PentAGI 自动渗透测试平台搭建与使用教程

版本：v1.0 | 更新时间：2026-07-08 | 基于 PentAGI v0.3.0+

---

目录

1. PentAGI 简介
2. 核心架构与工作原理
3. 环境要求
4. Docker 部署步骤
5. 配置文件详解
6. LLM 提供商配置
7. Web UI 使用指南
8. 自动化渗透测试实战
9. 常见问题与排错
10. 安全注意事项

---

1. PentAGI 简介

PentAGI 是由 VXControl 团队（迪拜，2025 年成立）开发的一款全自主 AI 驱动的开源渗透测试平台，采用 MIT 许可证发布，托管于 GitHub - vxcontrol/pentagi。截至 2026 年 7 月，该项目已获得超过 18,000 个 GitHub Star，是当前开源领域最具影响力的自主式 AI 渗透测试 Agent 系统 [cite:1][cite:2]。

1.1 核心能力

能力	说明
全自主执行	输入目标 URL，AI 自动完成信息收集→漏洞扫描→利用尝试→报告生成的全流程
多智能体协作	Orchestrator、Researcher、Developer、Executor 四类 Agent 分工协作
20+ 安全工具集成	Nmap、Nuclei、sqlmap、Metasploit、gau、ffuf 等原生集成
知识图谱记忆	Graphiti + Neo4j 图数据库，构建长期记忆，跨测试复用经验
沙盒隔离执行	每个工具调用在独立 Docker 容器内执行，不污染宿主机
10+ LLM 提供商	支持 OpenAI、Anthropic、Google Gemini、Ollama 本地模型等
自动报告生成	生成符合 MITRE ATT&CK 框架的详细渗透测试报告
双模式运行	支持全自动（Automation）和半自动助手（Assistant）两种模式

1.2 适用场景

• 企业安全评估与红队演练
• DevSecOps 流水线自动化安全测试
• 安全研究人员的漏洞验证平台
• CTF 竞赛与安全教学培训
• 渗透测试工具链的智能编排

---

2. 核心架构与工作原理

2.1 多智能体架构

PentAGI 采用四层智能体协作架构，将渗透测试任务分解为多个专业化子任务 [cite:2][cite:3]：

用户输入目标
    │
    ▼
┌─────────────────────────────────────────────────────────┐
│                    Orchestrator (编排器)                   │
│  职责：任务分解、策略规划、结果汇总、报告生成                │
│  决策依据：当前状态向量 + 知识图谱 + 历史记忆               │
└─────────────────────────────────────────────────────────┘
    │               │                 │
    ▼               ▼                 ▼
┌──────────┐ ┌──────────────┐ ┌──────────────┐
│ Researcher│ │  Developer   │ │   Executor   │
│  (研究员) │ │  (开发者)    │ │  (执行器)    │
├──────────┤ ├──────────────┤ ├──────────────┤
│ 子域名枚举│ │ PoC 脚本编写 │ │ 工具沙盒执行  │
│ 端口扫描  │ │ Payload 生成 │ │ 结果捕获解析  │
│ 指纹识别  │ │ 绕过策略开发 │ │ 输出结构化   │
│ 情报收集  │ │ 漏洞利用开发 │ │ 验证与确认   │
└──────────┘ └──────────────┘ └──────────────┘

各 Agent 职责：

• Orchestrator：系统的”大脑”，接收目标后分解为子任务，协调各 Agent 协作，根据实时状态动态调整策略
• Researcher：负责信息收集阶段，执行子域名枚举、端口扫描、服务指纹识别、技术栈检测
• Developer：负责漏洞利用阶段的 PoC 编写、Payload 生成、绕过策略开发
• Executor：在隔离的 Docker 沙盒中执行工具命令，捕获输出并解析为结构化数据

