Hati — 智能渗透测试系统

基于 HexStrike MCP + MiniMax LLM + RAG POC 知识库 的多智能体渗透测试平台。支持 Web UI 实时交互，47 个攻击技能自动匹配，RAG 知识库闭环 POC 验证。

Language: English | 中文

关于名字

Hati 源自北欧神话中追逐月亮的魔狼。每逢月夜，它便跨越天空追猎明月，直到诸神黄昏降临将其吞噬。

渗透测试亦是如此 — 耐心追踪目标的每一寸攻击面，不放过任何隐藏的弱点，直至发现突破口。

🐺 Hati — 追月之狼追猎漏洞，永不停歇

核心组件来源

组件	说明	来源
HexStrike MCP	54+ 安全工具调用服务，部署在 Kali VM 中隔离运行	0x4m4/hexstrike-ai
Hack Skills	47 个攻击技能模板 (SKILL.md)	yaklang/hack-skills
wpoc (POC)	799+ 产品漏洞 POC 知识库	集成自公开 POC 仓库

安全隔离说明: HexStrike MCP Server 部署在独立的 Kali Linux 虚拟机中运行，与宿主机通过网络隔离。所有渗透测试工具（nmap、nuclei、sqlmap、hydra 等）的实际执行均在 VM 沙箱内完成，宿主机仅负责 LLM 推理和任务调度。这种架构确保了即使工具执行出现意外，也不会影响宿主机安全。

系统架构

核心数据流

用户输入 (自然语言)
  → ChatAgent 解析意图
  → run_single_phase_standalone() 启动 ReAct 循环
  → LLM 决策下一步行动 (execute_tool / execute_skill / query_rag / generate_poc)
  → execute_tool:  通过 HexStrike MCP 调用 nmap/nuclei/sqlmap 等工具
  → execute_skill: 匹配 47 个攻击技能 → 提取 HTTP POC 请求 → 直接发包验证
  → query_rag:     查询 RAG POC 知识库 → 自动链入 POC 验证流程
  → generate_poc:  基于 RAG 结果 + LLM 适配 → 发包 → 多模式漏洞确认
  → 每轮结果注入下一轮 LLM 决策 → 最多 8 轮
  → 生成 Markdown + JSON 报告 → 写入 reports/ 目录
  → WebSocket 实时推送进度到 Web UI

环境要求

组件	用途	必须
Python 3.10+	运行 API + Agent	是
Docker Desktop	运行 Redis (Windows)	是
Kali Linux VM	HexStrike MCP 工具执行环境	是
MiniMax API Key	LLM 推理	是
Git Bash / WSL	SSH 隧道脚本 (可选)	建议

网络要求

主机 ↔ Kali VM: 网络连通 (同一网段或 NAT)
Kali VM 需开放端口 22 (SSH) 和 9999 (MCP)
主机需能访问 api.minimax.chat:443 (LLM API)

快速开始

第一步：克隆项目

git clone <repo-url>
cd Hati

第二步：配置环境变量

# 复制配置模板
cp .env.example .env

# 编辑 .env，至少填入:
#   MINIMAX_API_KEY=sk-xxx...          (MiniMax API Key)
#   MINIMAX_GROUP_ID=xxxxxxxxx          (MiniMax Group ID)
#   HEXSTRIKE_SERVER_URL=http://<你的Kali VM IP>:9999

第三步：安装 Python 依赖

pip install -r requirements-agent.txt

注意: Windows 上 celery 无法使用 (需要 Unix socket)，系统已自动降级为 ThreadPoolExecutor 方案。

第四步：启动 Redis

cd docker
docker-compose up -d redis

# 验证
docker ps | grep redis
redis-cli ping   # 返回 PONG

第五步：(首次) 构建 RAG 知识库

python scripts/build_rag.py

这将扫描 poc/wpoc/ 目录下的 799+ 产品 POC 文件，构建向量索引存入 data/poc_knowledge_base/。首次构建约需 3-5 分钟。

第六步：配置 Kali VM 并启动 MCP 服务

参见 Kali VM 端配置，在 Kali VM 上启动 HexStrike MCP Server。

测试连通性：

python scripts/connect_test.py

# 如果连接失败，建立 SSH 隧道:
bash scripts/ssh_tunnel.sh
# 或 (PowerShell):
powershell -File scripts/ssh_tunnel.ps1 -VmHost "<Kali VM IP>" -VmPassword "<密码>"

