worker 并发数、预算上限、WAF 开关等）均有合理的默认值，可在 .env 或 UI 的设置页面中覆盖。

技术栈

后端 – Python 3.12, FastAPI, SQLAlchemy (SQLite with WAL), asyncio.
前端 – Vue 3 + Vite，通过同一个 Docker compose 服务。
LLM 集成 – 兼容 OpenAI 的聊天补全或 Anthropic 消息；支持函数调用或基于提示词的模拟。
嵌入工具 – nmap, nuclei, sqlmap, httpx, whatweb, curl, wget, jq (均预装在 Worker 镜像中)。
编排 – Docker Compose v2；容器设置为 unless-stopped，如有需要可使用 systemd 管理。

适用人群

红队 / 渗透测试团队，需要为特定资产池（如大学网络、企业内网）进行持续扫描。
漏洞赏金平台，希望自动化处理大量报告的初步分类。
安全研究人员，对实验 LLM 引导的工具编排感兴趣。

许可与安全说明

AutoHunter 在 Apache 2.0 许可下发布。作者强调，必须仅将其指向您拥有明确书面许可的资产。该工具可能会删除或修改目标上的数据；滥用后果由用户自行承担。

总结 – AutoHunter 将现代 LLM 接口与成熟的网络扫描工具相结合，封装在多智能体流水线中，并以 Docker-compose 堆栈形式发布，可实现无人值守运行。它让您能将单台服务器变成“全天候狩猎”机器，同时将人工工作量缩减至每日快速审核。