VulnClaw：将自然语言转化为自动化渗透测试代理

渗透测试历来是一项劳动密集型工作，需要数小时的手动侦察、精心编排工具以及有条不紊的记录。一个名为VulnClaw的新开源项目旨在将这一工作流压缩为单一的自然语言交互，利用大型语言模型代理决定下一步操作、调用合适的工具，并将每个发现作为结构化证据记录下来。

VulnClaw的功能

其核心是一个命令行工具，接受诸如“pentest http://target.example.com”这样的自然语言指令，然后运行一个四阶段循环：信息收集（指纹识别、端口扫描、目录枚举）、漏洞发现（注入点、已知CVE、配置错误）、利用（PoC验证、权限提升）和报告生成（结构化Markdown加上Python PoC脚本）。默认引擎被称为“模型引导的求解循环”：LLM决定下一步调用哪个工具、何时提出澄清问题以及何时宣布任务完成。

这并非固定的一成不变的剧本。该代理可访问一个不断增长的列表，包含13个LLM提供商，包括OpenAI、Anthropic、DeepSeek以及几个中国模型如MiniMax、智谱和通义千问，并通过一条配置命令在它们之间切换。它还集成了四个MCP服务：一个用于HTTP请求的内置fetch工具、一个用于状态持久化的存储服务，以及可选连接到Chrome DevTools（用于浏览器自动化）和Burp Suite（用于HTTP拦截和重放）。

证据存储与反幻觉门控

一个使VulnClaw区别于更简单的脚本化代理的设计选择是其证据层。每个工具输出都被写入AgentState.evidence存储中，原始内容连同其哈希值和大小一起保留。模型看到的活跃上下文仅包含高信号预览、响应头、表单参数、端点URL、接收器变量、标志性令牌，而完整主体则可通过专门的evidence_search和evidence_view工具按需检索。

反幻觉门控是最明确的防护措施。只有当某个声称的标志或结论在真实工具输出中逐字符匹配，或者它引用了一个按编号的证据条目时，才会被接受。如果模型试图基于猜测宣布胜利，门控会拒绝FINAL信号并将原因送回模型以继续探索。此外，当高信号锚点（源代码接收器、表单输入、响应差异）尚未穷尽时，“接近成功守卫”还能防止模型过早放弃。

内置技能库与工具生态系统

该工具附带了50个专业技能，分为7个核心类别和16个领域特定类别，涵盖Web渗透测试、Android应用测试、客户端逆向工程、CTF挑战、开源情报（OSINT）等。这些技能并非作为强制脚本注入，而是作为可选的参考索引。模型必须显式调用load_skill_reference来读取它们，从而保持活跃提示的简洁性并避免困扰许多LLM代理的上下文膨胀问题。

在工具方面，VulnClaw捆绑了29种编解码/加密操作（Base64、AES、JWT、莫尔斯电码等）、一个批量HTTP探测工具（用于在一次调用中测试多个URL/参数变体）、一个运行时差异探测工具（用于过滤绕过场景），以及一个shell_command和一个python_execute工具，用于本地验证和载荷构建。所有工具的输出都写入同一个证据存储，一个轻量级的修正层会跟踪重复调用、失败、超时和新发现，以便在后续轮次中注入适度的反馈信号。

部署与配置

安装很简单：执行pip install vulnclaw，设置API密钥，选择提供商，然后运行。还提供了预装了Web UI和MCP运行时的Docker镜像。该项目还包含一个TUI工作区（vulnclaw tui），在启动任务前显示授权目标、范围边界和运行时概览。对于持久性深度测试，周期模式每周期运行100轮，最多10个周期，每个周期后自动生成报告。

文档中安全警告很明显。该项目被标记为公开Alpha版本，仅用于授权测试、CTF环境和受控研究场景。自述文件明确警告称，未经授权的渗透测试是非法的，作者对滥用行为不承担任何责任。

这对安全社区的意义

VulnClaw处于完全手动渗透测试与僵化的漏洞扫描器之间的特定位置。通过让语言模型编排工作流，它可以适应意外的服务器响应、串联多个漏洞并编写自定义PoC, , 这些是传统扫描器难以处理的任务。同时，证据门控和结构化存储解决了AI代理在安全领域的主要批评：即它们会自信地产生伪造的发现。

该工具尚不成熟，无法用于生产环境, , 作者坦承其Alpha状态, , 但它展示了一个有前景的方向。已经因警报疲劳和手动分类而疲惫不堪的安全团队可能会发现，一个适当约束的AI代理可以处理渗透测试中的重复性部分，而将判断决策留给人类操作员。下一个挑战将是证明反幻觉门控在真实对抗条件下确实有效。