2.2 OODA 决策闭环

每次攻击尝试都处于一个持续滚动的 OODA 循环 中 [cite:5]：

Observe (观察) → Orient (判断) → Decide (决策) → Act (行动)
    ↑                                                    │
    └────────────────────────────────────────────────────┘

• Observe：捕获上一轮工具执行的原始输出（stdout/stderr/文件）
• Orient：LLM 分析输出，提取关键特征，更新知识图谱
• Decide：基于当前状态，从工具库中选择下一步最优策略
• Act：将决策指令下发到 Docker 沙盒执行

2.3 沙盒安全执行引擎

PentAGI 的一大创新是 Docker 沙盒化执行 [cite:5]：

• “阅后即焚”机制：每次工具调用实时拉起新容器，执行完毕立即销毁
• 安全隔离：Agent 不直接接触宿主机，所有操作在容器内完成
• 预装工具镜像：基于 Kali Linux 定制镜像，预装 600+ 渗透测试工具
• 非交互式 I/O：LLM 通过 API 发送命令，引擎捕获 stdout/stderr 返回纯文本

2.4 记忆系统架构

┌─────────────────────────────────────────────────────┐
│                    PentAGI Memory                    │
├─────────────────┬───────────────────────────────────┤
│   短期记忆       │           长期记忆                  │
│ (Session Context)│  (PostgreSQL + pgvector 向量存储)  │
│                 │  (Neo4j 图数据库 - 知识图谱)        │
│ 当前会话状态    │  历史测试经验                        │
│ 工具执行历史    │  资产关系拓扑                        │
│ 临时决策数据    │  CVE 关联映射                       │
└─────────────────┴───────────────────────────────────┘

---

3. 环境要求

3.1 硬件要求

组件	最低配置	推荐配置
CPU	4 核	8 核以上
内存	4 GB RAM	16 GB RAM
磁盘	10 GB 可用	50 GB SSD
网络	可访问互联网	稳定宽带连接

3.2 软件要求

组件	版本要求	备注
操作系统	Linux / macOS / Windows	推荐 Ubuntu 22.04 LTS
Docker	20.10+	必须安装
Docker Compose	V2 (docker compose 命令)	新版 Docker 自带
LLM API Key	至少一个	OpenAI / Anthropic / Gemini 等

3.3 网络要求

• 需要能够访问 Docker Hub 或配置 Docker 镜像代理
• 需要能够访问 LLM API 提供商（如 OpenAI、Anthropic 等）
• 如果使用 Ollama 本地模型，需要有足够的 GPU 显存（推荐 8GB+）

---

4. Docker 部署步骤

4.1 准备工作

步骤 1：安装 Docker 和 Docker Compose

# Ubuntu/Debian
sudo apt update
sudo apt install docker.io docker-compose-plugin -y
sudo systemctl enable docker
sudo systemctl start docker

# 验证安装
docker --version
docker compose version

步骤 2：配置 Docker 代理（如需要）

# 创建 Docker 配置目录
sudo mkdir -p /etc/systemd/system/docker.service.d

# 配置 HTTP 代理（替换为你的代理地址）
sudo tee /etc/systemd/system/docker.service.d/proxy.conf <<EOF
[Service]
Environment="HTTP_PROXY=http://proxy.example.com:8080"
Environment="HTTPS_PROXY=http://proxy.example.com:8080"
Environment="NO_PROXY=localhost,127.0.0.1"
EOF

sudo systemctl daemon-reload
sudo systemctl restart docker

4.2 标准部署步骤

步骤 1：创建工作目录

mkdir pentagi && cd pentagi

步骤 2：下载配置文件模板

# 下载 .env 配置文件
curl -o .env https://raw.githubusercontent.com/vxcontrol/pentagi/master/.env.example

# 下载 LLM 提供商配置示例（可选）
curl -o custom.provider.yml https://raw.githubusercontent.com/vxcontrol/pentagi/master/examples/configs/custom-openai.provider.yml

