coding-plan-mask
🎭 Mask your Coding Plan API for any AI coding tool - OpenAI-compatible proxy with tool masking, request relaying, and multi-provider support
- 90
- Go
- MIT
- 5 mo ago
一个用于自动化渗透的思路验证DEMO
Repo systemime/auto_attack, read from GitHub 1 min ago. systemime has not joined Take My Repo.
systemime/auto_attack is a public repo on GitHub by systemime. 一个用于自动化渗透的思路验证DEMO. It declares no license on GitHub. Public does not mean open source: without a license, nobody is granted the right to reuse it. It is written mainly in Python, has 0 stars and last changed on 2026-07-05. It is archived: its maker no longer maintains it. Nobody has reviewed it on Take My Repo yet, which says nothing about its quality. Read from GitHub on 2026-11-20.
In the maintainer's words. Shown from GitHub; Take My Repo does not keep a copy.
生产内测级黑盒 AI Agent 自动化渗透平台核心。默认单机运行;分布式模式使用 Redis queue + workspace blackboard。
| 模块 | 状态 |
|---|---|
| Scope/policy/deny/CIDR/subdomain guard | 已实现 |
| Planner → skills/router → executor/worker → analyst → reporter | 已实现 |
本地 skills list/test/enable/disable/normalize/validate |
已实现 |
| JSON skill manifest 目录加载、元数据路由、冲突控制 | 已实现 |
| Intrusive 双 gate + approval queue | 已实现 |
| AI planner JSON gate,读取 blackboard observations/findings,不执行 LLM shell | 已实现 |
| SQLite blackboard:runs/tasks/observations/findings/events/artifacts | 已实现 |
| Queue:SQLite 单机队列;Redis 分布式队列;claim/lease/retry/worker | 已实现 |
| Resume:command digest cache,失败可重试 | 已实现 |
| Evidence:raw output、command digest、confidence、first/last seen | 已实现 |
| 报告:Markdown / findings JSON / observations JSON / SARIF / events JSONL | 已实现 |
| Web 控制台:dashboard、覆盖矩阵、发现详情、过滤、jobs/approval 干预 | 已实现 |
| Web 证据:auth header/cookie、katana URL crawl、HAR 导入 | 已实现基础能力 |
| Docker:非 root、固定 ProjectDiscovery release URL、SHA256 校验 | 已实现 |
python3 autoattack_agent.py init --output policy.json python3 autoattack_agent.py run 127.0.0.1 \ --policy policy.json \ --workspace runs/local \ --profile quick \ --rounds 1 \ --max-steps 0 \ --timeout 1 python3 autoattack_agent.py status runs/local python3 autoattack_agent.py report runs/local --format md,json,sarif,events
无 --policy 时只允许 smoke:--profile quick --max-steps 0 --rounds 1。
最小 policy 字段:
{
"scope": {"roots": ["127.0.0.1", "localhost"], "deny": []},
"limits": {"max_rounds": 3, "max_steps": 200, "max_workers": 8, "timeout_seconds": 180},
"tools": {"allow": ["subfinder", "httpx", "katana", "nuclei", "nmap"], "intrusive": ["sqlmap", "zap-baseline", "nikto"]},
"approval": {"intrusive": false}
}核心功能只依赖 Python 3.11+ 标准库。外部工具按 PATH 自动启用;没安装则对应 skill 不运行。
| 能力 | 工具 | 建议版本/说明 |
|---|---|---|
| 端口/服务指纹 | nmap |
7.93+ |
| 子域发现 | subfinder |
ProjectDiscovery v2+ |
| HTTP 指纹 | httpx |
ProjectDiscovery v1+,不是 Python httpx 包 |
| URL 爬取 | katana |
ProjectDiscovery v1+ |
| 模板漏洞扫描 | nuclei |
ProjectDiscovery v3+,建议同步 nuclei-templates |
| 攻击面枚举 | amass |
v4+,可选 |
| Web 技术识别 | whatweb |
可选 |
| Web 基线扫描 | nikto |
可选,intrusive |
| SQL 注入验证 | sqlmap |
1.8+,intrusive |
| ZAP baseline | zap-baseline.py |
OWASP ZAP Docker/脚本,可选,intrusive |
| 分布式队列 | redis-server |
Redis 6/7;redis://host:6379/0 |
