CyberStrikeAI 拆解：AI 原生安全的「执行中枢」是怎么治理 Agent 的 | Wester's blog

一、速览：值不值得你花时间

推荐指数：★★★★☆（4.5 / 5）

给到这个分数的理由：它是目前少见把治理做进主干的 AI 安全执行平台，不是又一个「套壳调 nmap 的 LLM demo」。扣掉的半颗星在于部署和调教成本不低 —— 你得有能用的模型 API、能接受 Go 技术栈，还得有配套的授权流程。

关键数据（截至 2026-09-18）

项	值
语言	Go（部分工具跑在 Python venv 里）
Star / Fork	6,879 / 1,173
许可证	Apache-2.0（明确允许二次开发与商用）
活跃度	今天仍在提交；Open Issues 61
首次发布	2025-11（约 10 个月涨到近 7k star，增速很猛）
官方标签	ai-agents、mcp、pentesting-tools、ctf-tools

适合谁

人群	匹配度	说明
红队 / 渗透工程师	★★★★★	100+ 工具配方覆盖完整攻击链，攻击链建模和跨会话项目是刚需
AI 安全研究员	★★★★★	治理层（审批、拦截、审计 Agent）本身就是很好的研究对象
企业安全运营	★★★★☆	RBAC、审计日志、资产管理齐全，但前提是已有授权审批流程
CTF 选手	★★★☆☆	内置 CTF 工具分类（stegsolve、zsteg、cyberchef 等），但平台偏重，临场不如小工具快
个人学习 / 随手玩	★★☆☆☆	要 Go 环境 + 模型 API + 一堆外部工具，起步成本不低

一句话判断：它服务的是「有流程的团队」，不是「想一键出报告的个人」。

二次开发

难不难？分层看：

改动层级	难度	说明
加工具配方	★☆☆☆☆	`tools/` 下写一个 YAML，不用碰 Go 代码
加 Skills / 角色	★★☆☆☆	目录结构固定，照 `skills/`、`roles/` 示例抄即可
接外部系统（API / 机器人）	★★★☆☆	有 API 参考和 Recipes，但要理解鉴权与 Scope
改 Agent 编排内核	★★★★☆	Go + Eino 框架，得吃透它的多智能体模式

对大多数人来说，加工具配方 + 加角色这两层已经够用，也几乎不需要写代码。

二、先说它是什么，不是什么

最近 AI 安全工具大体分两派：

评估派：Garak、Promptfoo 这类，拿一堆探针打模型，看它抗不抗打，产出是一份分数报告
执行派：让 Agent 真的拿起 nmap、sqlmap、nuclei 去干活

CyberStrikeAI 属于后者，而且它给自己贴的标签很准确 —— 执行中枢，不是扫描器。

让意图转化为受治理的行动，让证据沉淀为运营记忆，并让每次行动优化下一次行动。

这句话是它的主线，也是理解整个项目的钥匙。

三、技术栈与六段闭环

层	选型	说明
语言	Go 1.25+	单体后端，`cmd/server/main.go` 一个入口
编排	Eino	字节开源的 Go 语言 LLM 应用框架
工具协议	MCP	支持 HTTP、stdio、SSE、外部联邦、动态发现
持久化	SQLite	对话、资产、漏洞、审计日志
工具运行时	Python 3.10+ venv	部分工具（api-fuzzer 等）自动走虚拟环境

前端是自带的 Web 控制台，另外提供 Burp Suite 插件和 Chrome/Edge 扩展（在 DevTools 里抓流量回传）。

1 意图 ──► 2 编排 ──► 3 治理
                        │
                        ▼
6 记忆 ◄── 5 证据 ◄── 4 执行
   │
   └──────► 反哺下一次规划（虚线）

1 · 意图：自然语言下达，比如「扫描 192.168.1.1 的开放端口」。

2 · 编排：Eino 支撑单智能体，以及 Deep、Plan-Execute、Supervisor 三种多智能体模式。工作流用 Agent / 工具 / 条件 / 审批 / 输出五类节点拼装 —— 注意「审批」被做成了一等节点，这很少有项目这么做。

3 · 治理（差异化所在）：

审批模式 + 工具白名单
审计 Agent 复核 + 决策追踪
MCP 调用前正则拦截，带试匹配和提醒模板，默认启用政府域名保护
平台 RBAC：多用户、自定义角色、权限 Scope、资源归属
登录保护 + 审计日志

4 · 执行：100+ 精选 YAML 工具配方，覆盖网络扫描、Web 扫描、漏洞利用、云安全、取证、后渗透等 15 类；MCP 侧支持联邦和动态工具发现。

5 · 证据：数据库里存的是与 Agent 实际看到的同一份兜底后结果，恢复历史时还会再做一次超大输出防御。

6 · 记忆：RAG 知识库（查询改写 + 向量检索 + 精排 + 后处理）、Agent Skills 渐进式加载、项目与攻击链建模（跨会话关联事实、风险评分、图谱视图、步骤回放）。

四、几个真正见功力的工程细节

弹性工具执行：解决「Agent 干等」

这是我认为最值得抄的一块。渗透工具经常跑很久（一次全端口 nmap、一个大范围 nuclei），如果 Agent 同步阻塞等待，要么超时要么把上下文炸掉。

它的做法是：

阻塞型 MCP / 工具调用交给 worker，Agent 只有限等待
用 execution_id 支持多轮等待和主动取消
单 server 熔断、并发限制
统一输出兜底 —— 工具吐 5MB 报告也不会把上下文撑爆

配合上面「证据」那一环，形成闭环：兜底后的结果既是 Agent 看到的，也是入库的，前后一致。

视觉分析只回传文字摘要

截图、验证码、UI 交给独立的视觉模型，对话里只留文字结论。同样的上下文洁癖。

工具配方是 YAML，不是硬编码

tools/ 下 100+ 个 YAML 配方，新增工具不用改 Go 代码。这既是它的资产也是门槛 —— 想用得好，得先花时间校对自家环境里到底装了哪些工具（未安装的执行时会自动跳过或换替代方案）。

五、上手

1
2
3

git clone https://github.com/AIPentest/CyberStrikeAI.git
cd CyberStrikeAI
chmod +x run.sh && ./run.sh

run.sh 一条命令搞定：校验 Go/Python 环境 → 建 venv → 装 Python 依赖 → 拉 Go 模块 → 编译 → 启动。默认以 HTTPS + 自签证书 跑在 8080（多路流式场景更稳），要明文 HTTP 用 ./run.sh --http。

首次启动控制台会打印一次 admin 初始密码，登录后第一件事是改掉。

最小配置只要一个 AI 通道：

server:
  host: "127.0.0.1"
  port: 8080
ai:
  default_channel: openai-main
  channels:
    openai-main:
      provider: openai_compatible
      api_key: "${OPENAI_API_KEY}"
      base_url: "https://api.openai.com/v1"   # 或 deepseek / qwen 等兼容端点
      model: "gpt-4o"