第七步：启动 API 服务

# Windows / Linux:
python -m api.main

# 或指定端口:
API_PORT=8765 python -m api.main

启动后访问:

Web UI: http://localhost:8000
API Docs: http://localhost:8000/docs
健康检查: http://localhost:8000/health

第八步：开始渗透测试

在 Web UI 输入框中输入自然语言指令，例如:

对 http://testphp.vulnweb.com 进行渗透测试
检测 http://example.com 的 SQL 注入漏洞

或通过 API:

curl -X POST http://localhost:8000/api/pentest/start \
  -H "Content-Type: application/json" \
  -d '{
    "target": "http://testphp.vulnweb.com",
    "authorized_by": "security@company.com"
  }'

配置详解

必填配置

环境变量	说明	示例值
`MINIMAX_API_KEY`	MiniMax API Key	`sk-cp-xxxx...`
`MINIMAX_GROUP_ID`	MiniMax Group ID	`xxxxxxxxx`
`HEXSTRIKE_SERVER_URL`	HexStrike MCP 地址	`http://<Kali VM IP>:9999`
`REDIS_HOST`	Redis 地址	`localhost`

LLM 配置

环境变量	说明	默认值
`MINIMAX_API_KEY`	API Key (MiniMax 控制台获取)	—
`MINIMAX_GROUP_ID`	Group ID	—
`MINIMAX_MODEL`	模型名称	`MiniMax-M2.7`

MiniMax API 端点固定为 https://api.minimax.chat/v1，使用 OpenAI SDK 兼容格式。注册地址: https://www.minimax.chat

Redis 配置

环境变量	说明	默认值
`REDIS_HOST`	Redis 主机地址	`localhost`
`REDIS_PORT`	Redis 端口	`6379`
`REDIS_DB`	通用数据 DB	`0`
`REDIS_DB_PROGRESS`	任务进度追踪 DB	`2`

HexStrike MCP 连接

环境变量	说明	默认值
`HEXSTRIKE_SERVER_URL`	MCP 服务完整 URL	—
`SSH_TUNNEL_HOST`	Kali VM IP	—
`SSH_TUNNEL_PORT`	SSH 端口	`22`
`SSH_TUNNEL_USER`	SSH 用户名	`root`
`SSH_TUNNEL_PASSWORD`	SSH 密码	—
`SSH_TUNNEL_LOCAL_PORT`	本地转发端口	`9999`
`SSH_TUNNEL_REMOTE_PORT`	远程 MCP 端口	`9999`

如果使用 SSH 隧道，需将 HEXSTRIKE_SERVER_URL 改为 http://localhost:9999。

RAG 知识库

环境变量	说明	默认值
`CVE_KB_PATH`	CVE 库路径	`./data/cve_knowledge_base`
`POC_KB_PATH`	POC 向量库路径	`./data/poc_knowledge_base`
`POC_REPO_PATH`	POC 原始文件路径	`./poc/wpoc`
`CHROMA_DB_PATH`	ChromaDB 持久化路径	`./data/poc_knowledge_base`
`EMBEDDING_MODEL`	文本嵌入模型	`all-MiniLM-L6-v2`

API 服务

环境变量	说明	默认值
`API_HOST`	监听地址	`0.0.0.0`
`API_PORT`	监听端口	`8000`
`JWT_SECRET_KEY`	JWT 签名密钥	(请修改)

安全配置

环境变量	说明	默认值
`APPROVAL_REQUIRED`	是否启用高危操作审批	`true`
`AUDIT_LOGGING_ENABLED`	是否启用审计日志	`true`

可选组件

环境变量	说明	默认值
`ELASTICSEARCH_HOST`	ES 地址 (审计日志)	`localhost`
`ELASTICSEARCH_PORT`	ES 端口	`9200`
`DOCKER_HOST`	Docker 守护进程	`unix:///var/run/docker.sock`

