FollowAgents AI AGENTS 目录
首页 / 全部 Agents / VulnClaw
自动化与运维 penetration-testingctfmcpvulnerability-scanningexploit-development

VulnClaw

AI 驱动、自然语言驱动的渗透测试 CLI 工具，自动完成信息收集、漏洞发现、利用与报告。

在 GitHub 查看 ↗ 快速上手 ↓
源仓库
Netw0rkNoob/VulnClaw
Star 数
★ 3.7k
最近更新
13 天前
License
MIT
主语言
Python
FA 评分
48/100 · 缺口较多

30 秒速览

运行形态
命令行工具网页应用自托管服务
可在哪里用
通用 · 跨平台
费用
软件免费，模型调用费用自付
上手难度
中 · 需要几步配置
开始前需要
Python 3.10+Node.js（用于 chrome-devtools MCP）Docker（可选）Shell / 命令行网络访问本地文件系统MCP Server
典型场景
授权渗透测试：安全测试人员对已授权的目标进行系统化安全评估，使用自然语言描述目标，自动完成信息收集和漏洞验证。
不适合
  • 需要生产级稳定性的安全团队：项目仍处公开 Alpha 阶段
  • 只使用英文文档与界面的用户：文档以中文为主
源码审查
48/100 · 缺口较多

这个 Agent 能做什么，适合哪些场景？

VulnClaw 是一个基于 LLM Agent + MCP 工具链 + Skill 参考资料的 AI 渗透测试 CLI（Python 3.10+，MIT 许可证）。它通过自然语言输入，自动执行从信息收集到漏洞利用的完整流程，并生成结构化 Markdown 报告和 Python PoC 脚本。默认采用模型主导的 solve 引擎，模型自主决定下一步行动，通过 AgentState 证据记忆和反幻觉闸门确保结论有据可查。支持 14 个 LLM Provider（OpenAI、Anthropic、MiniMax、DeepSeek、智谱、Moonshot、千问、SiliconFlow、豆包、百川、阶跃星辰、商汤、零一万物、本地 Ollama），以及可选的 MCP 服务（fetch、memory、chrome-devtools、burp）。提供 CLI、REPL、TUI、Web UI 和 Docker 部署方式，内置 50 个专项 Skill 覆盖 CTF、Web、内网、逆向等场景，并包含编解码/加解密工具、批量 HTTP 探测、运行时差分探测等。仅限已授权的安全测试，遵循 MIT 许可证。

VulnClaw 接收自然语言指令，例如“对 http://target.example.com 进行渗透测试”，然后自动执行多轮自主循环。它通过内置的 fetch 工具（基于 httpx）发送 HTTP/HTTPS 请求，支持自定义 method、headers、params、cookies、body 等；通过 http_probe_batch 批量比较多组 URL/参数/header 变体；通过 nmap_scan 进行端口扫描；通过 crypto_decode 进行编解码/加解密操作；通过 python_execute 执行 Python 代码；通过 shell_command 执行本地命令（如 php -r、curl、rg）；通过 source_extract 从 HTML 中提取源代码；通过 runtime_diff_probe 进行过滤器与解析器的差分探测；通过 brute_force_login 进行登录爆破；通过 load_skill_reference 按需加载 Skill 文档。所有工具结果写入 AgentState.evidence，模型可通过 evidence_search/evidence_view 回查。最后，solve 引擎自动生成包含解题思路、关键证据、复现请求包、curl、响应片段和证据索引的 Markdown 报告，并生成 PoC 脚本。

  1. 授权渗透测试：安全测试人员对已授权的目标进行系统化安全评估，使用自然语言描述目标，自动完成信息收集和漏洞验证。
  2. CTF 竞赛：参赛者使用 VulnClaw 自动探测 Web 题目，利用内置的 ctf-web、ctf-crypto、ctf-misc 知识库辅助解题，并通过反幻觉闸门防止编造 flag。
  3. 安全教学：导师使用 VulnClaw 在实验室环境中演示渗透测试流程，学生通过观察模型的决策和工具调用学习攻击链。
  4. 红队演练：红队成员通过持续渗透模式（persistent）对目标进行长时间深度测试，每周期自动生成报告，支持增量发现。
  5. 快速漏洞验证：安全研究员利用单命令模式（如 vulnclaw scan --ports 80,443）快速扫描指定端口，或使用 exploit 命令针对已知 CVE 进行利用验证。

如何安装或部署这个 Agent？

安装：

pip install vulnclaw

或从源码安装：

git clone https://github.com/Netw0rkNoob/VulnClaw.git
cd VulnClaw
pip install -e .

