vulnclaw

Name: vulnclaw
Author: unclecheng-li

byunclecheng-li· 1 MCP server

Stars

2.2k

Forks

301

How to install vulnclaw?

unclecheng-li/vulnclaw

$git clone https://github.com/unclecheng-li/vulnclaw

Installs into the current project.

›Prefer a prompt? Paste this to your agent

Install & use

Install vulnclaw by running `git clone https://github.com/unclecheng-li/vulnclaw`, then use it for the current task and follow its documentation at https://github.com/unclecheng-li/vulnclaw.

Files · 1

View on GitHub

README.md

1	<div align="center">
2
3	# VulnClaw 🦞
4
5	> AI 驱动的渗透测试 CLI 工具 — 说人话，打漏洞。
6
7	[![License: MIT](https://img.shields.io/badge/License-MIT-blue.svg)](LICENSE)
8	[![Python 3.10+](https://img.shields.io/badge/Python-3.10+-blue.svg)](https://www.python.org/)
9	[![OpenAI Compatible](https://img.shields.io/badge/API-OpenAI_Compatible-green)](https://platform.openai.com/)
10	[![MCP](https://img.shields.io/badge/Toolchain-MCP-orange)](https://modelcontextprotocol.io/)
11	[![PyPI](https://img.shields.io/badge/PyPI-v0.3.5-blueviolet)](https://pypi.org/project/vulnclaw/)
12	[![Security](https://img.shields.io/badge/Scope-Authorized_Only-red)](#-安全声明)
13	[![AtomGitStars](https://atomgit.com/Unclecheng-li/VulnClaw/star/badge.svg)](https://atomgit.com/Unclecheng-li/VulnClaw)
14	<br>
15
16	🌐 English version: [`README_EN.md`](README_EN.md)
17
18	本项目是可独立运行的 AI 渗透测试 Agent。
19	<br>
20	项目官网：https://unclecheng-li.github.io/vulnclaw.com/
21	<br>
22
23	基于 LLM Agent + MCP 工具链 + 可选 Skill 参考资料，
24	配合 OpenAI / Anthropic / MiniMax / DeepSeek 等兼容模型，
25	自然语言输入 → 自动完成「信息收集 → 漏洞发现 → 漏洞利用 → 报告生成」全流程。
26
27	[快速开始](#快速开始) · [架构](#架构) · [内置 Skill](#内置-skill)
28
29	</div>
30
31	---
32
33	## 它能做什么
34
35	输入自然语言，AI 自动执行渗透测试全流程：
36
37	```
38	用户输入：帮我对 http://target.example.com 进行渗透测试
39
40	VulnClaw 自动执行：
41	Round 1: 信息收集 → 指纹识别、端口扫描、目录枚举
42	Round 2: 漏洞发现 → 检测注入点、已知 CVE、配置缺陷
43	Round 3: 漏洞利用 → PoC 验证、权限获取
44	Round 4: 报告生成 → 结构化报告 + Python PoC 脚本
45	```
46
47	<img width="1148" height="642" alt="image" src="https://github.com/user-attachments/assets/576e1cf6-25da-4969-864b-40e77d020dbf" />
48
49	<img width="2529" height="1136" alt="image" src="https://github.com/user-attachments/assets/9612c633-31f3-4062-8f56-ea5b4989fd50" />
50
51	适用于已授权的渗透测试、CTF 竞赛、安全教学、红队演练等场景。
52
53	---
54
55	## 特性
56
57	- 模型主导求解引擎（默认） — 类似 Claude Code/Codex 的自主循环，模型自己决定下一步、何时调用工具、何时完成/询问/判定无路可走
58	- AgentState 证据记忆 — 工具结果统一写入 `AgentState.evidence`，raw 原文完整保留；active context 默认只注入高信号预览，`evidence_search` / `evidence_view` 用于按需回查原始证据