Elasticsearch 是可选组件。如果未安装 ES Python 包或 ES 服务未运行，系统自动降级为本地 JSON 文件日志。

Kali VM 端配置

HexStrike MCP Server 需要在 Kali Linux VM 中运行。以下是 VM 端的操作步骤。

1. 确认 VM 网络可达

# 主机端测试
ping <Kali VM IP>

# 或直接测试 MCP 端口
curl http://<Kali VM IP>:9999/health

2. Kali VM 端口配置

# SSH 到 VM
ssh root@<Kali VM IP>

# 检查防火墙
ufw status

# 开放 MCP 端口 (如使用防火墙)
ufw allow 9999/tcp
ufw allow 22/tcp

3. 启动 HexStrike MCP Server

# SSH 到 VM
ssh root@<Kali VM IP>

# 进入 HexStrike 目录
cd hexstrike-ai
pip install -r requirements.txt

# 启动 MCP Server (端口 9999)
python3 hexstrike_server.py --port 9999

# 或者使用 systemd 服务 (推荐长期运行)

4. 验证 MCP 可用

# VM 本地验证
curl http://localhost:9999/health

# 期望返回:
# {"version": "6.0.0", "total_tools_available": 54, "status": "healthy"}

5. (可选) 建立 SSH 隧道

如果 VM 的 9999 端口不直接暴露或需要加密传输:

Windows 端 (Git Bash):

bash scripts/ssh_tunnel.sh

Windows 端 (PowerShell):

.\scripts\ssh_tunnel.ps1 -VmHost "<Kali VM IP>" -VmPassword "<密码>"

建立隧道后，修改 .env:

HEXSTRIKE_SERVER_URL=http://localhost:9999

6. 使用 connect_test.py 诊断

python scripts/connect_test.py

该脚本会测试:

TCP 端口连通性
MCP 健康端点
命令执行功能

RAG 知识库

数据来源

POC 仓库: 799+ 产品漏洞 POC
位置: poc/wpoc/
向量模型: all-MiniLM-L6-v2 (Sentence Transformers)

构建/重建

# 初次构建
python scripts/build_rag.py

# 如果 POC 仓库已更新，重新构建:
rm -rf data/poc_knowledge_base
python scripts/build_rag.py

验证

python -c "
from rag.query_interface import get_rag_interface
r = get_rag_interface()
print(f'条目数: {r.get_stats()[\"total_count\"]}')
result = r.query('Apache SQL injection', n_results=3)
for v in result.vulnerabilities:
    print(f'  [{v.severity}] {v.name} (相似度: {v.similarity:.2f})')
"

工作原理

渗透测试中 → 技能匹配 (match_skills)
         → RAG 查询 (基于目标技术栈/关键词)
         → LLM 将 RAG 中的真实 POC 适配到具体目标
         → 直接发包验证
         → 多模式确认漏洞 (SQL错误回显/XSS回显/LFI特征等)

使用指南

Web UI

访问 http://localhost:8000，在输入框输入渗透测试需求:

对 http://example.com 进行渗透测试
扫描 http://testphp.vulnweb.com 的漏洞
对 https://target.com 做 SQL 注入测试

界面实时显示:

初始化 → 信息收集 → 技能匹配 → 漏洞扫描 → POC 验证 → 报告生成
工具调用的实时输出
技能执行的 POC 结果
RAG 匹配的漏洞确认状态
最终生成报告链接

REST API

# 启动渗透测试
curl -X POST http://localhost:8000/api/pentest/start \
  -H "Content-Type: application/json" \
  -d '{
    "target": "http://example.com",
    "authorized_by": "security@company.com"
  }'

# 查询任务状态 (task_id 从启动响应中获取)
curl http://localhost:8000/api/pentest/status/{task_id}

# 获取报告
curl http://localhost:8000/api/pentest/report/{task_id}

# 健康检查
curl http://localhost:8000/health

WebSocket (实时流式)

const ws = new WebSocket('ws://localhost:8000/ws/client_xxx');
ws.onmessage = (event) => {
  const msg = JSON.parse(event.data);
  // msg.type: "progress" | "result" | "ai_token" | "complete"
  console.log(msg);
};

报告输出

任务完成后，报告保存在 reports/ 目录:

reports/
├── 20260601_085556_target_xxxxxxxx.md    # Markdown 报告
└── 20260601_085556_target_xxxxxxxx.json  # JSON 详情