可选 Docker 部署：

cp .env.example .env  # 填入 VULNCLAW_LLM_API_KEY 等
docker compose up --build
# 打开 http://127.0.0.1:7788

需要 Python 3.10+。使用 LLM 时需要配置 API Key。

如何使用这个 Agent？

基本使用步骤：

  1. 选择提供商：vulnclaw config provider minimax（或 openai/anthropic/deepseek 等）
  2. 设置 API Key：vulnclaw config set llm.api_key sk-your-key-here
  3. 启动交互界面：vulnclaw（进入 REPL）
  4. 输入自然语言指令，如“对 192.168.1.100 进行渗透测试”

常用命令：
- vulnclaw solve target.com --goal "找到 flag"：目标驱动求解
- vulnclaw run 192.168.1.100：一键全流程渗透
- vulnclaw recon target.com：仅信息收集
- vulnclaw scan target.com --ports 80,443：漏洞扫描
- vulnclaw exploit target.com --cve CVE-2024-1234 --cmd id：漏洞利用
- vulnclaw report session.json：生成报告
- vulnclaw web：启动 Web UI（默认 127.0.0.1:7788）
- vulnclaw tui：启动 TUI 工作台

环境检查：vulnclaw doctor。可选配置 MCP 服务（如 chrome-devtools 和 burp）以增强功能。

这个 Agent 有哪些优点和局限？

优点
  • 模型主导的 solve 引擎：模型自主决策，灵活适应未知目标，而非固定剧本流程。
  • 证据级反幻觉闸门：所有结论必须基于真实工具输出，防止模型编造 flag 或结论。
  • 支持 14 个 LLM Provider，包括本地 Ollama，降低供应商锁定风险。
  • 丰富的内置工具链：包括 fetch、http_probe_batch、crypto_decode、python_execute、shell_command 等，无需额外安装即可使用。
  • 全面的 Skill 知识库：覆盖 CTF、Web、内网、逆向等多个领域，且按需加载，不强制注入上下文。
局限
  • 公开 Alpha 阶段：项目仍处于早期，可能存在稳定性问题，不适合作为生产环境的安全工具。
  • 依赖外部 LLM API：需要配置 API Key，且调用成本可能较高，特别是长会话场景。
  • 高风险实验能力：python_execute 和 shell_command 可能执行任意代码，需要用户自行确保沙箱隔离。
  • MCP 服务（chrome-devtools、burp）需要额外部署，配置相对复杂。
  • 文档以中文为主，英文支持有限，可能对非中文用户造成障碍。

这个 Agent 与同类方案有什么区别？

VulnClaw 与 MetaSploit 等传统渗透测试框架不同，其核心是 LLM Agent 自主决策，而非预定义模块组合。与 Codex 或 Claude Code 等通用编码 Agent 相比，VulnClaw 专为安全测试设计，内置了证据闸门、WAF 绕过等安全特定功能。

与相关度最高的同类 agent 并排比较关键指标。

Agent 源码审查 形态 / 费用 Star 最近更新 主语言 完整支持的平台
VulnClaw 当前 48 · 缺口较多 命令行工具免费 + 模型费 ★ 3.7k 13 天前 Python —
HexStrike AI MCP 22 · 缺口较多 MCP 服务器免费 ★ 13k 2 个月前 Python Claude.ai
Strix AI 渗透测试 62 · 存在缺口 命令行工具免费版 + 付费版 ★ 70k 今天 Python ChatGPT · Codex · Claude Code · OpenAI API · Claude API
PentesterFlow 73 · 存在缺口 命令行工具免费 + 模型费 ★ 1.4k 1 个月前 TypeScript OpenAI API

