VulnClaw transforme le langage naturel en un agent de pentest automatisé

Le test d'intrusion a toujours été un artisanat exigeant en main-d'œuvre, nécessitant des heures de reconnaissance manuelle, une orchestration minutieuse des outils et une prise de notes méthodique. Un nouveau projet open source appelé VulnClaw vise à compresser ce flux de travail en une seule interaction en langage naturel, en utilisant un agent de modèle de langage de grande taille qui décide de l'étape suivante, appelle les outils appropriés et enregistre chaque découverte comme preuve structurée.

Ce que fait VulnClaw

Au cœur, VulnClaw est un outil CLI qui accepte des instructions en langage clair, « pentest http://target.example.com », puis parcourt un cycle en quatre étapes : collecte d'informations (empreinte numérique, scan de ports, énumération de répertoires), découverte de vulnérabilités (points d'injection, CVE connus, mauvaises configurations), exploitation (validation de PoC, élévation de privilèges) et génération de rapports (Markdown structuré plus un script Python PoC). Le moteur par défaut est ce que les auteurs appellent une « boucle de résolution pilotée par le modèle » : le LLM décide quel outil invoquer ensuite, quand poser une question de clarification et quand déclarer la tâche terminée.

Ce n'est pas un playbook fixe. L'agent a accès à une liste croissante de 13 fournisseurs de LLM, dont OpenAI, Anthropic, DeepSeek et plusieurs modèles chinois comme MiniMax, Zhipu et Qwen, et bascule entre eux via une seule commande de configuration. Il intègre également quatre services MCP : un outil de récupération intégré pour les requêtes HTTP, un service de mémoire pour la persistance de l'état, et des connexions optionnelles à Chrome DevTools (pour l'automatisation du navigateur) et Burp Suite (pour l'interception et la relecture HTTP).

Mémoire de preuves et porte anti-hallucination

Un choix de conception qui distingue VulnClaw des agents scriptés plus simples est sa couche de preuves. Chaque sortie d'outil est écrite dans un magasin de preuves AgentState.evidence, avec le contenu brut conservé à côté d'un hachage et d'une taille. Le contexte actif que le modèle voit ne contient qu'un aperçu à haute signalisation, les en-têtes de réponse, les paramètres de formulaire, les URL de point de terminaison, les variables de sink, les jetons indicateurs, tandis que le corps complet reste disponible pour une récupération à la demande via les outils dédiés evidence_search et evidence_view.

La porte anti-hallucination est la sauvegarde la plus explicite. Un drapeau ou une conclusion revendiqué n'est accepté que s'il apparaît caractère par caractère dans une sortie d'outil réelle, ou s'il cite une entrée de preuve par son numéro. Si le modèle tente de déclarer victoire sur la base d'une supposition, la porte rejette le signal FINAL et renvoie la raison au modèle pour une exploration continue. Un « garde de quasi-succès » empêche également le modèle d'abandonner trop tôt lorsque des ancres à haute signalisation (sinks de code source, entrées de formulaire, différences de réponse) restent inexploitées.

Bibliothèque de compétences intégrée et écosystème d'outils

L'outil est livré avec 50 compétences spécialisées organisées en 7 catégories principales et 16 spécifiques à un domaine, couvrant le pentest web, les tests d'applications Android, la rétro-ingénierie côté client, les défis CTF, l'OSINT, et plus encore. Ces compétences ne sont pas injectées comme des scripts obligatoires ; elles servent d'indices de référence optionnels. Le modèle doit explicitement appeler load_skill_reference pour les lire, gardant ainsi l'invite active propre et évitant le gonflement du contexte qui afflige de nombreux agents LLM.

Du côté des outils, VulnClaw regroupe 29 opérations d'encodage/décodage/cryptographie (Base64, AES, JWT, Morse, et autres), un outil de sondage HTTP par lots pour tester plusieurs variantes d'URL/paramètres en un seul appel, une sonde de différences d'exécution pour les scénarios de contournement de filtres, et à la fois un outil shell_command et un outil python_execute pour la validation locale et la construction de charges utiles. Tous les outils écrivent leurs sorties dans le même magasin de preuves, et une couche de correction légère suit les appels répétés, les échecs, les dépassements de délai et les nouvelles découvertes pour injecter des signaux de rétroaction modestes dans les tours suivants.

Déploiement et configuration

L'installation est simple : pip install vulnclaw, définissez une clé API, choisissez un fournisseur et exécutez. Une image Docker avec l'interface Web et les runtimes MCP préinstallés est disponible. Le projet inclut également un espace de travail TUI (vulnclaw tui) qui affiche les cibles autorisées, les limites de portée et un aperçu de l'exécution avant de lancer une tâche. Pour les tests approfondis persistants, un mode périodique exécute 100 tours par cycle jusqu'à 10 cycles, générant un rapport automatique après chaque cycle.

Les avertissements de sécurité sont visibles dans la documentation. Le projet est étiqueté comme une alpha publique destinée uniquement aux tests autorisés, aux environnements CTF et aux scénarios de recherche contrôlés. Le README prévient explicitement que les tests d'intrusion non autorisés sont illégaux et que les auteurs n'assument aucune responsabilité en cas d'utilisation abusive.

Pourquoi cela est important pour la communauté de la sécurité

VulnClaw occupe une niche spécifique entre le pentest entièrement manuel et les scanners de vulnérabilité rigides. En laissant un modèle de langage orchestrer le flux de travail, il peut s'adapter à des réponses serveur inattendues, enchaîner plusieurs vulnérabilités et écrire des PoC personnalisés, des tâches que les scanners traditionnels gèrent mal. Parallèlement, le filtrage des preuves et la mémoire structurée répondent à la critique principale des agents IA en sécurité : qu'ils produisent avec confiance des résultats fabriqués.

L'outil n'est pas encore assez mature pour une utilisation en production ; les auteurs sont transparents quant à son statut alpha, mais il démontre une direction prometteuse. Les équipes de sécurité déjà submergées par la fatigue des alertes et le tri manuel pourraient constater qu'un agent IA, s'il est correctement contraint, peut gérer les parties répétitives d'un pentest tout en laissant les décisions de jugement à un opérateur humain. Le prochain défi sera de prouver que les portes anti-hallucination tiennent réellement dans des conditions adverses réelles.