文件名格式: {日期}_{时间}_{目标}_{任务ID}.{md|json}

目录结构

Hati/
├── api/
│   ├── main.py                 # FastAPI 入口 (REST + WebSocket)
│   └── websocket.py            # WebSocket 管理器
├── agents/
│   ├── chat_agent.py           # 交互式聊天 Agent (任务调度)
│   ├── orchestrator.py         # 主控 Agent (ReAct 决策循环)
│   ├── recon_agent.py          # 信息收集 (MCP 客户端)
│   ├── vuln_agent.py           # 漏洞扫描
│   ├── exploit_agent.py        # 漏洞利用
│   ├── report_agent.py         # 报告生成
│   ├── skill_loader.py         # 攻击技能加载 + 匹配
│   ├── poc_generator.py        # POC 生成器
│   ├── sub_agents.py           # 子 Agent 管理
│   ├── intent_parser.py        # 用户意图解析
│   └── skill_scheduler.py      # 技能调度
├── config/
│   ├── settings.py             # 全局配置 (pydantic-settings)
│   ├── minimax_config.py       # MiniMax LLM 配置 + System Prompts
│   ├── celery_config.py        # Celery 配置 (Linux)
│   ├── model_router.py         # LLM 模型路由
│   └── prompts_layered.py      # 分层提示词模板
├── state/
│   ├── pentest_state.py        # 渗透测试状态机
│   ├── progress_tracker.py     # Redis 进度追踪器
│   ├── context_compressor.py   # 上下文压缩
│   └── diversity_injector.py   # 多样性注入
├── rag/
│   ├── query_interface.py      # RAG 统一查询接口
│   ├── vector_store.py         # ChromaDB/SimpleVectorStore
│   └── poc_loader.py           # POC 加载器
├── skills/
│   └── hack-skills/skills/     # 47 个攻击技能 (SKILL.md)
├── tools/
│   ├── langchain_adapter.py    # HexStrike MCP 客户端适配
│   └── composite_tools.py      # 复合工具
├── security/
│   ├── audit_logger.py         # ES 审计日志
│   └── container_runner.py     # Docker 容器隔离
├── scripts/
│   ├── build_rag.py            # 构建 RAG 向量数据库
│   ├── connect_test.py         # MCP 连接测试
│   ├── ssh_tunnel.sh           # SSH 隧道 (Bash/WSL)
│   ├── ssh_tunnel.ps1          # SSH 隧道 (PowerShell)
│   ├── setup_elasticsearch.py  # ES 索引初始化
│   └── load_poc_kb.py          # POC 知识库加载
├── static/
│   └── index.html              # Web UI (SPA)
├── docker/
│   ├── docker-compose.yml      # Redis + ES + Kibana
│   └── Dockerfile.toolkit       # Kali 工具容器
├── hexstrike/                   # HexStrike MCP Server
├── poc/wpoc/                    # POC 原始文件 (799+ 产品)
├── data/                        # 向量数据库 / 缓存 (运行时生成)
├── reports/                     # 生成的渗透测试报告 (运行时生成)
├── .env.example                 # 环境变量模板
├── requirements-agent.txt       # Python 依赖
├── start.sh                     # Linux 启动脚本
├── start_celery.sh              # Celery Worker 启动
├── start_worker.sh              # Worker 启动 (Linux)
└── README.md                    # 本文件

故障排除

Redis 未运行

# 症状: "Error 10061 connecting to localhost:6379"
# 解决:
cd docker
docker-compose up -d redis
docker ps | grep redis          # 确认容器在运行
redis-cli ping                  # 应返回 PONG

MCP 连接超时

# 症状: "Read timed out" 或 "Connection refused"
# 检查:
# 1. VM 是否在运行
ping <Kali VM IP>

# 2. MCP 端口是否开放
curl http://<Kali VM IP>:9999/health

# 3. VM 上的 MCP 是否启动
ssh root@<Kali VM IP>
curl http://localhost:9999/health

# 4. 建立 SSH 隧道作为备选
bash scripts/ssh_tunnel.sh
# 然后修改 .env: HEXSTRIKE_SERVER_URL=http://localhost:9999

MiniMax API 调用失败

# 症状: "MINIMAX_API_KEY 环境变量未设置" 或 HTTP 401/403
# 检查:
echo $MINIMAX_API_KEY

# 确认 .env 文件在项目根目录下且格式正确
# API Key 应以 sk-cp- 开头

# 测试 API 连通性:
curl -X POST "https://api.minimax.chat/v1/chat/completions" \
  -H "Authorization: Bearer $MINIMAX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"MiniMax-M2.7","messages":[{"role":"user","content":"hi"}]}'

