企业官网建设流程全解析

研究背景

随着网络攻击的规模和复杂度不断上升，渗透测试（pentesting）的需求已超出安全专业人员的供给能力。已有的 LLM 辅助方案（如 PentestGPT）仍属于半自动化，需要大量人工执行命令、解读结果，自动化程度有限。为此，作者提出 AutoPentester——一个高度自动化的 LLM 智能体框架，能够仅凭目标 IP，自主完成侦察、扫描、漏洞评估与利用，并生成完整报告。

核心方法：五大智能体模块

AutoPentester 采用迭代式架构，由五个基于 LLM 的智能体协同完成任务：

1. 总结器（Summarizer）：将上一步安全工具（如 Nmap、Nikto）产生的冗长输出，按 6000 字符分块（含 500 字符重叠）后逐块摘要，再合并为可读性强的结果，供后续模块使用。

2. 策略分析器（Strategy Analyzer）：核心决策模块。维护一棵“渗透测试树”（Pentest Tree, PTT），记录每一步骤及其关键发现，并通过思维链（Chain-of-Thought）推理，结合历史发现动态制定下一步攻击策略，避免了 PentestGPT 容易遗忘上下文、策略僵化的问题。

3. 生成器（Generator）：基于检索增强生成（RAG）架构，从由《Metasploit渗透测试指南》《Penetration Testing: A Hands-on Introduction to Hacking》及 HackTricks 文章构建的知识库中检索相关知识，生成可直接执行的完整命令，减少模型因知识缺失产生的“幻觉”。

4. 智能体-计算机接口（ACI）：负责从生成器输出中提取命令，并通过 subprocess/pexpect 等方式在真实终端（Nmap、Metasploit、Dirbuster 等）中执行，实现命令生成到落地执行的完全自动化。

5. 结果校验器（Results Verifier）：检查工具输出是否符合预期，若命令不完整或效果不佳（如端口被过滤未加 -Pn），自动调整命令重试。

此外，框架还包含一个“重复识别模块”（Repetition Identifier），通过对步骤描述做向量嵌入并计算余弦相似度（阈值 0.15）来检测是否陷入重复循环，一旦发现即向操作员提供“继续/退出/交互模式/自定义输入”四种选择，从而显著减少无效循环。任务结束后，报告生成器（Report Generator）会自动汇总日志，输出包含 CVE 编号、CVSS 评分、风险等级、修复建议等字段的标准化 CSV 报告。

实验与应用场景

作者在两类目标上评估 AutoPentester：

• Hack The Box（HTB）真实靶机：10 台不同难度机器，用于衡量策略性渗透测试能力；

• 自建虚拟机（覆盖 OWASP Top 10 漏洞）：用于衡量漏洞与威胁评估的覆盖率。

以 PentestGPT 为基线对比，AutoPentester 在子任务完成率上提升 27.0%，漏洞覆盖率提升 39.5%，步骤数减少 18.7%，循环次数减少约 85.7%，人工干预次数从平均 15.36 次降至 1.13 次，命令不完整比例下降 97.7%。10 位从业五年以上的安全专家参与的问卷调查也显示，AutoPentester 在攻击面覆盖、报告质量、修复建议等维度均优于 PentestGPT，平均得分约 4/5（PentestGPT 为 3.3/5）。消融实验进一步表明，RAG 模块与重复识别模块对性能提升贡献最大。

该框架适用于企业安全评估、红队演练等场景：其全自动化特性可显著节省人工时间，尤其适合大规模、重复性的漏洞扫描任务；同时也可作为渗透测试培训或红队演练的辅助工具。作者也指出其局限性——在需要与 GUI 交互（如 Web 应用）的场景下表现较弱，且高度依赖知识库的时效性与覆盖面。

链接

代码仓库：https://github.com/YasodGinige/AutoPentester

论文 DOI：10.1109/TrustCom66490.2025.00026