CyberStrikeAI 完整实战教程：用自然语言驱动 AI 安全测试平台
【免费下载链接】CyberStrikeAIThe system of action for AI-native cybersecurity—where intent becomes governed execution, evidence becomes operational memory, and every operation improves the next.项目地址: https://gitcode.com/GitHub_Trending/cy/CyberStrikeAI
CyberStrikeAI 是一个用 Go 构建的 AI 原生安全测试平台：你把目标用一句话描述出来，它负责拆解任务、挑选工具、执行命令、留存证据，并把结果沉淀为结构化的漏洞记录、攻击链图谱和跨会话项目事实。平台内置 100 多个安全工具的 YAML 配方，支持角色化测试、批量任务队列、三种多智能体编排模式，以及审批、权限、审计组成的治理层。适合负责渗透测试、资产安全评估或应急响应的工程师，也适合想把重复扫描工作交给自动化的安全团队。
五分钟把 CyberStrikeAI 部署起来
环境依赖与一键启动
两个硬性依赖：
| 依赖 | 版本 | 说明 |
|---|---|---|
| Go | 1.25+ | 编译与运行服务，以go.mod为准 |
| Python | 3.10+ | 部分工具依赖 Python 运行环境 |
拉取代码后交给启动脚本：
git clone https://gitcode.com/GitHub_Trending/cy/CyberStrikeAI cd CyberStrikeAI chmod +x run.sh && ./run.sh脚本按顺序完成环境校验、创建 Python 虚拟环境、安装依赖、拉取 Go 模块、编译、启动。默认以 HTTPS + 本机自签证书方式运行；只想本地快速体验时改用./run.sh --http走明文 HTTP。
三个启动成功的标志：
- 终端出现
● ONLINE，并给出 Web UI 访问地址； - 浏览器按提示信任一次自签证书后即可访问（端口默认 8080，以
config.yaml的server.port为准）； - 首次安装时终端会打印一次性
admin初始密码，先存下来，登录后立即修改。
💡 日志里出现client sent an HTTP request to an HTTPS server，说明用http://访问了只开 HTTPS 的端口，改成https://即可。
接入模型通道
第一次使用前必须配一个 OpenAI 兼容的模型通道，两种方式任选其一：
- Web 界面：登录后进入「系统设置 → 基本设置 → AI 通道配置」，填写 Base URL、API Key、模型名并保存；通道列表支持设为默认、复制、删除和批量探活；
- 编辑
config.yaml，最小片段如下：
ai: default_channel: openai-main channels: openai-main: provider: openai_compatible api_key: "sk-your-key" base_url: "https://api.openai.com/v1" model: "gpt-4o"ai.default_channel决定新对话默认用哪个模型；多通道并存时，也可以在单个会话的设置里临时切换。平台预置了 100 多个安全工具的 YAML 配方（tools/ 目录），工具没装不会阻断启动，执行时自动跳过或改用替代方案。想先把体验做顺，建议提前装好 nmap、sqlmap、nikto、gobuster、nuclei、subfinder 这类常用项，macOS 用 Homebrew、Linux 用 apt 都能一条命令覆盖大部分。
部署完成后先跑一次完整任务，把「输入 → 执行 → 结果 → 记录」这条链路走通，后面所有进阶功能都建立在这条主线上。
第一次完整任务：从一条指令到漏洞入库
登录后的主界面是 Web 控制台：左侧是对话列表，右侧是工作区，底部输入框用@唤起工具、Enter 发送、Shift+Enter 换行。
用一句话下达扫描指令
在输入框里写：
扫描 192.168.1.1 的开放端口不需要记工具语法。AI 会把自然语言翻译成具体的 nmap 参数，执行命令，再把输出解读成「哪些端口开了什么服务、哪些值得继续测」的结论。想收窄范围也直接说人话，例如「只测 22/80/443 三个端口，确认服务版本」。
执行过程的每一步都可展开核对
对话流里，AI 的每一次工具调用都带有完整参数、原始输出和耗时，点开就能核对它到底执行了什么。这意味着自动化不是黑盒：你可以逐条判断计划是否合理，发现跑偏随时叫停。
漏洞自动进入生命周期管理
扫描命中漏洞时，AI 会直接生成结构化漏洞记录，写入「漏洞管理」模块：描述、证据、影响分析、修复建议四要素齐全，并按严重 / 高危 / 中危 / 低危 / 信息自动分级。记录支持状态流转（打开 → 确认 → 已修复 / 误报）、批量导出和删除，导出的结构可以直接对接现有的漏洞管理或工单系统。
从对话到攻击链：结果去哪看
