ARTEX开源:AI Agent驱动渗透测试,Planner与Worker如何分工
ARTEX 是一个基于 LLM Agent 的自动化渗透测试平台,采用 Go 和 Next.js 构建。它通过 Planner 和 Worker 协作,自动梳理资产、生成攻击向量并记录流量。本文介绍其核心架构、部署流程及在授权测试中的实际应用,强调人工复核的重要性。
渗透测试为什么需要AI介入
渗透测试一直很吃工程师的个人经验。信息收集、漏洞验证,每个环节都得靠人来判断。系统越来越复杂,微服务和云原生架构铺开之后,资产边界变得模糊,手工梳理的成本也一路走高。
另一边,大语言模型在代码理解和逻辑推理上不断进步,让“自动化”有了新的想象空间。AI不只会写脚本,还能读懂业务逻辑,模仿攻击者的思路走一遍。ARTEX就是这样一个尝试:它并非把扫描器简单堆在一起,而是一套由AI Agent驱动的自主渗透测试系统。
项目已经开源在GitHub上,技术栈相当新:后端Go,前端Next.js,数据放在PostgreSQL里。目标很明确——在授权范围内,替安全人员完成重复性的资产梳理和初步探测,把更多时间留给深度挖掘。
核心架构:Planner与Worker如何协作
ARTEX的设计借鉴了多智能体协作的思路。所有逻辑没有被塞进一个黑盒,而是拆成“思考”和“执行”两块。
任务规划层(Planner)
Planner负责思考。它不直接发HTTP请求,而是盯着当前任务状态,判断下一步该干什么。比如发现了一个子域名,Planner要判断:先做端口扫描,还是直接尝试指纹识别?此前的探测如果失败了,是换工具重试,还是放弃这个方向?
这种动态规划能力,正是ARTEX与传统漏扫拉开差距的地方。传统工具按固定插件顺序跑,ARTEX则会根据反馈调整策略。
任务执行层(Worker)
Worker负责动手。它们并行干活,执行具体命令。系统既能调用Bash、HTTP请求这类基础工具,也接入了更专业的安全工具。每个Worker跑完,会把结果写回数据库,比如发现的IP、开放的端口、返回的Header。
数据关联:资产图与探索图
为了让AI“记住”上下文,ARTEX维护了两张图:
- 资产图:记录域名、子域、IP、服务、应用和API端点之间的物理关系。这解决了“测了什么”的问题。
- 探索图:记录测试意图、中间事实、漏洞发现之间的逻辑来源。这解决了“怎么发现的”问题。
两张图关联起来之后,界面上能看到完整的证据链。比如某个SQL注入漏洞是怎么发现的,可以一路追溯到哪个子域名、通过哪个参数、用了什么Payload触发。这种可追溯性,对后续写报告和复测都很重要。
扩展机制:MCP与技能包
ARTEX没有把自己封闭起来。它支持Model Context Protocol (MCP),接入新工具或数据源很方便。比如想让Agent查询内部的CMDB系统,或者调用一个自定义的指纹识别脚本,只要配置相应的MCP Server或Skill就行。
系统还提供了工具审批机制。删除文件、执行系统命令这类高风险操作,可以设置人工确认环节,避免Agent“失控”导致业务中断。
部署指南:Docker一键启动
ARTEX的部署对新手比较友好,官方提供了安装脚本。建议在Linux环境或Windows WSL2下运行。
1. 克隆代码
git clone https://github.com/Autumn-27/ARTEX.git
cd ARTEX2. 执行安装脚本
运行 ./install.sh。脚本会自动检测Docker环境,如果没有安装,它会尝试自动安装。
界面上给出两个选项:
- 一是全部 Docker 安装这是推荐的那一项。脚本会帮你生成
.env这个文件,Postgres 密码由你设定(直接回车也能随机生成),随后所有容器一并拉起。 - 本地运行:更适合开发者调试。Go 环境要自己配,数据库连接也得手动填,编译出来是单二进制文件,跑起来即可。
选 1 之后,脚本会去执行docker compose up -d。等上几分钟容器起来,就能用docker ps 查看状态。
3. 访问系统
服务默认监听8787端口。浏览器里打开http://127.0.0.1:8787/,第一次访问要先设管理员密码。进系统以后,头一件事是填 LLM 的 API Key。
实际使用:从配置到报告
配置模型
设置页面里,把你用的 LLM 提供商(OpenAI、Anthropic,或者本地部署的 Ollama)的 API Key 和地址填进去。模型最好挑推理强一点的,Planner 要做复杂决策。本地部署的话,Qwen2.5-Coder、Llama3 都可以考虑。
新建任务
点“新建任务”,把基本信息填好:
- 任务名称:方便以后检索。
- 测试对象:域名、IP 段或某个具体 URL 都行。
- 期望目标:用自然语言写,例如“查找未授权的 API 接口”“检测常见的 OWASP Top 10 漏洞”。
监控执行
任务跑起来后,界面上能实时看到 Agent 的工作流:左边资产树,右边执行日志。Planner 出计划、Worker 领任务、再输出结果,整个过程都能看见。一旦发现异常,任务随时可以暂停。
结果复核
这一步最要紧。ARTEX 给出的漏洞报告只是初稿。AI 会误报,比如正常的 404 页面被当成敏感信息泄露,WAF 的拦截被当成漏洞已修复。
每个发现都得结合业务场景人工验证,确认漏洞确实存在,再导出报告。直接把 AI 的结果丢给客户,是不专业的做法。
局限性与风险
ARTEX 提效归提效,可它不是银弹。
先说成本。LLM 的 Token 消耗不低,资产规模一大、探索一深,API 费用可能比请一个初级渗透工程师还高。
再说可控性。审批机制虽然有,Agent 的行为依旧有不确定性。放到 production 环境用,测试范围务必收窄,核心交易链路要避开。
法律边界同样绕不开。自动化攻击工具一旦被滥用,后果不小。ARTEX 从开源转向部分闭源的讨论,本身就说明社区在担心这个风险。使用者这边,所有测试都必须拿到书面授权才能动手。
写在最后
ARTEX 反映的是安全测试的一种走向:从“工具辅助人”变成“人机协作”。它替代不了资深安全专家,但初级人员的生产力能被大幅释放——繁琐的信息收集交给它,人腾出手来盯更复杂的逻辑漏洞。团队真要引入这类平台,工作流程就得重新搭。AI 生成的资产数据、漏洞线索怎么管,需要立新规矩。这事要花时间,但值得试。
正为 SRC(安全响应中心)的海量资产发愁,或者想看看 AI 在安全领域能怎么落地,ARTEX 算个不错的起点。说到底,工具只是手段,安全的核心始终是人。