ubercylon8/f0_pentest

# f0_pentest — 面向本地 AI Agents 的进攻性安全工具与技能 [](https://opensource.org/licenses/Apache-2.0) [](https://www.python.org/) [](https://github.com/ubercylon8/f0_pentest/actions/workflows/ci.yml) **f0_pentest** 将 AI agents 连接到真实的进攻性工具——包括侦察、Web 和 Active Directory 枚举、受控的漏洞利用以及带有证据的报告——使得 **penetration tester 或 red teamer** 能够端到端地执行一次授权的测试任务。它专为在**您自己的基础设施上使用小型、开放权重模型**运行而构建——没有遥测，没有测试数据离开主机，不依赖前沿的云端 API。 ## 目前可用的功能 六个 MCP servers 提供了 **27 个工具**——默认可逆，所有七种不可逆操作类别均受 flag + 人工确认 + 审计限制： | Server | 状态 | 工具 | 封装 | |---|---|---|---| | `f0-recon` | ✅ | 5 | nmap, httpx, subfinder (+ 离线 XML 解析) | | `f0-web` | ✅ | 4 | nuclei (+ 离线筛选) | | `f0-ad-enum` | ✅ | 4 | netexec, LDAP, BloodHound 收集 + 离线路径分析 (只读) | | `f0-ad-actions` 🔒 | ✅ 受控 | 6 | netexec, impacket, bloodyAD, certipy | | `f0-web-actions` 🔒 | ✅ 受控 | 1 | sqlmap | | `f0-report` | ✅ | 7 | 测试生命周期 + 证据存储 (无外部二进制文件) | 此外还有一个共享的 `core/`（scope gate、控制机制、findings schema、CVSS、脱敏处理、证据存储），涵盖 5 个类别的 **18 个可移植的 [agentskills.io](https://agentskills.io) 技能**，四个角色人设，针对 opencode / Hermes / pi 的运行时配置，以及一个小型模型评估测试套件。[完整工具参考](docs/reference/tools/README.md)——从代码生成，并在 CI 中进行偏移检测。 ## 面向 penetration tester 和 red teamer - **范围优先，默认拒绝。** 没有一个处于活动状态且 `scope.yaml` 带有 `authorization_ref` 的测试任务，任何操作都不会运行。明确的范围外条目始终优先于范围内条目——客户的“不要碰那台机器”的指令即使在过度热情的模型面前也能得到保障。默认拒绝，在服务器端强制执行，不受 prompt 中的任何内容影响。 - **由人类掌控每一个不可逆时刻。** Spray、exec、relay、write、cert、dcsync 和 webexploit 均需要操作员设置的 flag **以及** 一个在带外发出的、全新的、一次性的、绑定目标的确认——模型永远看不到 token。如果没有它，该工具只会记录一个*意图*而不执行任何操作。Spraying 始终需要确认，因为账户锁定正是授权测试演变成安全事件的原因。 - **构造性隐私。** 测试数据——基础设施映射、漏洞、恢复的凭证——永远不会离开主机。凭证通过 `cred_ref` 引用并在服务器端解析，绝不进入模型上下文。所有输出都会进行脱敏处理，**包括错误路径**。审计条目仅记录目标 + `cred_ref`。 - **一个证据库，一份报告。** 每个工具都返回相同的 [findings schema](docs/explanation/findings-schema.md)，记录到测试任务中，使用真正的 CVSS v3.1 实现进行评分，并渲染为**不依赖模型**的 Markdown——报告结构绝不取决于模型的情绪。 在部署前请阅读 **[安全模型](docs/explanation/security-model.md)**——它记录了提供的保证*以及*未涵盖的内容。然后阅读 **[用户指南](docs/user-guide/README.md)** 了解各运行时的设置、测试任务、技能和工作流。 ## 面向本地 AI 构建者 —— 差异化优势 小型本地模型现在在 tool calling 方面已经非常出色，但是当面对复杂的 schema、过多的工具以及超大的 payload 时，其可靠性会下降。这里的每个工具都是针对这一点设计的：**扁平的标量参数，简短的封闭枚举，每个 server ≤ ~8 个工具，有限/分页的输出。** 而且我们会**衡量**它，因此它不会悄无声息地退化。 在 tool calling 的 [**记分卡**](evals/SCORECARD.md) 中，**Qwen3.5 9B 在每个 server 上都达到了 100%/100%**（工具选择 / 参数填充），同时 Qwen3 4B、Qwen3.5 4B 和 Gemma 4 12B 在包含 26 个工具的注册表中得分均 ≥ 94%。其背后的设计准则是：*一个通过了契约测试但小型模型却无法可靠调用的工具就是一个**设计缺陷**——应该简化 schema，而不是降低标准。* 记分卡自身声明的一点需要注意：**单步可调用性并不意味着 agentic 可靠性**，这就是为什么多步骤技能遵循度在 [`AGENTIC.md`](evals/AGENTIC.md) 中单独评分的原因。请根据这些数据选择您的驱动模型。 - [`docs/explanation/small-model-design.md`](docs/explanation/small-model-design.md) —— 规则、衡量循环以及我们刻意没有构建的内容。 - [`docs/running-with-local-models.md`](docs/running-with-local-models.md) —— 使用 llama.cpp / vLLM / Ollama 部署 tool calling 模型。 ### 查看运行效果（无需目标、无需 GPU、无需测试任务） ``` uv sync --all-packages # core + 6 servers + dev tooling uv run pytest # 317 tests: contract, guards, harness uv run python scripts/demo_mock_findings.py # offline end-to-end findings demo ``` 关于打印输出内容及其重要性的演示说明：[`docs/demo.md`](docs/demo.md)。 ## 快速开始 使用您选择的运行时来驱动它： - **[opencode](docs/user-guide/runtimes/opencode.md)** —— 推荐；配置已内置在代码库中（`opencode.json`，`.opencode/` agents + skills），只需从 checkout 目录中运行即可。 - **[Hermes](docs/user-guide/runtimes/hermes.md)** / **[pi](docs/user-guide/runtimes/pi.md)** —— 请查看 `integrations/`。 - **[Claude Code](docs/user-guide/runtimes/claude-code.md)** *(旧版)* —— `./install.sh` 仍然会安装技能、权限墙和角色人设，但上面的 MCP 运行时是主要的。 然后创建一个测试任务——**在您这样做之前，不会运行任何攻击性操作**。请参阅[测试任务](docs/user-guide/engagements.md)。 部署一个模型并衡量它驱动工具的效果： ``` llama-server -m /models/qwen3-8b.gguf -a qwen3-8b --port 8080 -c 16384 --jinja uv run python -m evals.run --server all --base-url http://localhost:8080/v1 --model qwen3-8b ``` 请参阅 [`evals/README.md`](evals/README.md)。 ## 文档 从 **[`docs/README.md`](docs/README.md)** 开始——它会根据您的身份进行引导。 | 如果您想… | 请阅读 | |---|---| | 在授权之前了解信任机制 | [安全模型](docs/explanation/security-model.md) | | 安装并运行您的第一次测试任务 | [入门指南](docs/user-guide/getting-started.md) | | 了解范围和授权是如何工作的 | [测试任务](docs/user-guide/engagements.md) | | 启用并批准不可逆操作 | [受控操作](docs/user-guide/gated-actions.md) | | 通过小型模型良好地驱动它 | [Prompting](docs/user-guide/prompting.md) | | 查看端到端流程 | [工作流](docs/user-guide/workflows.md) | | 查找工具、技能或术语 | [工具](docs/reference/tools/README.md) · [技能](docs/reference/skills.md) · [术语表](docs/reference/glossary.md) | | 贡献代码 | [CONTRIBUTING.md](CONTRIBUTING.md) · [架构](docs/explanation/architecture.md) | ## 仓库布局 ``` core/ f0_pentest_core — all safety/cross-cutting logic servers/ recon, web, ad-enum, ad-actions, web-actions, report (uv workspace members) skills/ Portable agentskills.io skill render (generated, committed) dist/claude-code/ Claude Code skill render (generated, committed; install.sh source) maintainer/ src/ single source + build.py dual-renderer + gen_guide.py + TOOLS.md integrations/ hermes + pi runtime wiring (drift-guarded) evals/ small-model callability + agentic harness, tasks, scenarios, scorecard scripts/ confirm_action.py (approval CLI), gen_docs.py, smoke, demo docs/ explanation, user guide, reference (generated), plans assets/ install.sh verify-wall.sh Claude Code installer + permission wall .opencode/ opencode.json in-repo opencode runtime ``` **维护者：** 编辑 `maintainer/src/`，然后运行 `python3 maintainer/build.py && python3 maintainer/gen_guide.py`（两个渲染结果和技能参考都会重新生成；时效性由 测试强制执行）。要添加或更改工具，请遵循 [`maintainer/TOOLS.md`](maintainer/TOOLS.md) 和 [`CLAUDE.md`](CLAUDE.md)。项目的未来发展方向：[`ROADMAP.md`](ROADMAP.md)。 ## 测试任务数据不在此 repo 中 本仓库仅包含**工具包**。测试任务文件夹（收集的信息、证据、发现、 凭证、报告、`scope.yaml`）位于您在信息收集时设置的 `storage_path` 中， 并通过 `~/.f0pentest/engagements/active`（或 `~/.claude/engagements/active`）指向—— 永远不会在这里。[`.gitignore`](.gitignore) 是一个双重保险的安全网， 用于排除测试任务产物和机密材料。**切勿提交恢复的凭证 或客户数据。** ## 安全 发现了绕过 scope gate、控制流程或脱敏处理的方法？请私下报告—— 参阅 [SECURITY.md](SECURITY.md)。请注意，*支持授权的进攻性活动是 产品本身，而不是漏洞*；但**绕过安全控制**绝对是漏洞。 ## 许可证 Apache-2.0 —— 参阅 [LICENSE](LICENSE) 和 [NOTICE](NOTICE)。 f0_pentest 编排的第三方攻击性二进制文件（nmap、httpx、subfinder、nuclei、 netexec、impacket、bloodyAD、certipy、sqlmap、BloodHound 收集器）**并未**在此处内置 或重新分发，它们仍受其各自的许可证约束。

标签：AI智能体, MCP服务器, SNMP, 人工智能, 域名收集, 密码管理, 插件系统, 本地部署, 用户模式Hook绕过, 运行时操纵, 逆向工具