测试过程中，AI 会同步解析目标、工具调用与漏洞之间的关系，织成一张攻击链图：节点间连线展示推进路径，节点按严重度着色，支持交互式回放每个步骤，也可以导出风险节点清单接入外部报告管道。
仪表盘则是全局视角：运行中的任务、漏洞等级分布、工具调用次数与成功率、批量队列状态都汇总在一屏，异常会直接引导跳转到对应详情。单目标验证通过后，下一步自然是把同样的流程铺到一批目标上。
进阶一：批量任务队列，一次提交多个目标
批量任务队列解决的是「目标多、重复劳动多」的问题。入口在「任务管理」页：把多个待测 URL 逐条加入队列，每条任务作为独立对话执行，拥有完整的状态流转（待处理 / 运行中 / 已完成 / 失败 / 已取消）和执行历史。
队列层和单任务层都能操作：
| 层级 | 可执行操作 |
|---|---|
| 队列级 | 批量添加任务、一键启动、删除队列 |
| 任务级 | 单独执行、编辑指令、更换角色、删除 |
典型工作流：把一批待测 URL 塞进队列 → 统一指定测试角色（如「Web 应用扫描」）→ 一键启动 → 回来看结果和漏洞记录。批量队列默认走单智能体执行；确认需要更强编排能力后，把config.yaml的multi_agent.batch_use_multi_agent置为true，子任务会改走多智能体流程，token 消耗相应上升。
批量适合「同一套方法跑很多目标」的场景。目标本身复杂、需要侦察与利用并行推进时，该上多智能体了。
进阶二：三种多智能体编排，把任务拆给一支 AI 团队
单智能体应对日常扫描足够，但多目标、长链路、需要并行侦察的任务，单线程规划容易拖慢整体进度。平台基于 Eino 框架提供三种协作模式，在对话页选择：
| 模式 | 协作方式 | 适合的任务 |
|---|---|---|
| Deep（深度） | 协调器 + task 子代理并行委派 | 目标复杂、需要并行侦察与验证 |
| Plan-Execute | 规划 → 执行 → 重新规划循环 | 长链路任务，方案需要随发现修正 |
| Supervisor（监督） | 监督员统一分配任务 | 强调分工与优先级管理 |
子代理全部以 Markdown 定义，放在 agents/ 目录：每个文件由 YAML front matter（name / id / description / tools / bind_role）加正文系统提示词组成。想收紧侦察代理的范围、或给利用代理加约束，直接改对应文件即可，无需碰代码。主协调器固定在orchestrator.md，按模式区分的还有orchestrator-plan-execute.md和orchestrator-supervisor.md。
⚠️ 多智能体模式 token 消耗明显更高，日常单点扫描用单智能体即可，把编排能力留给真正复杂的任务。
工具与目标之外，还有一类资产容易被忽略：团队自己的经验。知识库模块的作用就是让这些经验进入 AI 的检索范围。
进阶三：知识库 RAG，让 AI 带着你的经验干活
知识库基于向量检索（RAG）构建：扫描knowledge_base/目录下的 Markdown 文件 → 自动切块、向量化 → 按目录结构分类管理 → 文件变更后自动增量重建索引。检索链路不只有一次向量搜索：查询改写（MultiQuery 多路检索融合）→ 精排（rerank）→ 结果后处理，回答质量比裸向量搜索高一档。
启用只需一段最小配置：
knowledge: enabled: true base_path: knowledge_base embedding: provider: openai model: text-embedding-v4把团队沉淀的测试方法、内网环境笔记、历史案例的 Markdown 丢进目录，AI 在后续测试中就会检索并引用这些材料，而不是凭空发挥。仓库自带 SQL 注入、Prompt Injection 两类示例语料，可以直接对着体验检索效果。
至此「测一个 → 测一批 → 测复杂的 → 带着经验测」的路径走完了。剩下的是把平台接进你自己的工具链和工作流。
工具接入与生态对接：YAML 配方、MCP、插件与机器人
新增工具 = 新增一个 YAML 文件
所有工具都是 tools/ 目录 下的 YAML 文件，支持热加载，改完即生效、无需重启。配方只声明命令、参数与说明：
name: "nmap" command: "nmap" args: ["-sT", "-sV", "-sC"] enabled: true short_description: "网络映射和服务指纹识别" parameters: - name: "target" type: "string" description: "IP或域名" required: true position: 0 - name: "ports" type: "string" flag: "-p" description: "端口范围，如1-1000"接入内部自研工具：复制一份现有 YAML，改命令和参数即可，系统自动发现并注册。
MCP 协议的三种接法
平台原生支持 MCP（Model Context Protocol），打通 AI 与外部工具生态：
- Web 模式：
config.yaml的mcp段启用内置 HTTP MCP 服务器，Web 界面自动使用； - Stdio 模式：