FollowAgents 如何评估这个 Agent？

FollowAgents 源码审查 · FARS-2.1
缺口较多
48/ 100 五分制 2.4 / 5
本评测基于 2026年8月11日 的源码；此后该项目发布了 3 个正式版本，尚未复审。分数与结论只代表评测时的版本。 最近版本 ↓
信任安全 11/29
可靠稳定 6/14
适用触发 12/18
规范维护 9/18
有效结果 7/13
证据核验 3/8
查看各维度的扣分理由
信任安全11 / 29 · 1.9/5

证据显示：README 声明了授权使用、安全声明和沙盒提示词，但未提供实际权限控制细节；存在用户确认机制（如 TUI 范围确认），但未明确所有操作需确认；数据流透明度较好，有 AgentState 证据记录和流量存储；敏感数据处理（API key 存储）未详细说明；依赖安全未提及漏洞扫描或锁定；外部影响（如网络扫描）有授权声明但无技术限制；回滚有目标状态快照和回滚功能；来源归属有作者信息但未验证。扣分原因：权限最小化、用户确认、敏感数据处理、依赖安全、外部影响、回滚、来源归属均缺乏具体实现证据。

可靠稳定6 / 14 · 2.1/5

证据显示：README 和测试文件内部一致，模块划分清晰；依赖声明在 pyproject.toml 中，但未验证可用性；失败消息有提及（如 stall guard），但未提供具体错误处理示例。扣分原因：依赖可用性未验证，失败消息细节不足。

适用触发12 / 18 · 3.3/5

证据显示：明确面向授权渗透测试、CTF、教学等场景；能力边界有安全声明和授权要求；触发精度有自然语言关键词触发和明确命令；环境适配有 Docker、多平台 CI 和多种 LLM 提供商。扣分原因：能力边界未细化到具体工具限制，触发精度依赖自然语言可能不精确。

规范维护9 / 18 · 2.5/5

证据显示：README 结构清晰，有安装、使用、架构、配置等章节；安装说明详细（pip、源码、Docker）；命名稳定（vulnclaw 命令）；有示例和 FAQ（REPL 示例）；已知限制提及（如 python_execute 非沙箱）；许可证为 MIT；版本号在 pyproject.toml 中，但无 CHANGELOG 内容；维护责任有贡献指南但无明确维护者。扣分原因：命名稳定性未验证历史，已知限制不全面，版本变更日志缺失，维护责任不明确。

有效结果7 / 13 · 2.7/5

证据显示：输出可用性有报告和 PoC 生成；边际价值高，提供全流程自动化；成本效益未提供实际性能数据。扣分原因：成本效益缺乏数据支持。

证据核验3 / 8 · 1.9/5

证据显示：README 中的功能声明有部分测试覆盖（如测试文件），但未提供具体证据链接；跨来源验证不足，仅依赖单一仓库；事实与推断分离不明确。扣分原因：声明可追溯性不足，跨来源验证缺失，事实与推断未明确区分。

风险与缓解建议
  • 该工具是渗透测试工具，必须仅用于授权目标，否则可能违法。
  • python_execute 和 shell_command 工具不是强隔离沙箱，存在代码执行风险。
  • 依赖未锁定版本，可能存在供应链风险。
  • API 密钥存储方式未明确，需谨慎处理。
证据充分度：低 评估于 2026年8月11日 审查版本 76b14c34f1d5 评估后仓库已有新提交，评分可能未覆盖最新改动
评估证据 README.mdLICENSESECURITY.mdpyproject.tomlworkflows/ci.ymlworkflows/release-preflight.ymlagent/test_agent.py
查看完整评分方法 →