# 下载 Ollama 配置示例（可选）
curl -o ollama.provider.yml https://raw.githubusercontent.com/vxcontrol/pentagi/master/examples/configs/ollama-llama318b.provider.yml

步骤 3：配置 .env 文件

编辑 .env 文件，填写必填项：

nano .env

最小配置（至少需要以下内容）：

# 必填：LLM 提供商（至少选择一个）
OPEN_AI_KEY=sk-your-openai-api-key
# 或
ANTHROPIC_API_KEY=sk-ant-your-anthropic-api-key
# 或
GEMINI_API_KEY=your-gemini-api-key

# 必填：搜索功能（至少启用一个）
DUCKDUCKGO_ENABLED=true

# 知识图谱（推荐启用）
GRAPHITI_ENABLED=true
GRAPHITI_URL=http://graphiti:8000

# Neo4j 配置
NEO4J_URI=bolt://neo4j:7687
NEO4J_PASSWORD=devpassword

步骤 4：下载并启动 PentAGI

# 下载 docker-compose.yml
curl -O https://raw.githubusercontent.com/vxcontrol/pentagi/master/docker-compose.yml

# 启动所有服务
docker compose up -d

# 查看启动日志
docker compose logs -f

步骤 5：验证服务状态

# 查看运行中的容器
docker compose ps

# 正常输出应包含以下容器：
# - pentagi         (主服务)
# - postgres        (数据库)
# - neo4j           (图数据库)
# - graphiti        (知识图谱)
# - kali-linux      (Kali 工具镜像)

4.3 访问 Web UI

• Web UI 地址：https://localhost:8443（或 http://localhost:8000）
• 默认账号：admin@pentagi.com
• 默认密码：admin
• 首次登录需修改密码

注意：如果使用 HTTPS（8443），浏览器会提示自签名证书警告，选择”高级→继续访问”即可。

4.4 快速卸载

cd pentagi
docker compose down -v
rm -rf pentagi

---

5. 配置文件详解

5.1 .env 核心配置项

配置项	必填	说明	默认值
OPEN_AI_KEY	推荐	OpenAI API 密钥	-
ANTHROPIC_API_KEY	推荐	Anthropic API 密钥	-
GEMINI_API_KEY	可选	Google Gemini API 密钥	-
OLLAMA_SERVER_URL	可选	Ollama 服务器地址	http://localhost:11434
OLLAMA_SERVER_MODEL	可选	Ollama 模型名称	-
DUCKDUCKGO_ENABLED	推荐	启用 DuckDuckGo 搜索	false
GOOGLE_API_KEY	可选	Google Custom Search API	-
TAVILY_API_KEY	可选	Tavily 搜索 API	-
GRAPHITI_ENABLED	推荐	启用知识图谱	true
NEO4J_PASSWORD	推荐	Neo4j 数据库密码	devpassword
ASSISTANT_USE_AGENTS	可选	助手模式使用 Agent	false

5.2 安全配置建议

# 修改 Neo4j 默认密码（强烈建议）
NEO4J_PASSWORD=your-strong-password-here

# 修改默认管理员密码
# 首次登录后通过 Web UI 修改

5.3 高级配置示例

自定义 LLM 提供商配置（custom.provider.yml）：

providers:
  - name: custom-openai
    type: openai
    base_url: https://your-custom-endpoint.com/v1
    api_key: ${OPEN_AI_KEY}
    models:
      - name: gpt-4o
        max_tokens: 16384
        temperature: 0.7
  - name: deepseek
    type: openai
    base_url: https://api.deepseek.com/v1
    api_key: ${DEEPSEEK_API_KEY}
    models:
      - name: deepseek-chat
        max_tokens: 8192