Docker 镜像内置:Debian bookworm nmap、sqlmap、ProjectDiscovery httpx/nuclei/subfinder/naabu/katana。ProjectDiscovery zip 不进主仓库,构建时按 docker-assets/manifest.tsv 下载并校验 SHA256;本地可执行 docker-assets/fetch.sh 预取缓存。
裸机安装建议:先装 Python 3.11+、nmap、redis-server,ProjectDiscovery 工具按官方 release 或 go install 放入 PATH;嫌麻烦直接用本仓库 Dockerfile。
本项目运行时零 Python 第三方依赖;修改代码后跑最小验证链:
python3 -m venv .venv
. .venv/bin/activate
python3 -m py_compile autoattack_agent.py
python3 -m unittest -v
python3 autoattack_agent.py selftest
python3 tests/perf_smoke.py涉及 CLI 示例时同步检查:
python3 autoattack_agent.py --help python3 autoattack_agent.py run --help python3 autoattack_agent.py worker --help python3 autoattack_agent.py web --help
本实现从 dqlite/libSQL/Redis 三类候选中选择 Redis:部署最简单,worker 语言无关,当前代码用 stdlib RESP 客户端,不增加 Python 依赖。
协调端只规划并入队,worker 消费同一个 workspace;跨节点时使用 Redis:
docker run -d --name aa-redis -p 6379:6379 redis:7-alpine
python3 autoattack_agent.py run 127.0.0.1 \
--policy policy.json \
--workspace /shared/run1 \
--distributed \
--queue-backend redis \
--redis-url redis://127.0.0.1:6379/0 \
--max-steps 4
python3 autoattack_agent.py jobs /shared/run1 --limit 50 --recent
python3 autoattack_agent.py worker /shared/run1 \
--worker-id node-a \
--queue-backend redis \
--redis-url redis://127.0.0.1:6379/0
python3 autoattack_agent.py status /shared/run1Redis 只负责 job queue;状态、证据、报告仍写入 workspace。跨节点必须让所有节点访问同一 workspace(NFS/共享卷/对象挂载),并保持相同外部工具版本。--execution-mode queue --queue-backend sqlite 只适合单机多进程/测试;生产分布式使用 Redis。
仅用于整体态势展示和少量人工干预。默认只绑定 localhost:
python3 autoattack_agent.py web runs/local --host 127.0.0.1 --port 8765
控制台展示 status、skill stats/trend、findings、tasks、jobs、approval,并可 approve/deny pending approval。不要直接暴露公网;远程访问放到 SSH tunnel、VPN 或带认证的反向代理后面。
大量 skills 处理机制的生产级评估见 analysis/SKILLS_SCALE_READINESS.md。
Skills 处理链路:
ToolRegistry 先把 PATH 中可用外部工具建成内置 tool skills;python-recon 始终作为内置基线 skill。SkillRegistry 再加载 --skills-dir / AUTOATTACK_SKILLS_DIR 下的 JSON manifest:旧字段迁移、schema/版本/risk/phase/tool 校验、默认 tags/capabilities/input/output schema 补齐、依赖与冲突规范化。priority + query term weight 评分,并生成 skillset_sha256;每个候选暴露 contract_sha256,AI planner 只拿 Top-K 摘要。SkillRouter 对每个 target 按 profile、--tools/元数据选择器、policy allowlist、工具可用性、depends_on、needs_url、query、priority 和 conflicts 选出可执行计划。approval.intrusive=true + --approve-intrusive 或人工 approve 时进入 approval_required;批准后 resume 继续。skill_routing_summary、skill_runs、events 写入 workspace,可用 skills explain/eval/stats/trace 复盘候选、跳过原因、命中得分和执行结果。路由要点:quick 只取 recon/fingerprint,默认 profile 跳过 bruteforce,deep 不按 phase 收窄;--tools 支持 skill/tool 精确名,也支持 tag:*、cap:*、phase:*、risk:*、source:* 先收窄候选;manifest 没有绑定 tool 时只进 catalog,不进入执行计划。
python3 autoattack_agent.py skills schema python3 autoattack_agent.py skills doctor python3 autoattack_agent.py skills list python3 autoattack_agent.py skills search "headers scan" --tools cap:http --limit 10 python3 autoattack_agent.py skills list --source manifest --query headers --limit 20 --summary python3 autoattack_agent.py skills test python-recon python3 autoattack_agent.py skills --skills-dir skills show web.headers --raw python3 autoattack_agent.py skills disable nuclei python3 autoattack_agent.py skills enable nuclei python3 autoattack_agent.py skills --skills-dir