VulnClaw convierte el lenguaje natural en un agente automatizado de pentesting

Las pruebas de penetración siempre han sido un oficio laborioso, que requiere horas de reconocimiento manual, una cuidadosa orquestación de herramientas y una toma de notas metódica. Un nuevo proyecto de código abierto llamado VulnClaw tiene como objetivo comprimir ese flujo de trabajo en una única interacción en lenguaje natural, utilizando un agente de modelo de lenguaje grande que decide el siguiente paso, llama a las herramientas apropiadas y registra cada hallazgo como evidencia estructurada.

Qué hace VulnClaw

En esencia, VulnClaw es una herramienta CLI que acepta instrucciones en lenguaje plano, "pentest http://target.example.com", y luego ejecuta un ciclo de cuatro etapas: recopilación de información (huellas dactilares, escaneo de puertos, enumeración de directorios), descubrimiento de vulnerabilidades (puntos de inyección, CVEs conocidos, configuraciones incorrectas), explotación (validación de PoC, escalada de privilegios) y generación de informes (Markdown estructurado más un script PoC en Python). El motor predeterminado es lo que los autores llaman un "bucle de resolución liderado por el modelo": el LLM decide qué herramienta invocar a continuación, cuándo hacer una pregunta aclaratoria y cuándo declarar la tarea completa.

Esto no es un libro de jugadas fijo. El agente tiene acceso a una lista creciente de 13 proveedores de LLM, incluyendo OpenAI, Anthropic, DeepSeek y varios modelos chinos como MiniMax, Zhipu y Qwen, y cambia entre ellos mediante un solo comando de configuración. También integra cuatro servicios MCP: una herramienta de búsqueda incorporada para solicitudes HTTP, un servicio de memoria para la persistencia del estado y conexiones opcionales a Chrome DevTools (para automatización del navegador) y Burp Suite (para interceptación y reproducción HTTP).

Memoria de evidencia y la compuerta anti-alucinación

Una elección de diseño que distingue a VulnClaw de los agentes scriptados más simples es su capa de evidencia. Cada salida de herramienta se escribe en un almacén AgentState.evidence, con el contenido sin procesar retenido junto con un hash y un tamaño. El contexto activo que ve el modelo solo contiene una vista previa de alta señal, encabezados de respuesta, parámetros de formulario, URL de endpoints, variables sink, tokens tipo bandera, mientras que el cuerpo completo permanece disponible para recuperación bajo demanda mediante herramientas dedicadas de evidence_search y evidence_view.

La compuerta anti-alucinación es la salvaguarda más explícita. Una bandera o conclusión reclamada solo se acepta si aparece carácter por carácter en una salida real de herramienta, o si cita una entrada de evidencia por número. Si el modelo intenta declarar victoria basándose en una suposición, la compuerta rechaza la señal FINAL y envía la razón de vuelta al modelo para continuar la exploración. Un "guardia de éxito cercano" también evita que el modelo se rinda demasiado pronto cuando quedan anclas de alta señal (sinks de código fuente, entradas de formulario, diferencias de respuesta) sin agotar.

Biblioteca de habilidades incorporada y ecosistema de herramientas

La herramienta viene con 50 habilidades especializadas organizadas en 7 categorías principales y 16 específicas de dominio, que cubren pruebas de penetración web, pruebas de aplicaciones Android, ingeniería inversa del lado del cliente, desafíos CTF, OSINT y más. Estas habilidades no se inyectan como scripts obligatorios, sino que sirven como índices de referencia opcionales. El modelo debe llamar explícitamente a load_skill_reference para leerlas, manteniendo limpio el prompt activo y evitando la hinchazón de contexto que plaga a muchos agentes LLM.

En el lado de las herramientas, VulnClaw incluye 29 operaciones de codificación/descodificación/criptografía (Base64, AES, JWT, Morse y otras), una herramienta de prueba HTTP por lotes para probar múltiples variantes de URL/parámetros en una sola llamada, una sonda de diferencia en tiempo de ejecución para escenarios de omisión de filtros, y tanto una herramienta shell_command como python_execute para validación local y construcción de payloads. Todas las herramientas escriben sus salidas en el mismo almacén de evidencia, y una capa ligera de corrección rastrea llamadas repetidas, fallos, tiempos de espera y nuevos hallazgos para inyectar señales de retroalimentación modestas en rondas posteriores.

Despliegue y configuración

La instalación es sencilla: pip install vulnclaw, establezca una clave API, elija un proveedor y ejecute. Hay disponible una imagen Docker con la interfaz web y los runtimes MCP preinstalados. El proyecto también incluye un espacio de trabajo TUI (vulnclaw tui) que muestra los objetivos autorizados, los límites del alcance y una visión general en tiempo de ejecución antes de lanzar una tarea. Para pruebas profundas persistentes, un modo periódico ejecuta 100 rondas por ciclo durante hasta 10 ciclos, generando un informe automático después de cada ciclo.

Las advertencias de seguridad son conspicuas en la documentación. El proyecto está etiquetado como una versión Alpha pública destinada únicamente a pruebas autorizadas, entornos CTF y escenarios de investigación controlados. El README advierte explícitamente que las pruebas de penetración no autorizadas son ilegales y que los autores no asumen ninguna responsabilidad por el uso indebido.

Por qué esto es importante para la comunidad de seguridad

VulnClaw ocupa un nicho específico entre las pruebas de penetración completamente manuales y los escáneres de vulnerabilidades rígidos. Al permitir que un modelo de lenguaje orqueste el flujo de trabajo, puede adaptarse a respuestas inesperadas del servidor, encadenar múltiples vulnerabilidades y escribir PoCs personalizados, tareas que los escáneres tradicionales manejan mal. Al mismo tiempo, la compuerta de evidencia y la memoria estructurada abordan la crítica principal de los agentes de IA en seguridad: que producen hallazgos fabricados con confianza.

La herramienta aún no está madura para uso en producción, los autores son sinceros sobre su estado Alpha, pero demuestra una dirección prometedora. Los equipos de seguridad ya ahogados en fatiga de alertas y triaje manual pueden encontrar que un agente de IA, si está debidamente restringido, puede manejar las partes repetitivas de una prueba de penetración mientras deja las decisiones de juicio a un operador humano. El próximo desafío será demostrar que las compuertas anti-alucinación realmente se mantienen bajo condiciones adversas reales.