---

6. LLM 提供商配置

6.1 支持的 LLM 提供商

提供商	配置方式	推荐模型	费用
OpenAI	填写 OPEN_AI_KEY	GPT-4o / GPT-4o-mini	按量付费
Anthropic	填写 ANTHROPIC_API_KEY	Claude 3.5 Sonnet	按量付费
Google Gemini	填写 GEMINI_API_KEY	Gemini 2.0 Flash	免费额度
AWS Bedrock	配置 AWS 凭证	Claude 3 / Llama 3	按量付费
Ollama	配置服务器地址	Llama 3 / Qwen 2.5	免费（本地）
DeepSeek	自定义提供商	DeepSeek Chat	低价
通义千问	自定义提供商	Qwen-Max	按量付费

6.2 Ollama 本地模型配置

步骤 1：安装 Ollama

# Linux
curl -fsSL https://ollama.com/install.sh | sh

# 启动服务
ollama serve

步骤 2：下载模型

# 推荐模型（根据硬件选择）
ollama pull llama3:8b            # 8B 参数，适合 8GB 显存
ollama pull qwen2.5:7b           # 7B 参数，中文优化
ollama pull llama3:70b            # 70B 参数，适合 48GB 显存

步骤 3：配置 PentAGI 使用 Ollama

在 .env 中添加：

OLLAMA_SERVER_URL=http://host.docker.internal:11434
OLLAMA_SERVER_MODEL=llama3:8b

6.3 DeepSeek 配置示例

# 在 .env 中添加
DEEPSEEK_API_KEY=sk-your-deepseek-key

# 在 custom.provider.yml 中添加
providers:
  - name: deepseek
    type: openai
    base_url: https://api.deepseek.com/v1
    api_key: ${DEEPSEEK_API_KEY}
    models:
      - name: deepseek-chat
        max_tokens: 8192

---

7. Web UI 使用指南

7.1 登录与首次配置

1. 浏览器访问 https://localhost:8443
2. 使用默认账号 admin@pentagi.com / admin 登录
3. 系统提示修改密码，设置新密码
4. 进入 Settings → LLM Providers，确认已配置的 LLM 连接正常
5. 进入 Settings → Tools，查看已集成的安全工具列表

7.2 两种工作模式

PentAGI 提供两种工作模式：

模式一：Assistant（助手模式）

半自动模式，适合交互式渗透测试：

• 用户可以与 AI 助手对话，逐步指导测试流程
• AI 根据对话上下文执行工具并返回结果
• 适合需要人工参与决策的场景

操作步骤：

1. 点击左侧 Assistant 进入助手模式
2. 输入目标信息（URL / IP / 域名）
3. 与 AI 对话，逐步完成渗透测试
4. 例如："对 192.168.1.100 进行端口扫描"
5. AI 会调用工具并返回结果，用户可继续下发指令

模式二：Automation（自动化模式）

全自动模式，输入目标后完全由 AI 自主执行：

• 只需输入目标，AI 自动完成全流程
• 支持多目标批量扫描
• 自动生成渗透测试报告

操作步骤：

1. 点击左侧 Automation 进入自动化模式
2. 点击 New Task 创建新任务
3. 输入目标 URL 或 IP 地址
4. 选择扫描深度（Quick / Normal / Deep）
5. 点击 Start 开始自动化渗透测试
6. 在任务详情页实时查看进度和结果

7.3 界面功能概览

界面区域	功能
Dashboard	任务概览、统计信息、最近活动
Assistant	半自动助手模式，交互式渗透测试
Automation	全自动扫描模式，批量任务管理
Tasks	所有任务的列表和状态管理
Reports	已生成的渗透测试报告
Knowledge	知识图谱可视化，查看资产关系
Settings	系统配置、LLM 提供商、工具管理

7.4 报告查看

1. 在 Tasks 中找到已完成的任务
2. 点击任务进入详情页
3. 点击 Report 查看生成的渗透测试报告
4. 报告包含：
   • 目标资产清单
   • 发现的漏洞详情（CVE、CVSS 评分）
   • 漏洞利用验证结果
   • MITRE ATT&CK 战术映射
   • 修复建议