skills validate skills python3 autoattack_agent.py skills validate skills --strict python3 autoattack_agent.py skills normalize skills/web_headers.json python3 autoattack_agent.py skills normalize skills --write python3 autoattack_agent.py skills --skills-dir skills explain https://example.com --profile deep --query "headers scan" --tools cap:http python3 autoattack_agent.py skills --skills-dir skills eval skills-routing-eval.json python3 autoattack_agent.py skills stats runs/local --limit 20 python3 autoattack_agent.py skills stats runs --recursive --limit 20 python3 autoattack_agent.py skills trace runs/local --target https://example.com --skill web.headers
外部 skill 用 JSON manifest 维护;可放到任意目录,运行时通过 --skills-dir 或 AUTOATTACK_SKILLS_DIR 加载:
{
"name": "web.headers",
"schema_version": 1,
"min_agent_version": "1.0.0",
"version": "1",
"description": "Check HTTP response headers",
"phase": "fingerprint",
"risk": "safe",
"tool": "httpx",
"tags": ["web", "headers"],
"capabilities": ["http", "headers"],
"priority": 80,
"needs_url": true,
"input_schema": {"type": "object", "required": ["target"]},
"output_schema": {"type": "object"},
"depends_on": {"python-recon": ">=1"},
"conflicts": []
}skills schema 可输出 manifest JSON Schema 给 CI/IDE 使用;skills doctor 可快速检查 registry 健康度、不可用工具、disabled/metadata-only 分布;skills normalize 支持单文件/目录批量输出,兼容 schema_version: 0 与常见旧字段别名,--write 可原子回写规范 JSON;skills validate --strict 可作为 CI 门禁,要求文件已是规范化结果。Manifest 字段会被规范化和校验:name/schema_version/min_agent_version/max_agent_version/version/description/phase/risk/tool/enabled/tags/capabilities/priority/needs_url/input_schema/output_schema/depends_on/dependency_versions/conflicts;未填写 tags/capabilities 时会从 phase/tool/name 自动补齐基础路由元数据。tool 绑定已有外部工具时可执行;没有 tool 的 manifest 只进入 catalog,不会进入执行计划。Router 会按 profile、policy、目标类型、工具可用性、depends_on、priority、term inverted index/query weight 和 conflicts 选择候选;--tools 支持精确 skill/tool 名,也支持 tag:*、cap:*、phase:*、risk:*、source:* 元数据选择器,便于从大量 skills 中先收窄候选面。AI planner 只收到 Top-K 可执行候选摘要和 contract_sha256;需要详情时用 skills show 按名称二级加载完整规范 manifest/源 JSON 与 input/output schema。skills search 用倒排 term index 和 score_detail 快速召回候选;skills list 支持 phase/risk/source/state/tag/capability/query/limit/offset/sort 过滤分页;skills explain 输出 candidates、plans、skipped、score/score_detail、skipped_reason_counts 和 skillset_sha256,用于审计海量 skills 场景下为什么选中或跳过;skills eval 可用 JSON cases 固化路由期望,作为大量 skills 变更后的回归门禁;skills stats 从单个 workspace 或 runs 目录汇总 skill_runs、trend 和 routing events,用于查看高频 skill、状态分布、执行耗时和跳过原因;skills trace 输出目标/skill 的路由与执行时间线。
运行时加载:
python3 autoattack_agent.py run https://example.com \ --policy policy.json \ --workspace runs/skills \ --skills-dir skills \ --profile deep
侵入式工具需要 policy approval.intrusive=true 且 CLI --approve-intrusive;未预授权的 intrusive skill 会进入 approval queue:
python3 autoattack_agent.py approvals runs/local python3 autoattack_agent.py approve runs/local REQUEST_ID python3 autoattack_agent.py resume runs/local
AI planner:
OPENAI_API_KEY=... python3 autoattack_agent.py run example.com \ --policy policy.json \ --workspace runs/ai \ --ai-planner \ --tool-runtime privileged-docker
