Cairn 拆解：不定义角色、不写工作流，让 Agent 自己在状态空间里搜路

一、速览：值不值得你花时间

推荐指数：★★★★☆（4 / 5）

给到这个分数的理由：它是我最近看到的、思路上最不一样的一个开源 AI 安全项目。绝大多数同类工具做的是「把渗透流程拆成角色和阶段，然后让 Agent 各司其职」；Cairn 反过来 —— 不定义角色、不定义工作流，只给一个起点和一个终点，让引擎自己在近乎无限的状态空间里搜路径。而且它不是纸上谈兵：腾讯云黑客松 AI 渗透测试挑战赛第二届，610 支队伍里唯一 AK（54/54）。

扣掉的一颗星在三个地方：项目只有 5 个月（2026-04 才开源）；AGPL-3.0 且 README 额外挂了一条「商用需联系作者」的声明（合规上要留意）；Worker 后端依赖 Claude Code / Codex / Pi，跑一次完整搜索的 token 账单不会好看。

关键数据（截至 2026-09-20）

适合谁

二次开发

允许吗？ AGPL-3.0 允许改、允许自用，对外提供服务需要开源你的改动。README 里额外那句「个人与教育用途，商用请联系我」是作者单方面加的 —— AGPL 本身不区分个人与商用，合规时两条都要顾及，真要落地建议先问作者。

难不难？ 分三层：

• 换模型后端 / 改配置：★☆☆☆☆（dispatch.yaml 里填 LLM endpoint 和 worker 类型即可）
• 改集成：★★★☆☆（Server 提供读写的 HTTP API，接外部系统不难，但协议由 Dispatcher 独占写入）
• 改内核：★★★★☆（黑板图、调度策略、Stigmergy 协调都在内核，Python 写的但抽象层次高，得先吃透 OODA 和三类任务）

二、先说它是什么，不是什么

它不是「又一个 AI 渗透测试工具」。README 第一句就写清楚了：Cairn 是一个通用问题求解引擎，渗透测试只是它被验证过的第一个问题域。

作者给的定义是这样的：

渗透测试本质上是一次在近乎无限的状态空间里的定向搜索：起点已知（目标 IP、目标系统），终点明确（拿 shell、拿 flag），路径未知。

这个结构不是渗透测试独有的 —— 漏洞研究、数学证明、CTF 题目，凡是「起点清楚、成功条件清楚、中间路径未知」的问题，都是同一个形状。

拿第 2 期的 Shannon 对比一下就很直观：Shannon 是「读源码 → 找攻击面 → 真打一遍 → 验证 → 出报告」，角色和阶段是写死的；Cairn 是零角色、零工作流，你只给 origin 和 goal，路径由引擎自己长出来。

三、黑板架构：Fact / Intent / Hint 三件套

引擎建在 Blackboard Architecture 上，配一张显式的事实—意图图。整个系统只有三个原语：

图从 origin 朝 goal 生长。每个新 Fact 是一块踏脚石，每个 Intent 是迈向未知的一步。

Agent Worker 跑的是 OODA 循环：Observe（读整张图）→ Orient（定位当前状态）→ Decide（决定下一步 Intent）→ Act（去探索），然后把发现写回成新的 Fact。

协作方式也值得单独说：Agent 之间没有任何直接通信，只通过共享黑板读写来间接协调 —— 也就是 Stigmergy。好处是没有信息孤岛，也不用付「Agent 互传上下文」的成本；坏处是单个 Agent 看不到别人的推理过程，只能看到别人留下的结论。

四、三类任务：角色是运行时长出来的

三类任务，全部由同一个 Worker 执行：

注意这里没有「侦察 Agent」「利用 Agent」「报告 Agent」这种固定分工 —— 任务是从图的当前状态在运行时生成的，不是从预定义的工作描述里派发的。这是 Cairn 和绝大多数 Multi-Agent 框架最本质的区别。