---

8. 自动化渗透测试实战

8.1 最小可行测试流程

用户输入目标 URL
    │
    ▼
Phase 1: 信息收集 (Reconnaissance)
    ├─ 子域名枚举 (subfinder, amass)
    ├─ 端口扫描 (nmap -sV -sC -T4)
    ├─ Web 指纹识别 (httpx, whatweb)
    └─ 技术栈检测 (wappalyzer)
    │
    ▼
Phase 2: 漏洞扫描 (Vulnerability Scanning)
    ├─ Nuclei 模板扫描 (CVE/配置/暴露)
    ├─ 目录枚举 (ffuf, dirsearch)
    ├─ URL 收集 (gau, waybackurls)
    └─ 参数发现 (arjun)
    │
    ▼
Phase 3: 漏洞利用 (Exploitation)
    ├─ SQL 注入检测 (sqlmap)
    ├─ XSS 验证 (dalfox)
    ├─ 命令执行尝试
    └─ 文件包含/上传测试
    │
    ▼
Phase 4: 报告生成 (Reporting)
    ├─ 漏洞汇总
    ├─ 利用链分析
    ├─ CVSS 评分
    └─ MITRE ATT&CK 映射

8.2 实际测试示例

场景：对内部靶机进行自动化渗透测试

1. 在 Automation 中创建新任务，目标：http://192.168.1.100:8080
2. 选择扫描深度：Normal
3. 点击 Start，系统开始自动执行

系统会自动执行的操作：

# 1. 端口扫描
nmap -sV -sC -T4 -p- 192.168.1.100

# 2. 子域名枚举（如果目标是域名）
subfinder -d example.com

# 3. Web 指纹识别
httpx -title -tech-detect -status-code -ip -ports 80,443,8080,8443

# 4. 漏洞模板扫描
nuclei -u http://192.168.1.100:8080 -t cves/ -t exposures/ -t misconfigurations/

# 5. 目录枚举
ffuf -u http://192.168.1.100:8080/FUZZ -w /usr/share/wordlists/dirb/common.txt

# 6. SQL 注入检测（如发现注入点）
sqlmap -u "http://192.168.1.100:8080/page?id=1" --batch --level=3

# 7. 生成报告
# 自动生成包含所有发现的 HTML 报告

8.3 API 调用（程序化集成）

PentAGI 提供 REST API 和 GraphQL API，支持 CI/CD 集成：

# 创建自动化任务
curl -X POST https://localhost:8443/api/v1/tasks \
  -H "Authorization: Bearer YOUR_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "target": "https://test.example.com",
    "depth": "normal",
    "mode": "automation"
  }'

# 查询任务状态
curl -X GET https://localhost:8443/api/v1/tasks/{task_id} \
  -H "Authorization: Bearer YOUR_TOKEN"

# 获取任务报告
curl -X GET https://localhost:8443/api/v1/tasks/{task_id}/report \
  -H "Authorization: Bearer YOUR_TOKEN"

---

9. 常见问题与排错

9.1 Docker 相关

Q: 启动后卡在 “Initializing Agent” 状态

• 原因：通常是 LLM API 连接问题或 Docker 镜像拉取失败
• 解决：
  1. 检查 API Key 是否正确：docker compose logs pentagi | grep -i "api_key"
  2. 检查网络连接：docker compose exec pentagi curl -I https://api.openai.com
  3. 确认镜像已拉取：docker compose pull

Q: 拉取 Docker 镜像失败

• 原因：网络问题或 Docker Hub 被墙
• 解决：
  1. 配置 Docker 镜像加速器（如阿里云、中科大镜像）
  2. 或配置 Docker HTTP 代理

Q: 容器启动后立即退出

• 原因：端口冲突或配置文件错误
• 解决：
  1. 检查 8000/8443 端口是否被占用：netstat -tlnp | grep -E '8000|8443'
  2. 检查 .env 文件格式（确保没有多余的空格或注释问题）