LLM prompt 会包含当前 blackboard 的 observations/findings 摘要,以及 --tool-runtime 运行时上下文。输出只接受 {"tasks":[{"target":"...","skill":"...","reason":"...","risk":"..."}]},仍会经 scope/policy/router/approval;模型不能直接提交 shell command。
JSON 兜底机制:prompt/system message 要求 JSON-only;返回后先 json.loads(),失败时只抽取第一段 {...} 再解析;解析后必须是 object 且含 tasks list;每个 task 的 skill 必须来自当前可用 skill candidates,target 仍经 scope/policy/router/approval。解析失败、字段不符、skill 不在候选集都会记录事件并返回空计划,因此最坏结果是“不新增 AI 计划”,不是执行模型幻觉命令。这是轻量生产可用的 guardrail,但不是 OpenAI Structured Outputs / JSON schema constrained decoding 级别;需要强 schema 保证时应升级到 Responses/Chat JSON schema。
内置轻量能力:
python3 autoattack_agent.py run https://app.example \ --policy policy.json \ --header "Authorization: Bearer TOKEN" \ --cookie "sid=..." python3 autoattack_agent.py import-har runs/local traffic.har
--header/--cookie 供 Python 内置 HTTP probe 使用,适合带登录态的轻量探测。katana skill 可做 URL discovery/crawl。import-har 被动导入 HAR,保留请求/响应状态作为证据。workspace/
run.json
policy.json
state.sqlite3
raw/
report.md
findings.json
observations.json
report.sarif.json
events.jsonl
state.sqlite3 包含:runs/tasks/observations/findings/command_cache/tool_runs/artifacts/events/skills/skill_runs/approval_requests/job_queue;Web API、jobs、approvals 和黑板快照支持分页/最近 N 条读取,避免长期运行时全表拉取。
docker-assets/manifest.tsv 固定 ProjectDiscovery release URL 与 SHA256;build 阶段下载并校验 checksum。本地 zip 缓存被 .gitignore 排除,不进入主仓库。
mkdir -p runs && chmod a+w runs # 容器内非 root 用户写 /runs docker build -t autoattack-agent . docker run --rm -v "$PWD/runs:/runs" autoattack-agent init --output /runs/policy.json docker run --rm -v "$PWD/runs:/runs" autoattack-agent run 127.0.0.1 \ --policy /runs/policy.json --workspace /runs/local \ --profile quick --rounds 1 --max-steps 0 --timeout 1
Linux/Kali/Ubuntu 宿主级工具箱模式:如果希望容器内工具接近宿主机安装效果,使用特权容器、host network 和明确挂载。建议至少挂载当前项目、runs、宿主根目录只读或按需读写;宿主根目录在容器内使用 /host 访问。
mkdir -p runs docker run --rm -it \ --user 0:0 \ --privileged \ --network host \ --pid host \ --ipc host \ --cgroupns host \ --security-opt seccomp=unconfined \ --security-opt apparmor=unconfined \ -v "$PWD:$PWD" \ -v "$PWD/runs:/runs" \ -v /:/host \ -v /var/run/docker.sock:/var/run/docker.sock \ -w "$PWD" \ autoattack-agent run 127.0.0.1 \ --policy /runs/policy.json \ --workspace /runs/host-power \ --profile deep \ --tool-runtime privileged-docker
--tool-runtime privileged-docker 会写入 run.json 的 effective_args.tool_runtime,并进入 AI planner prompt,让模型知道候选工具实际在具备 host network/privileged/mounts 的 Linux Docker 工具箱中运行。当前 agent 仍只允许模型选择 skill,不允许模型直接生成 shell command;具体命令由内置 tool builder/profile 生成。
Redis 分布式 Docker 最短路径:
docker network create aa-net docker run -d --name aa-redis --network aa-net redis:7-alpine docker run --rm --network aa-net -v "$PWD/runs:/runs" autoattack-agent run 127.0.0.1 \ --policy /runs/policy.json --workspace /runs/dist \ --distributed --queue-backend redis --redis-url redis://aa-redis:6379/0 --max-steps 4 docker run --rm --network aa-net -v "$PWD/runs:/runs" autoattack-agent worker /runs/dist \ --queue-backend redis --redis-url redis://aa-redis:6379/0 --worker-id docker-worker
python3 -m py_compile autoattack_agent.py
python3 -m unittest -v
python3 autoattack_agent.py selftest
python3 tests/perf_smoke.py
docker build -t autoattack-agent .