cmd/mcp-stdio入口把工具暴露给 Cursor、CLI 等本地客户端； - 外部 MCP 联邦：支持 HTTP、Stdio、SSE 三种传输，把第三方 MCP 服务器（如 Burp 认证流量回放、内网扫描器服务）挂进来统一调度。
mcp: enabled: true host: "127.0.0.1" port: 8081auth_header_value留空时系统自动生成随机令牌，远程暴露前先配好鉴权。
插件：把测试入口搬进 Burp 和浏览器
- Burp Suite 插件（plugins/burp-suite/）：在 Burp 内直接查看 AI 辅助测试结果；
- 浏览器扩展（plugins/browser-extension/）：Chrome / Edge 的 DevTools 中捕获 Network 流量，转发给平台做 AI 分析，能力与 Burp 插件对齐。
机器人接入：手机上也能远程干活
「系统设置 → 机器人设置」支持个人微信、企业微信、钉钉、飞书、Telegram、Slack、Discord、QQ。各平台凭据字段（如钉钉的 Client ID / Client Secret、飞书的 App ID / App Secret）在设置页逐项填好即可。接入后用自然语言远程操作：
帮助 列表 切换 68f8e8e6-... 新对话 角色 渗透测试离开电脑时，发一条消息就能查看任务状态、切换对话或下达新任务。能力铺开后，更关键的问题是：AI 自动执行的边界在哪里，出了问题能不能追责。
给 AI 自动执行上锁：审批、权限与审计
敏感操作先过一道审批
HITL（人机协同）机制把敏感调用拦在执行之前。会话侧边栏可配置审批模式与工具白名单；config.yaml的hitl段定义全局默认：
| 配置项 | 含义 |
|---|---|
default_mode | 会话未单独配置时的全局模式：off / approval / review_edit |
default_reviewer | 审批方：human（人工）或 audit_agent（审计 Agent） |
hitl.tool_whitelist | 全局免审批工具清单 |
审批方可以是人，也可以是审计 Agent——一个独立小模型逐次审查工具调用的参数与影响面，按规则裁决放行或拦截。默认规则覆盖绝大多数常规渗透操作，只拦截会破坏业务可用性或造成数据不可逆损坏的动作。
团队里谁能动什么：RBAC 与审计
平台 RBAC 支持多用户、系统/自定义角色、权限 Scope、资源归属与显式授权，团队成员的权限边界（谁负责 Web 扫描、谁只看报告）在「平台权限」页显式管理。所有用户操作、工具执行、系统变更进入审计日志（SQLite 持久化），保留期可配置，支持 CSV 导出对接合规审查。
⚠️ 合法使用是硬边界：平台所有能力只应用于自有系统或已取得明确书面授权的目标。WebShell、内置 C2 等高风险能力默认关闭或需显式启用，启用前请先阅读安全模型与安全加固指南。
配置、升级、性能这些日常问题，多数部署者都会遇到，集中回答几个。
常见问题
Q1：安全工具没装全，平台能用吗？
能。未安装的工具执行时自动跳过或改用替代方案，不会阻断任务。先跑通核心流程，再按任务需要补装即可。
Q2：怎么更换或并存多个模型？
在「AI 通道配置」新增通道并设为默认；也可以只改单个会话的通道设置临时切换。故障切换通道同样在通道列表里配置。
Q3：生产环境怎么换正式证书？
在config.yaml的server.tls_cert_path/server.tls_key_path指向 PEM 证书与私钥即可；本地环境保留自签就够。
Q4：升级会不会动我的配置和数据？
优先用控制台「一键更新」或./upgrade.sh：两者都会备份config.yaml与data/，本地的tools/、roles/、skills/、agents/原样保留；失败时可用-update-rollback或备份目录回滚。
Q5：长期运行会不会越跑越慢？
主要是磁盘与数据的累积问题：定期用「存储清理」页回收工作区与工具输出缓存、只启用实际用到的工具、按机器性能调整并发参数。具体运维项见 运维 Runbooks。
上手路径
今天就可以完成三件事：部署后配置好模型通道，用「扫描 127.0.0.1 的开放端口」这类无害指令走通第一次对话，再开一个批量队列试跑。后续逐步接入角色、知识库和多智能体模式。一切测试仅针对自有系统或已获明确授权的目标，遵守当地法律法规；高风险能力启用前，先读完安全加固文档。
【免费下载链接】CyberStrikeAIThe system of action for AI-native cybersecurity—where intent becomes governed execution, evidence becomes operational memory, and every operation improves the next.项目地址: https://gitcode.com/GitHub_Trending/cy/CyberStrikeAI
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