最近版本

来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。

  1. v0.4.1
    发布说明摘录
    VulnClaw v0.4.1 Windows TUI 粘贴/闪退修复 + REPL LLM 错误显示。 修复与改进 - 修复 Windows TUI 无法粘贴 — Windows 无 bracketed paste（crossterm 0.28 仅在 Unix 解析该序列），Ctrl+V 此前落入空分支被静默丢弃；现在 Ctrl+V / Shift+Insert / 鼠标右键三个触发器均直接读取系统剪贴板粘贴到输入框（#296） - 剪贴板访问改为 Win32 API 直调 — TUI 的复制/粘贴不再通过 powershell.exe 子进程（每次需 1-3 秒 .NET 冷启动），改为 FFI 直调 OpenClipboard/GetClipboardData/SetClipboardData，微秒级完成且零新增依赖；同时消除复制路径的临时文件落盘（#296） - 修复剪贴板子进程隐藏 TUI 窗口的问题 — 从 TUI 内 spawn powershell.exe 时 -WindowStyle Hidden 会隐藏 TUI 自身的共享控制台窗口（表现为按粘贴键整个窗口"消失"）；全部剪贴板子进程改用 CREATE_NO_WINDOW 创建标志（#296） …
    在 GitHub 查看 ↗
  2. v0.4.0
    发布说明摘录
    What's Changed * feat(kb): 中文感知 BM25 检索 + 可选 cross-encoder 重排序 by @SummerCaptain in https://github.com/Netw0rkNoob/VulnClaw/pull/252 * fix(i18n): add missing cli.host_no_set English translation by @Shxiao101 in https://github.com/Netw0rkNoob/VulnClaw/pull/257 * docs: remove README references to nonexistent docs/keyless-auth.md by @Shxiao101 in https://github.com/Netw0rkNoob/VulnClaw/pull/259 * fix(cli): paste and scroll classic /config panel by @JMAN730 in https://github.com/Netw0rkNoob/VulnClaw/pull/264 …
    在 GitHub 查看 ↗
  3. v0.3.9
    发布说明摘录
    What's Changed * fix(ci): point release preflight at tests/meta/test_release.py by @Unclecheng-li in https://github.com/Netw0rkNoob/VulnClaw/pull/199 * Dev by @Unclecheng-li in https://github.com/Netw0rkNoob/VulnClaw/pull/201 * Unclecheng li patch 2 by @Unclecheng-li in https://github.com/Netw0rkNoob/VulnClaw/pull/202 * Unclecheng li patch 1 by @Unclecheng-li in https://github.com/Netw0rkNoob/VulnClaw/pull/204 * Dev by @Unclecheng-li in https://github.com/Netw0rkNoob/VulnClaw/pull/205 …
    在 GitHub 查看 ↗

常见问题

使用 VulnClaw 需要哪些前置条件？
需要 Python 3.10+，并配置 LLM API Key（支持 OpenAI、Anthropic、MiniMax 等 14 个提供商）。可选安装 Node.js 和 Chrome 以使用 chrome-devtools MCP，安装 Burp Suite 以使用 burp MCP。
VulnClaw 是否会自动利用漏洞？
是的，它包含漏洞利用阶段（exploit），支持 PoC 验证和权限获取，但需用户确认已获得授权。
VulnClaw 的报告格式支持哪些？
默认生成 Markdown 报告和 Python PoC 脚本，可配置为 HTML 格式。
如何处理 LLM 调用失败或超时？
VulnClaw 具有失败降级机制和超时控制，可通过 session.max_rounds 等配置项调整。
VulnClaw 能否离线运行？
可以，使用本地 Ollama 作为 LLM Provider 即可离线运行，但内置工具如 nmap 可能需要网络。
在 GitHub 查看 ↗ 安装 ↓

对比同类 Agent

用同一套 FARS 评审，横向比较这个 Agent 所属的短名单。

MCP Agent 横向对比

提供或调用 Model Context Protocol 服务的 agent，按 FARS 评审排序，并列出许可证、维护状态与信任分。

相关 Agents

自动化与运维

HexStrike AI MCP

通过 MCP 将 AI 客户端连接到本地安全测试工具与自动化工作流。
自动化与运维

Strix AI 渗透测试

用协作式 AI 攻防代理发现、验证并修复应用漏洞。
自动化与运维

PentesterFlow

在终端中协助渗透测试，并由分析人员掌控高风险操作。
自动化与运维

PentestCode

运行在终端里的自主 AI 渗透测试多智能体系统，自带持久化作战状态、战略协调与并行自治操作。