vxcontrol/pentagi 源码地址：https://github.com/vxcontrol/pentagi

PentAGI 渗透测试通用人工智能

加入社区！ 与安全研究人员、人工智能爱好者和道德黑客同行交流。获取支持、分享见解，并了解 PentAGI 的最新进展。 Discord (https://discord.gg/2xrMh7qX6m)⠀Telegram (https://t.me/+Ka9i6CNwe71hMWQy)

目录

• 概述
• 特性
• 架构
• 智能体监控
• 快速开始
• 登录后如何使用 PentAGI
• API 访问
• LLM 提供商配置
• Ollama
• OpenAI
• Anthropic
• Google AI (Gemini)
• AWS Bedrock
• DeepSeek
• GLM
• Kimi
• Qwen
• 高级设置
• Langfuse 集成
• 监控与可观测性
• 知识图谱 (Graphiti)
• OAuth 集成
• Docker 镜像配置
• 开发
• 测试 LLM 智能体
• 嵌入配置与测试
• 使用 ftester 进行功能测试
• 构建
• 鸣谢
• 许可证

概述

PentAGI 是一款创新型的自动化安全测试工具，利用最前沿的人工智能技术。该项目专为信息安全专业人员、研究人员和爱好者设计，为他们提供强大且灵活的渗透测试解决方案。

您可以观看视频 PentAGI 概述：PentAGI 概述视频 (https://youtu.be/R70x5Ddzs1o)

特性

• 安全且隔离。所有操作均在沙盒 Docker 环境中执行，实现完全隔离。
• 完全自主。由 AI 驱动的智能体自动确定并执行渗透测试步骤，并支持可选的执行监控和智能任务规划，提高可靠性。
• 专业渗透测试工具。内置超过 20 种专业安全工具，包括 nmap、metasploit、sqlmap 等。
• 智能记忆系统。长期存储研究成果和成功方法，供未来使用。
• 知识图谱集成。基于 Graphiti 的知识图谱，使用 Neo4j 进行语义关系跟踪和高级上下文理解。
• 网络情报。通过 scraper (https://hub.docker.com/r/vxcontrol/scraper) 内置浏览器，从网络来源收集最新信息。
• 外部搜索系统。集成高级搜索 API，包括 Tavily (https://tavily.com)、Traversaal (https://traversaal.ai)、Perplexity (https://www.perplexity.ai)、DuckDuckGo (https://duckduckgo.com/)、Google Custom Search (https://programmablesearchengine.google.com/)、Sploitus Search (https://sploitus.com) 和 Searxng (https://searxng.org)，实现全面信息收集。
• 专家团队。委托系统配备专门的 AI 智能体，分别负责研究、开发和基础设施任务，并支持可选的执行监控和智能任务规划，以较小的模型获得最佳性能。
• 全面监控。详细的日志记录以及与 Grafana/Prometheus 的集成，实现系统实时观察。
• 详细报告。生成全面的漏洞报告，附带利用指南。
• 智能容器管理。根据具体任务需求自动选择 Docker 镜像。
• 现代化界面。简洁直观的 Web UI，用于系统管理和监控。
• 全面的 API。功能完备的 REST 和 GraphQL API，支持 Bearer token 认证，便于自动化和集成。
• 持久化存储。所有命令和输出均存储在带有 pgvector (https://hub.docker.com/r/vxcontrol/pgvector) 扩展的 PostgreSQL 中。
• 可扩展架构。基于微服务的设计，支持水平扩展。
• 自托管解决方案。完全掌控您的部署和数据。
• 灵活的认证。支持超过 10 种 LLM 提供商（OpenAI (https://platform.openai.com/)、Anthropic (https://www.anthropic.com/)、Google AI/Gemini (https://ai.google.dev/)、AWS Bedrock (https://aws.amazon.com/bedrock/)、Ollama (https://ollama.com/)、DeepSeek (https://www.deepseek.com/en/)、GLM (https://z.ai/)、Kimi (https://platform.moonshot.ai/)、Qwen (https://www.alibabacloud.com/en/)、自定义）以及聚合器（OpenRouter (https://openrouter.ai/)、DeepInfra (https://deepinfra.com/)）。对于本地生产部署，请参阅我们的 vLLM + Qwen3.5-27B-FP8 指南。
• API Token 认证。安全的 Bearer token 系统，用于对 REST 和 GraphQL API 进行编程访问。
• 快速部署。通过 Docker Compose (https://docs.docker.com/compose/) 轻松设置，配备全面的环境配置。

当前能力边界

• PentAGI 目前是一个自主且由助手引导的渗透测试平台，并非 CALDERA 式的攻防模拟 (BAS) 或具有预定义活动计划或攻击计划的对手模拟产品。
• 类似 BAS 的智能体撰写的攻击脚本应视为概念或未来工作，而非当前已实现的功能。
• 当前流程报告 UI 支持 Web 视图、复制到剪贴板、Markdown 下载和 PDF 下载。JSON 格式的流程报告导出目前不是文档支持的输出格式。
• 提供商灵活性目前通过内置提供商和自定义/OpenAI 兼容端点实现。请参阅自定义 LLM 提供商配置和 vLLM + Qwen3.5-27B-FP8 指南。