五、系统架构：Server / Dispatcher / Worker 三层

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

     ┌──────────────────────────────────┐
     │           Cairn Server           │
     │    Facts + Intents + Hints       │
     └─────────────────┬────────────────┘
                       │
                Read / Write API
                       │
     ┌─────────────────┴────────────────┐
     │             Dispatcher           │
     │   调度任务、管理容器、写协议      │
     └──────────┬───────────────┬───────┘
                │               │
┌───────────────┴──┐     ┌──────┴──────────────┐
│  Worker Container│     │  Worker Container   │
│   (Project A)    │     │   (Project B)       │
└──────────────────┘     └─────────────────────┘

• Cairn Server：只维护图的一致性，别的都不管。
• Cairn Dispatcher：读图、调度任务、拉起和销毁 Worker 容器，并且是协议的唯一写入方。
• Worker Container：每个项目一个，里面多个 Agent Worker 并发跑。Worker 只收一个 prompt，返回结构化输出。

不想开 Docker 的话有 local mode：不开容器，直接在调度主机上复用你已经登录好的 claude / codex / pi CLI，配置文件里也不用放 API key。代价是 Agent 以你的用户权限运行、没有沙箱 —— 别在主力机上无脑开。

六、战绩：腾讯云黑客松 54/54 唯一 AK

腾讯云黑客松 · AI 渗透测试挑战赛 · 第二届

610 支队伍 · 1,345 名参赛者 · 来自国内顶尖高校和安全厂商

比名次更有意思的是 README 里那句坦白：

系统在赛前从未完整测试过。整条流水线是比赛当天凌晨 4 点第一次跑起来的。没有训练、没有调优、没有领域专用工具。零 MCP 工具、零 RAG、零预定义 Agent 角色。

换句话说，AK 不是靠堆工具链和提示词调出来的，而是这套「状态空间搜索」本身在陌生题目上的泛化能力。这恰恰是它想证明的东西。

七、上手

前置：macOS 或 Linux、Python ≥ 3.12、Docker（仅容器模式需要）。

1
2
3
4
5
6
7
8
9

# 1. 拉 Worker 容器镜像
docker pull --platform=linux/amd64 ghcr.io/oritera/cairn-worker-container:latest
docker pull ghcr.io/astral-sh/uv:python3.13-trixie

# 2. 建配置，填你的 LLM endpoint 和 API key
cp dispatch.example.yaml dispatch.yaml

# 3. 起服务
docker compose up --build

docker compose 会先起 cairn-server（:8000），健康检查通过后再起 cairn-dispatcher，数据落在 ./datas/cairn/。

不想用 Docker（local mode）：

1
2
3

cp dispatch.local.example.yaml dispatch.yaml   # runtime.execution: local
uv run --project cairn cairn serve
uv run --project cairn cairn dispatch --config dispatch.yaml

启动时 dispatcher 会检查每个 worker CLI 是否已安装、可运行，并提醒你必须已经登录。

跑测试（不需要 Docker 和真实模型 endpoint）：

1

uv run --project cairn --group dev pytest

八、边界与风险（这几条别跳过）

1. AGPL-3.0 + 商用授权声明：想在公司里用，先想清楚合规；真要落地建议直接联系作者拿商业授权。
2. 会真动手：和 Shannon 一样会改变目标系统状态，只在明确授权的环境里跑。
3. 模型成本：Worker 后端是 Claude Code / Codex / Pi，一次完整搜索的 token 消耗不是小数目，先小规模试。
4. 太年轻：2026-04 才开源，5 个月，API 和内部结构都可能变。
5. local mode 无沙箱：Agent 以你的用户权限运行，别在存了重要东西的机器上裸跑。

九、一句话结论

如果你想看的是「AI 怎么在没有剧本的情况下自己找路」，Cairn 是目前开源里最接近答案的项目之一；如果你要的是「今天就能接进 CI 的渗透报告」，它还太年轻，Shannon 那种固定流水线更实际。