RAG 知识库为空

# 症状: "[RAG] POC 知识库已加载: 0 条"
# 解决:
python scripts/build_rag.py
# 如果构建失败，检查:
# 1. poc/wpoc/ 目录是否有 POC 文件
# 2. pip install chromadb sentence-transformers

端口被占用

# 症状: "Address already in use" 或端口冲突
# 查看端口占用:
netstat -ano | grep 8000
# 更换端口:
API_PORT=8766 python -m api.main

Windows 编码问题

# 症状: UnicodeEncodeError 或终端乱码
# 系统已内置 UTF-8 编码修复
# 如仍有问题，在 PowerShell 中:
$OutputEncoding = [Console]::OutputEncoding = [Text.UTF8Encoding]::UTF8

开发指南

添加新的攻击技能

在 skills/hack-skills/skills/ 下创建目录:

skills/hack-skills/skills/my-new-skill/
└── SKILL.md   # 包含完整的攻击 payload、HTTP 请求示例、成功标准

match_skills() 会自动发现并匹配新技能。

添加新的 MCP 工具

确保 HexStrike MCP Server 支持该工具
工具直接通过 client.execute_command(command, category=...) 调用
LLM 通过 ReAct 循环自动发现并使用新工具

修改 ReAct 循环

关键函数位于 agents/orchestrator.py:

run_single_phase_standalone() — ReAct 主循环
_llm_decide_next_action() — LLM 决策引擎
_execute_react_action() — 行动分发 (execute_tool / execute_skill / query_rag / generate_poc)
_llm_adapt_skill_to_target() — 技能内容 → HTTP POC 请求
_llm_adapt_and_test_poc() — RAG POC → LLM 适配 → 发包验证

代码规范

Python 文件行数: 建议 200-400 行，上限 800 行
编码: UTF-8
字符串: 中文注释允许，代码使用英文
LLM 调用: 通过 get_llm() 获取全局单例

贡献

欢迎提交 Issue 和 Pull Request。

免责声明

本工具仅供合法的安全测试和学术研究使用。使用前请确保已获得目标系统所有者的书面授权。使用者需遵守当地法律法规，作者不承担任何因滥用本工具而导致的法律责任。

License

MIT License

Name		Name	Last commit message	Last commit date
agents		agents
api		api
config		config
docker		docker
hexstrike		hexstrike
poc/wpoc		poc/wpoc
rag		rag
scripts		scripts
security		security
skills/hack-skills		skills/hack-skills
state		state
static		static
tools		tools
.env.example		.env.example
.gitignore		.gitignore
README.md		README.md
README_EN.md		README_EN.md
requirements-agent.txt		requirements-agent.txt
start.sh		start.sh
start_celery.sh		start_celery.sh
start_worker.sh		start_worker.sh

Latest commit

History

Folders and files

Repository files navigation

Hati — 智能渗透测试系统

关于名字

核心组件来源

目录

系统架构

核心数据流

环境要求

网络要求

快速开始

第一步：克隆项目

第二步：配置环境变量

第三步：安装 Python 依赖

第四步：启动 Redis

第五步：(首次) 构建 RAG 知识库

第六步：配置 Kali VM 并启动 MCP 服务

第七步：启动 API 服务

第八步：开始渗透测试

配置详解

必填配置

LLM 配置

Redis 配置

HexStrike MCP 连接

RAG 知识库

API 服务

安全配置

可选组件

Kali VM 端配置

1. 确认 VM 网络可达

2. Kali VM 端口配置

3. 启动 HexStrike MCP Server

4. 验证 MCP 可用

5. (可选) 建立 SSH 隧道

6. 使用 connect_test.py 诊断

RAG 知识库

数据来源

构建/重建

验证

工作原理

使用指南

Web UI

REST API

WebSocket (实时流式)

报告输出

目录结构

故障排除

Redis 未运行

MCP 连接超时

MiniMax API 调用失败

RAG 知识库为空

端口被占用

Windows 编码问题

开发指南

添加新的攻击技能

添加新的 MCP 工具

修改 ReAct 循环

代码规范

贡献

免责声明

License

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages