PentestGPT 快速上手：Docker 部署基于 LLM 的自动化渗透测试框架

PentestGPT 快速上手Docker 部署基于 LLM 的自动化渗透测试框架【免费下载链接】PentestGPTAutomated Penetration Testing Agentic Framework Powered by Large Language Models项目地址: https://gitcode.com/GitHub_Trending/pe/PentestGPT手工刷 CTF 是一场慢工细活枚举服务、读题、写 POC、清理现场一圈下来半天就没了。PentestGPT 是一个基于 LLM 的自动化渗透测试工具把这类重复劳动接了过来——给它一个目标地址它自己完成规划、执行与汇报CTF 挑战和真实渗透测试场景都能覆盖。本文走一遍完整流程从环境准备到跑通基准测试全程只依赖 Docker 这一层容器。⚡ 先看成绩104 道 XBOW 基准86.5% 成功率为什么值得花二十分钟部署它先看公开成绩。在 104 道 XBOW 验证基准上PentestGPT 的成功率为86.5%平均每次成功挑战花费 $1.11中位数 $0.42平均耗时 6.1 分钟中位数 3.3 分钟。按难度分级难度级别成功率级别 191.1%级别 274.5%级别 362.5%难度越高成功率越低符合直觉但中高难度题仍有六成以上的覆盖这是它作为 AI 渗透测试工具的核心卖点。 快速上手环境准备与 Docker 一键部署开始前的要求不复杂装好 Docker、至少 4GB 可用内存、稳定的网络连接。LLM 侧三选一Anthropic API 密钥、Claude OAuth 登录需要 Claude 订阅、或 OpenRouter 替代模型。如果 Docker 尚未安装在 Ubuntu/Debian 上先装引擎并启动服务hello-world能跑通容器即环境就绪curl -fsSL https://get.docker.com -o get-docker.sh sudo sh get-docker.sh sudo systemctl enable --now docker docker --version docker run hello-world接着克隆仓库并进入目录成功标志是仓库根目录下能看到随子模块一起拉下来的 benchmark 目录git clone --recurse-submodules https://gitcode.com/GitHub_Trending/pe/PentestGPT.git cd PentestGPT--recurse-submodules是最容易漏掉的参数它负责拉下完整的基准测试套件。如果此前已克隆但缺子模块在仓库目录执行git submodule update --init --recursive补齐即可。随后一条命令链完成镜像构建、认证配置与容器接入make install构建包含全部安全工具的 Docker 镜像make config交互式选择认证方式make connect进入容器。成功标志是看到交互式终端TUI出现并等待输入make install make config make connect最后用第一道基准测试冒烟验证跑通后终端会输出 flag 匹配结果与通过状态cd benchmark/standalone-xbow-benchmark-runner python3 run_benchmarks.py --range 1-1 --pattern-flag核心能力自动化流程与模块化架构能力层面PentestGPT 覆盖三件事自动目标识别先分析目标系统类型与潜在攻击面、实时进度跟踪AI 处理挑战时每一步操作可见、多类别支持Web 应用、密码学、逆向工程、取证分析、PWN、权限提升。代码按职责分三层读起来不难pentestgpt_agent/核心引擎负责 AI 推理与任务调度unified_agent/工具集成层驱动 Claude Code、Codex 等后端真正执行安全工具pentestgpt_legacy/交互式界面支持在多个 LLM 提供商之间切换。实战用法命令行、快捷键与本地模型接入容器内最常用的三种调用方式分别对应交互 TUI推荐、非交互、带上下文的目标测试pentestgpt --target 10.10.11.234 pentestgpt --target 10.10.11.100 --non-interactive pentestgpt --target 10.10.11.50 --instruction WordPress站点重点关注插件漏洞成功进入任务后TUI 会开始实时滚动进度。运行期间三个快捷键够用F1查看帮助CtrlP暂停/恢复CtrlQ退出。本地模型接入适合不想把请求发往云端的场景。先在宿主机启动本地 LLM 服务器LM Studio、Ollama 等默认监听 1234 端口再配置并重新连接成功标志是 TUI 能正常向宿主机上的模型发起请求make config make connectmake config中选择选项 4Local LLM即可。要自定义地址或模型编辑 scripts/ccr-config-template.jsonlocalLLM.api_base_url是 LLM 服务器地址默认host.docker.internal:1234localLLM.models填服务器上可用的模型名路由配置还能指定不同操作由不同模型处理。 基准测试批量验证与回归部署完成后批量跑基准是最快的体检方式。在benchmark/standalone-xbow-benchmark-runner目录下按需用python3 run_benchmarks.py --range 1-10 --pattern-flag python3 run_benchmarks.py --all --pattern-flag python3 run_benchmarks.py --retry-failed python3 run_benchmarks.py --dry-run --range 1-5其中--dry-run只打印执行计划不实际运行适合先核对参数--retry-failed用于只重跑失败的用例。️ 排障连接被拒绝、本地模型不通与日志定位高频问题就三类逐条对号入座连接被拒绝先确认 LLM 服务器在运行且监听配置的端口再检查 Docker 网络配置本地模型访问不通容器内访问宿主机服务必须用host.docker.internal不能写localhost想看详细日志在容器内执行cat /tmp/ccr.log请求级的完整日志都在里面。上手建议三条经验供参考首次使用从简单的 CTF 题入手先熟悉它的工作流再谈效率按实际测试需求选目标别一上来就挑高难度资源上确保内存足够支撑推理过程复杂任务下这直接影响稳定性。最后提醒PentestGPT 仅应用于授权安全测试与教育用途请始终遵守相关法律法规。【免费下载链接】PentestGPTAutomated Penetration Testing Agentic Framework Powered by Large Language Models项目地址: https://gitcode.com/GitHub_Trending/pe/PentestGPT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考