VulnClaw：基于 LLM Agent 与 MCP 工具链的 AI 渗透测试 CLI 工具

今天在 GitHub Trending 上看到一个有意思的项目：VulnClaw 🦞，这是一款 AI 驱动的渗透测试 CLI 工具，支持用自然语言描述渗透意图，自动完成从信息收集到漏洞利用的全流程。

一、项目概述

VulnClaw 是一个可独立运行的 AI 渗透测试 Agent，基于 LLM Agent + MCP 工具链 + 渗透 Skill 编排构建。用户只需用自然语言描述测试目标，工具即可自动完成「信息收集 → 漏洞发现 → 漏洞利用 → 报告生成」的完整渗透测试流程。

核心特性：

• 目标驱动求解引擎 — 抛弃固定轮数工作流，以「目标达成 / 探索前沿耗尽 / 安全预算」为终止条件，自动收敛
• 黑板图状态空间搜索 — 把渗透建模为从 origin 向 goal 的搜索：Fact（已确认事实）+ Intent（探索方向），结构上杜绝"原地打转"
• 证据级反幻觉闸门 — 声称的 flag/结论必须在真实工具输出里逐字符出现才被采信，杜绝凭空编造 flag 的假胜利
• 13 个 LLM Provider — 支持 OpenAI、MiniMax、DeepSeek、智谱、Moonshot、千问等主流模型，一键切换
• MCP 工具链 — 4 个 MCP 服务：fetch（HTTP请求）、memory（上下文记忆）、chrome-devtools（浏览器自动化）、burp（HTTP抓包重放）
• 21 个渗透 Skill — 7 核心 + 14 专项 Skill（含 CTF Web/Crypto/Misc、osint-recon、secknowledge-skill），含 180 个参考文档
• 持续性渗透测试 — 周期循环（默认 100 轮/周期 × 10 周期 = 1000 轮），每周期自动生成报告

二、技术原理

2.1 架构设计

VulnClaw 采用分层架构设计：

┌─────────────────────────────────────────────┐
│                VulnClaw CLI                  │
│  ┌─────────┐  ┌─────────┐  ┌────────────┐  │
│  │  自然语言 │  │  任务编排 │  │ 报告 & PoC │  │
│  │  交互层  │  │  引擎    │  │   生成器   │  │
│  └────┬────┘  └────┬────┘  └─────┬──────┘  │
│       └─────────────┼─────────────┘        │
│               ┌─────▼──────┐                │
│               │ LLM Agent  │                │
│               │ (越狱+Skill)│               │
│               └─────┬──────┘                │
│               ┌─────▼──────┐                │
│               │ MCP 编排层  │                │
│               │ (4 服务)   │                │
│               └─────┬──────┘                │
│               ┌─────▼──────┐                │
│               │ 安全知识库  │                │
│               └────────────┘                │
└─────────────────────────────────────────────┘

2.2 目标驱动求解引擎（默认引擎 solve）

VulnClaw v0.4.0 核心重构，从「固定轮数工作流」升级为「目标驱动求解」：

黑板图 + OODA 求解循环：

把渗透看作从 origin（目标）向 goal（拿到 flag / shell / 确认高危漏洞）的有向搜索，用两个原语驱动：

循环结构：

REASON（读全图）→ 目标达成? / 提出新探索方向 / 不提出
        │
EXPLORE（领一个 Intent）→ 用工具实际执行 → 把确认的结论写回为一个 Fact
        │
终止：目标达成 / 探索前沿耗尽（Reason 不再提方向）/ 触达安全预算

为什么结构上杜绝打转：一旦"首页是登录框"成为一个 Fact，Reason 就不会再提"去看首页"，而是提"测 SQL 注入"；每个 Intent 领取一次、结论一次即标记 concluded/abandoned，不可能重复。

2.3 证据级反幻觉闸门

弱模型常凭空编造 flag。新引擎在 solve() 里录制所有真实工具输出（HTTP 响应体、python_execute 输出）作为唯一可信证据：

• 结论闸门：Explore 结论里声称的 flag，若未在真实工具输出里逐字符出现 → 判定幻觉、丢弃、标记 [未验证]
• 完成闸门：Reason 宣布"目标达成"时，若目标要 flag 但真实输出里从无 flag → 拒绝完成、继续探索
• 即时收敛：一旦拿到经证据验证的 flag，立即完成，不再空跑验证轮