docker run --rm autoattack-agent selftest已具备生产内测核心闭环:scope/policy、skills、approval、queue、blackboard、evidence、report、Web 干预、Docker 可复现构建。
本项目定位是黑盒自动化渗透编排核心,不替代 nuclei/sqlmap/amass/ZAP 等专业引擎。
repos/ 参考项目的关系本项目不是复刻大型平台,而是取 80/20:
当前绝对优势是:单文件可审计、零强依赖、单机/Redis queue 双模式、Docker checksum、CLI 生产闭环。基本持平的是:PentestGPT/watchtower 的最小 agent loop、LuaN1aoAgent/airecon 的 SQLite 状态思路、轻量 skills/router/approval 闭环。专项深度已通过 deep profile、nuclei/sqlmap/httpx/katana/nmap 参数增强、parser 证据归因和覆盖矩阵提升到 8 分档;产品体验通过 Web dashboard、发现详情、过滤、暂停刷新和 /api/summary 提升到 6+ 分档。仍明显落后的是:amass/subfinder 的 provider 生态、Strix/Shannon 的强 sandbox、Pentest-Swarm-AI 的 Postgres 级 swarm blackboard、AutoCVE 的源码审计/漏洞管理/CVE 报告链路。
| 对比对象 | 当前相对位置 |
|---|---|
| PentestGPT / watchtower | 最小 planner loop 基本持平;本项目 scope/policy/report/queue 更硬。 |
| LuaN1aoAgent / airecon | SQLite blackboard 和任务状态思路基本持平;DAG/反思/沙箱弱。 |
| Pentest-Swarm-AI | 轻量 queue 只算兼容;Postgres blackboard、cursor、swarm 调度明显落后。 |
| Strix / Shannon | 报告与 guardrail 有基础;强 sandbox、企业流程明显落后。 |
| nuclei / nuclei-templates | 仍复用外部引擎;deep profile、模板元数据解析、matcher/extractor 证据归因已补强。 |
| sqlmap | deep profile 提升到 level=3/risk=2 且仍走 intrusive approval;解析补齐 DBMS/payload/parameter。 |
| subfinder / amass | 仍不重造 provider 生态;作为 recon 组件进入覆盖矩阵和证据链。 |
| Nettacker / osmedeus / Caldera | CLI 编排有基础;Web/API/workflow/operation 状态机明显落后。 |
| AutoCVE | 黑盒 CLI/审计边界更轻更可控;源码审计、漏洞/CVE 管理、multi-agent 审计链路明显落后。 |
systemime/auto_attack is a public repo on GitHub by systemime. 一个用于自动化渗透的思路验证DEMO.
It declares no license on GitHub. Public does not mean open source: without a license, nobody is granted the right to reuse it.
Its maker has not tagged a system, so it is unknown here. Its README says what it needs.
Open "Take it" on its page: Take My Repo writes an install plan for your machine and hands it to your AI agent (Claude Code, Codex or Cursor), which asks you before each step. Take My Repo has not tested it on any machine.
No. It is archived on GitHub: its maker no longer maintains it.
Nobody has reviewed it on Take My Repo yet, which says nothing about its quality.
🎭 Mask your Coding Plan API for any AI coding tool - OpenAI-compatible proxy with tool masking, request relaying, and multi-provider support
一个玩具。Universal skill pack to boost AI agent accuracy by up to 76% with research-backed repetition techniques. Works with Claude Code, Cursor, Windsurf, Continue, and any LLM-based agent.
This page is also available as structured data, with the same sources and dates.
/api/v1/resources/gh/systemime/auto_attackTake My Repo has not tested this on your machine. Requirements come from the project's own documentation.