架构

系统上下文

flowchart TB
    classDef person fill:#08427B,stroke:#073B6F,color:#fff
    classDef system fill:#1168BD,stroke:#0B4884,color:#fff
    classDef external fill:#666666,stroke:#0B4884,color:#fff

    pentester["👤 Security Engineer (User of the system)"]
    pentagi["✨ PentAGI (Autonomous penetration testing system)"]
    target["🎯 target-system (System under test)"]
    llm["🧠 llm-provider (OpenAI/Anthropic/Ollama/Bedrock/Gemini/Custom)"]
    search["🔍 search-systems (Google/DuckDuckGo/Tavily/Traversaal/Perplexity/Sploitus/Searxng)"]
    langfuse["📊 langfuse-ui (LLM Observability Dashboard)"]
    grafana["📈 grafana (System Monitoring Dashboard)"]

    pentester --> |Uses HTTPS| pentagi
    pentester --> |Monitors AI HTTPS| langfuse
    pentester --> |Monitors System HTTPS| grafana
    pentagi --> |Tests Various protocols| target
    pentagi --> |Queries HTTPS| llm
    pentagi --> |Searches HTTPS| search
    pentagi --> |Reports HTTPS| langfuse
    pentagi --> |Reports HTTPS| grafana

    class pentester person
    class pentagi system
    class target,llm,search,langfuse,grafana external
    linkStyle default stroke:#ffffff,color:#ffffff

容器架构（点击展开）

graph TB
    subgraph Core Services
        UI[Frontend UI<br/>React + TypeScript]
        API[Backend API<br/>Go + GraphQL]
        DB[(Vector Store<br/>PostgreSQL + pgvector)]
        MQ[Task Queue<br/>Async Processing]
        Agent[AI Agents<br/>Multi-Agent System]
    end

    subgraph Knowledge Graph
        Graphiti[Graphiti<br/>Knowledge Graph API]
        Neo4j[(Neo4j<br/>Graph Database)]
    end

    subgraph Monitoring
        Grafana[Grafana<br/>Dashboards]
        VictoriaMetrics[VictoriaMetrics<br/>Time-series DB]
        Jaeger[Jaeger<br/>Distributed Tracing]
        Loki[Loki<br/>Log Aggregation]
        OTEL[OpenTelemetry<br/>Data Collection]
    end

    subgraph Analytics
        Langfuse[Langfuse<br/>LLM Analytics]
        ClickHouse[ClickHouse<br/>Analytics DB]
        Redis[Redis<br/>Cache + Rate Limiter]
        MinIO[MinIO<br/>S3 Storage]
    end

    subgraph Security Tools
        Scraper[Web Scraper<br/>Isolated Browser]
        PenTest[Security Tools<br/>20+ Pro Tools<br/>Sandboxed Execution]
    end

    UI --> |HTTP/WS| API
    API --> |SQL| DB
    API --> |Events| MQ
    MQ --> |Tasks| Agent
    Agent --> |Commands| PenTest
    Agent --> |Queries| DB
    Agent --> |Knowledge| Graphiti
    Graphiti --> |Graph| Neo4j
    API --> |Telemetry| OTEL
    OTEL --> |Metrics| VictoriaMetrics
    OTEL --> |Traces| Jaeger
    OTEL --> |Logs| Loki
    Grafana --> |Query| VictoriaMetrics
    Grafana --> |Query| Jaeger
    Grafana --> |Query| Loki
    API --> |Analytics| Langfuse
    Langfuse --> |Store| ClickHouse
    Langfuse --> |Cache| Redis
    Langfuse --> |Files| MinIO

    classDef core fill:#f9f,stroke:#333,stroke-width:2px,color:#000
    classDef knowledge fill:#ffa,stroke:#333,stroke-width:2px,color:#000
    classDef monitoring fill:#bbf,stroke:#333,stroke-width:2px,color:#000
    classDef analytics fill:#bfb,stroke:#333,stroke-width:2px,color:#000
    classDef tools fill:#fbb,stroke:#333,stroke-width:2px,color:#000
    class UI,API,DB,MQ,Agent core
    class Graphiti,Neo4j knowledge
    class Grafana,VictoriaMetrics,Jaeger,Loki,OTEL monitoring
    class Langfuse,ClickHouse,Redis,MinIO analytics
    class Scraper,PenTest tools

实体关系（点击展开）

erDiagram
    Flow ||--o{ Task : contains
    Task ||--o{ SubTask : contains
    SubTask ||--o{ Action : contains
    Action ||--o{ Artifact : produces
    Action ||--o{ Memory : stores

    Flow {
        string id PK
        string name "Flow name"
        string description "Flow description"
        string status "active/completed/failed"
        json parameters "Flow parameters"
        timestamp created_at
        timestamp updated_at
    }