2.4 结构化推理 + 自适应反思

• 推理状态层（reasoning_state.py）：已知事实（带置信度）、推理障碍（WAF/过滤等）、候选攻击链，结构化沉淀并注入提示词
• 反思引擎（reflexion.py）：失败自动归类（环境限制/路径错误/参数错误/信息不足），按 L0-L4 渐进升级 payload 绕过策略（原始 → URL 编码 → 双写注释 → Unicode/hex → 多层混淆/换攻击面），persistent 模式跨周期保留失败记忆

2.5 MCP 工具链

另有 5 个内置 Agent 工具（python_execute + nmap_scan + crypto_decode + brute_force_login + load_skill_reference），无需 MCP 即可调用。

三、安装与快速开始

3.1 安装

# 从 PyPI 安装（推荐）
pip install vulnclaw

# 从源码安装
git clone https://github.com/Unclecheng-li/VulnClaw.git
cd VulnClaw
pip install -e .

3.2 Docker 运行（可选）

镜像已内置 Web UI 以及默认 MCP 服务所需的运行时（npx / uvx），所有状态（配置、会话、目标、报告）持久化到 /data 数据卷。

cp .env.example .env          # 填入 VULNCLAW_LLM_API_KEY 等
docker compose up --build      # 构建镜像并启动 Web UI
# 打开 http://127.0.0.1:7788

3.3 四步启动

# 1. 选择提供商（自动填充 Base URL 和模型名）
vulnclaw config provider minimax   (或 openai/deepseek/zhipu/moonshot/qwen/siliconflow)

# 2. 设置 API Key
vulnclaw config set llm.api_key sk-your-key-here

# 3. 默认：打开原 CLI / REPL
vulnclaw

# 4. 可选：打开 TUI 工作台
vulnclaw tui

3.4 环境检查

vulnclaw doctor

输出示例：

🦞 VulnClaw 环境检查

  Python: 3.14.4
  Node.js: v24.14.1
  npx: 已安装
  nmap: 已安装

LLM 配置:
  Provider: openai
  Auth Mode: static
  Credentials: configured
  Base URL: https://api.openai.com/v1
  Model: gpt-4o

MCP 服务:
  fetch: 已启用 [P0]
  memory: 已启用 [P0]
  ...

✅ 环境就绪，运行 vulnclaw 开始

四、使用方法与实战

4.1 方式一：原 CLI / REPL 交互模式（默认）

$ vulnclaw

无参数启动会进入交互界面，用自然语言对话：

🦞 vulnclaw> 对 192.168.1.100 进行渗透测试，这是我授权的靶场

[*] 进入自主渗透模式，按 Ctrl+C 可随时中断
── Round 1 ──
  [+] 目标: 192.168.1.100
  [+] 开放端口: 22, 80, 443, 8080

4.2 方式二：TUI 工作台（显式启用）

$ vulnclaw tui

TUI 会先展示目标、检查模式、运行概览和安全边界，让你确认授权范围后再启动任务：

VulnClaw TUI 工作台

授权目标        https://example.com
检查模式        快速摸底 / recon
运行概览        历史快照、风险数量、持久化约束、约束拦截
安全边界        仅测试端口 443，禁止 exploit/persistent/post_exploitation

4.3 方式三：单命令模式

# 一键全流程渗透测试
vulnclaw run 192.168.1.100

# 持续性渗透测试（每周期100轮，最多10周期，自动生成报告）
vulnclaw persistent 192.168.1.100

# 自定义周期参数
vulnclaw persistent 192.168.1.100 --rounds 200 --cycles 5

# 仅信息收集
vulnclaw recon 192.168.1.100

# 漏洞扫描（可指定端口）
vulnclaw scan 192.168.1.100 --ports 80,443,8080

# 漏洞利用（可指定 CVE）
vulnclaw exploit 192.168.1.100 --cve CVE-2024-1234 --cmd id

# 生成报告
vulnclaw report session.json

4.4 方式四：Web UI 模式

通过浏览器操作渗透测试全流程，适合偏好图形界面的用户。

# 安装 Web 依赖
pip install vulnclaw[web]

# 启动 Web UI（默认 127.0.0.1:7788）
vulnclaw web

# 自定义端口
vulnclaw web --port 8080

启动后浏览器访问 http://127.0.0.1:7788 即可使用。

4.5 实战示例

示例1：CTF 比赛快速拿 flag

🦞 vulnclaw> 帮我对 http://ctf.site:8080 找出 flag

[*] 进入自主渗透模式
── Round 1 ──
  [+] 目标: http://ctf.site:8080
  [+] Web 指纹: Nginx/1.18.0, PHP/7.4.3
  [+] 发现 /robots.txt: 包含 /admin.php, /backup/
── Round 2 ──
  [+] 发现 /backup/config.php.bak 可下载
  [+] 源码泄露：数据库密码硬编码
── Round 3 ──
  [+] 登录后台成功
  [+] 发现 SQL 注入点：/admin.php?id=1
── Round 4 ──
  [+] 注入成功，拿到 flag: flag{53cUre_5QL_1nj3ct10n}