9.2 LLM 相关

Q: PentAGI 的 LLM 调用成本高吗？

• 使用 GPT-4o 进行一次完整渗透测试，大约消耗 5-10 万 Token（约 $0.5-1 USD）
• 推荐使用 Ollama 本地模型（免费）或 Gemini（免费额度）
• 可以在 Settings 中设置 Token 消耗上限

Q: 使用 Ollama 本地模型响应慢

• 原因：本地模型推理速度受 GPU 性能影响
• 解决：
  1. 使用量化模型（如 llama3:8b-instruct-q4_K_M）
  2. 确保有足够的 GPU 显存
  3. 配置 Ollama 使用 GPU 加速

9.3 功能相关

Q: PentAGI 扫描速度很慢

• 原因：AI 决策过程需要多次 LLM 调用，这是正常现象
• 解决：
  1. 选择性能更强的 LLM 模型（减少推理时间）
  2. 使用 Quick 深度模式
  3. 设置合理的超时时间

Q: 如何手动终止正在运行的任务？

• 在 Tasks 页面找到任务，点击 Stop 按钮
• 或通过 API：curl -X POST https://localhost:8443/api/v1/tasks/{task_id}/stop

Q: 扫描结果不准确（误报/漏报）

• AI 模型可能存在误报，建议人工审核关键发现
• 可以调整扫描深度为 Deep，覆盖更多测试场景
• 定期更新 Nuclei 模板库

9.4 部署问题汇总

问题	症状	解决方案
API Key 无效	任务卡在初始化	检查 .env 中的 Key 格式和权限
端口被占用	容器启动失败	docker compose down 后修改端口映射
磁盘空间不足	镜像拉取失败	docker system prune -a 清理无用镜像
Neo4j 连接失败	知识图谱不可用	检查 NEO4J_PASSWORD 是否一致
沙盒执行超时	工具长时间无响应	检查目标网络可达性

---

10. 安全注意事项

10.1 法律合规红线

• 授权测试：PentAGI 只能在获得明确授权的目标上进行测试，严禁对未授权目标使用
• 数据保护：测试过程中产生的敏感数据（密码、凭证、数据库内容）须妥善保管
• 合规要求：遵守所在国家/地区的网络安全法律法规

10.2 部署安全

• 修改所有默认密码（Neo4j、Web UI 管理员）
• 在生产环境部署时，使用反向代理（如 Nginx）并配置 TLS 证书
• 不要在公网直接暴露 PentAGI 的 Web 管理界面
• 使用 docker compose down -v 彻底清理测试环境的敏感数据

10.3 操作安全

• 建议在隔离的虚拟机或专用服务器上部署
• 测试完成后，及时清理 Docker 容器和日志
• 不要在 PentAGI 的配置文件中存储真实的生产环境凭证
• 定期更新 PentAGI 和 Nuclei 模板库

10.4 资源限制建议

配置项	建议值	说明
并发扫描数	≤ 5	避免对目标造成压力
请求间隔	≥ 500ms	避免触发 WAF/限流
单任务超时	6 小时	防止无限循环
单目标最大轮次	5 轮	避免资源浪费

---

参考资源

资源	链接
官方 GitHub	https://github.com/vxcontrol/pentagi
官方网站	https://pentagi.com
VXControl 官网	https://vxcontrol.com
Kali Linux 镜像	https://github.com/vxcontrol/kali-linux-image
PentAGI Taxonomy	https://github.com/vxcontrol/pentagi-taxonomy
Graphiti Go Client	https://github.com/vxcontrol/graphiti-go-client

---

免责声明：本教程仅供安全研究和授权测试使用。未经授权使用 PentAGI 对目标进行渗透测试可能违反法律法规，使用者需自行承担全部法律责任。