    Task {
        string id PK
        string flow_id FK
        string name "Task name"
        string description "Task description"
        string status "pending/running/done/failed"
        json result "Task results"
        timestamp created_at
        timestamp updated_at
    }

    SubTask {
        string id PK
        string task_id FK
        string name "Subtask name"
        string description "Subtask description"
        string status "queued/running/completed/failed"
        string agent_type "researcher/developer/executor"
        json context "Agent context"
        timestamp created_at
        timestamp updated_at
    }

    Action {
        string id PK
        string subtask_id FK
        string type "command/search/analyze/etc"
        string status "success/failure"
        json parameters "Action parameters"
        json result "Action results"
        timestamp created_at
    }

    Artifact {
        string id PK
        string action_id FK
        string type "file/report/log"
        string path "Storage path"
        json metadata "Additional info"
        timestamp created_at
    }

    Memory {
        string id PK
        string action_id FK
        string type "observation/conclusion"
        vector embedding "Vector representation"
        text content "Memory content"
        timestamp created_at
    }

智能体交互（点击展开）

sequenceDiagram
    participant O as Orchestrator
    participant R as Researcher
    participant D as Developer
    participant E as Executor
    participant VS as Vector Store
    participant KB as Knowledge Base

    Note over O,KB: Flow Initialization
    O->>VS: Query similar tasks
    VS-->>O: Return experiences
    O->>KB: Load relevant knowledge
    KB-->>O: Return context

    Note over O,R: Research Phase
    O->>R: Analyze target
    R->>VS: Search similar cases
    VS-->>R: Return patterns
    R->>KB: Query vulnerabilities
    KB-->>R: Return known issues
    R->>VS: Store findings
    R-->>O: Research results

    Note over O,D: Planning Phase
    O->>D: Plan attack
    D->>VS: Query exploits
    VS-->>D: Return techniques
    D->>KB: Load tools info
    KB-->>D: Return capabilities
    D-->>O: Attack plan

    Note over O,E: Execution Phase
    O->>E: Execute plan
    E->>KB: Load tool guides
    KB-->>E: Return procedures
    E->>VS: Store results
    E-->>O: Execution status

记忆系统（点击展开）

graph TB
    subgraph "Long-term Memory"
        VS[(Vector Store<br/>Embeddings DB)]
        KB[Knowledge Base<br/>Domain Expertise]
        Tools[Tools Knowledge<br/>Usage Patterns]
    end

    subgraph "Working Memory"
        Context[Current Context<br/>Task State]
        Goals[Active Goals<br/>Objectives]
        State[System State<br/>Resources]
    end

    subgraph "Episodic Memory"
        Actions[Past Actions<br/>Commands History]
        Results[Action Results<br/>Outcomes]
        Patterns[Success Patterns<br/>Best Practices]
    end

    Context --> |Query| VS
    VS --> |Retrieve| Context
    Goals --> |Consult| KB
    KB --> |Guide| Goals
    State --> |Record| Actions
    Actions --> |Learn| Patterns
    Patterns --> |Store| VS
    Tools --> |Inform| State
    Results --> |Update| Tools
    VS --> |Enhance| KB
    KB --> |Index| VS

    classDef ltm fill:#f9f,stroke:#333,stroke-width:2px,color:#000
    classDef wm fill:#bbf,stroke:#333,stroke-width:2px,color:#000
    classDef em fill:#bfb,stroke:#333,stroke-width:2px,color:#000
    class VS,KB,Tools ltm
    class Context,Goals,State wm
    class Actions,Results,Patterns em

链式摘要（点击展开）

链式摘要系统通过选择性总结较早的消息来管理对话上下文的增长。这对于防止超出令牌限制同时保持对话连贯性至关重要。

flowchart TD
    A[Input Chain] --> B{Needs Summarization?}
    B -->|No| C[Return Original Chain]
    B -->|Yes| D[Convert to ChainAST]
    D --> E[Apply Section Summarization]
    E --> F[Process Oversized Pairs]
    F --> G[Manage Last Section Size]
    G --> H[Apply QA Summarization]
    H --> I[Rebuild Chain with Summaries]
    I --> J{Is New Chain Smaller?}
    J -->|Yes| K[Return Optimized Chain]
    J -->|No| C

    classDef process fill:#bbf,stroke:#333,stroke-width:2px,color:#000
    classDef decision fill:#bfb,stroke:#333,stroke-width:2px,color:#000
    classDef output fill:#fbb,stroke:#333,stroke-width:2px,color:#000
    class A,D,E,F,G,H,I process
    class B,J decision
    class C,K output

该算法在对话链的结构化表示（ChainAST）上运行，该表示保留了消息类型，包括工具调用及其响应。所有摘要操作在减小上下文大小的同时，保持关键的对话流。

全局摘要器配置选项

助手摘要器配置选项

助手实例可以使用自定义的摘要设置来微调上下文管理行为：

助手摘要器配置提供了比全局摘要器更多的内存用于上下文保留。