示例2：授权靶场深度渗透

# 方式1：TUI 工作台（推荐，可设置安全边界）
vulnclaw tui --target https://target.example --mode deep --only-port 443

# 方式2：持续性渗透（深度测试）
vulnclaw persistent https://target.example --rounds 200 --cycles 5

4.6 LLM 提供商配置

VulnClaw 支持所有 OpenAI 兼容协议的 API，内置 13 个提供商预设：

vulnclaw config provider --list    # 查看所有提供商
vulnclaw config provider minimax   # 一键切换

五、常见问题与解决方案

5.1 安装失败

问题：pip install vulnclaw 失败，提示依赖冲突

解决方案：

• 使用 Python 3.10+ 版本
• 推荐使用虚拟环境：python -m venv venv && source venv/bin/activate
• 若使用源码安装，确保已安装 hatchling：pip install hatchling

5.2 LLM API 调用失败

问题：配置 API Key 后调用失败

解决方案：

• 检查 API Key 是否正确：vulnclaw config get llm.api_key
• 检查 Base URL 是否可访问：curl -I https://your-api.com/v1
• 切换其他提供商：vulnclaw config provider openai
• 查看详细错误：vulnclaw --verbose

5.3 MCP 服务连接失败

问题：chrome-devtools 或 burp MCP 服务无法连接

解决方案：

• chrome-devtools：确保 Chrome 已启动远程调试 google-chrome --remote-debugging-port=9222
• burp：确保 Burp Suite 已加载 MCP 扩展，并在 MCP 标签页勾选"Enabled"
• 检查配置文件：~/.vulnclaw/config.yaml 中的 MCP 服务配置

5.4 渗透测试误报

问题：工具报告漏洞但实际不存在

解决方案：

• v0.4.0+ 已内置证据级反幻觉闸门，确保结论有真实工具输出支撑
• 查看会话记录：vulnclaw report session.json
• 手动验证漏洞：使用 vulnclaw repl 进入交互模式逐步验证

5.5 性能问题

问题：渗透测试运行缓慢

解决方案：

• 调整推理温度：vulnclaw config set llm.temperature 0.0（降低随机性，加快收敛）
• 减少最大轮数：vulnclaw config set session.max_rounds 10
• 使用更快的模型：切换到 DeepSeek-V4-Flash 或类似快速模型
• 启用并行探索（v0.4.1+）：vulnclaw config set session.solve_max_parallel 3

5.6 Docker 容器网络问题

问题：容器内无法访问宿主机服务

解决方案：

• 扫描宿主机服务请使用 host.docker.internal
• 扫描其它容器请共享网络并用容器名访问
• 详见项目 DOCKER.md

六、总结

VulnClaw 是一款创新的 AI 驱动渗透测试工具，通过引入 LLM Agent、MCP 工具链和目标驱动求解引擎，显著降低了渗透测试的技术门槛，同时提高了测试效率。

核心优势：

1. 自然语言驱动 — 无需记忆复杂命令，用自然语言描述渗透意图即可
2. 目标驱动求解 — 智能终止条件，避免无效轮询，提高测试效率
3. 证据级反幻觉 — 确保测试结论有真实工具输出支撑，减少误报
4. 丰富的 Skill 体系 — 21 个渗透 Skill 覆盖常见场景，持续扩展中
5. 多模式支持 — CLI、TUI、Web UI、单命令模式，适应不同使用习惯

适用场景：

• 已授权的渗透测试
• CTF 竞赛
• 安全教学与培训
• 红队演练
• 漏洞挖掘与研究

项目资源：

• GitHub：https://github.com/Unclecheng-li/VulnClaw
• PyPI：https://pypi.org/project/vulnclaw/
• 许可证：MIT
• 社区交流群：QQ 群号 954402631
• 开发者群聊：QQ 群号 1065858551

⚠️ 安全声明：VulnClaw 仅用于已授权的安全测试。使用本工具前，请确保已获得目标系统的明确授权，并遵守当地法律法规。未经授权对系统进行渗透测试是违法行为。