59	- 轻量纠偏层 — 工具调用前后记录重复调用、失败降级、耗时和新发现等信号；重复读取同一 evidence 范围会被抑制，连续证据空转会触发 stall guard，但不恢复旧阶段规划器
60	- 证据级反幻觉闸门 — 声称的 flag/结论必须在真实工具输出里逐字符出现才被采信，杜绝凭空编造 flag 的假胜利
61	- 自然语言驱动 — 用人话描述渗透意图，自动识别阶段和工具
62	- 13 个 LLM Provider — OpenAI / Anthropic / MiniMax / DeepSeek / 智谱 / Moonshot / 千问 / SiliconFlow / 豆包 / 百川 / 阶跃星辰 / 商汤 / 零一万物，一键切换
63	- MCP 工具链 — 4 个 MCP 服务：`fetch` / `memory` 本地实现开箱即用，`chrome-devtools` / `burp` 对接外部 MCP 服务实现浏览器自动化和 HTTP 抓包重放
64	- 增强 fetch 请求工具 — 默认直接 GET 并返回完整响应 body，支持 HTTP/HTTPS、自定义 method/headers/params/cookies/body/data/form/json、timeout/redirect/TLS 控制；CTF/靶场 HTTPS 默认不校验证书
65	- 原生流量证据存储 — 按运行内作用域过滤后以追加式 JSONL 索引 + 每请求原始报文落盘于 `evidence/traffic/`，内置 `traffic_list` / `traffic_view` / `traffic_repeat` / `traffic_sitemap` 工具直接读写
66	- AI Agent 核心 — OpenAI 兼容协议 + Tool Calling + 自主渗透循环
67	- 结构化推理 + 自适应反思 — 已知事实/约束/攻击链结构化沉淀；失败自动归类并按 L0-L4 渐进升级 payload 绕过策略
68	- 漏洞检测插件体系 — 低耦合插件运行时 + 内置只读 Web 插件，结果自动汇入报告链路（`vulnclaw plugins`）
69	- 50 个专项 Skill — 覆盖 CTF、Web、内网、逆向、漏洞验证与授权红队知识库；Skill 只作为参考资料索引暴露给模型，正文需要模型主动调用 `load_skill_reference` 按需读取，不再作为强制剧本注入上下文
70	- 编解码/加解密工具 — 29 种操作（Base64/Hex/URL/AES/JWT/Morse 等），LLM 可精确调用，不再靠猜测
71	- 源码自动还原 — `fetch` / `http_probe_batch` 遇到 `highlight_file`、HTML 高亮源码或混杂 HTML/JS body 时会自动在 raw body 前追加 clean source；`http_probe_batch` 默认关闭 TLS 校验并记录完整响应头，避免丢失 `X-Powered-By` 等运行时证据；内置 `source_extract` 仍可用于按需重读历史 evidence，并固定危险 sink、表单与 endpoint 信号
72	- 本地命令验证 — 内置 `shell_command`，用于 `php -r` 反序列化验证、`curl` 精确请求、`rg`/`Select-String` 文件检索等 Codex-style 本地调试场景；raw stdout/stderr 完整写入 evidence，大输出进入模型时使用高信号预览
73	- 运行时差分探测 — 内置 `runtime_diff_probe`，用于正则/字符串过滤器与运行时解析器不一致的场景，帮助模型批量生成并验证“过滤器漏过、解析器接受”的候选；PHP 序列化模式会提示目标/本地运行时版本差异，并把 PHP5 signed length 候选标记为必须远程验证，避免被本地新版 PHP 误杀
74	- Python 代码执行 — 内置 `python_execute` 工具，适合 payload 构造和响应解析；当前仍属高风险实验能力，不应视为强隔离沙箱
75	- 批量 HTTP 探测 — 内置 `http_probe_batch`，用于一次比较多组 URL/参数/header/body/raw URL 变体，默认返回每个响应的完整 body，并在模型可见输出中展示实际请求面（method、URL、params、headers、cookies、body/json），减少重复 LLM 轮次和手写请求代码
76	- 近成功防误停 — solve 保留证据闸门，并新增通用 `NO_PATH` 闸门：当源码 sink、表单/参数、请求面、本地 proof 或响应差异等高信号尚未耗尽时，不接受模型因单次 payload 无回显/远端 same-body 就

6 picks

Type

vulnclaw

byunclecheng-li· 1 MCP server

Stars

2.2k

Forks

301

How to install vulnclaw?

unclecheng-li/vulnclaw

$git clone https://github.com/unclecheng-li/vulnclaw

Installs into the current project.

›Prefer a prompt? Paste this to your agent

Install & use

Install vulnclaw by running `git clone https://github.com/unclecheng-li/vulnclaw`, then use it for the current task and follow its documentation at https://github.com/unclecheng-li/vulnclaw.

Files · 1

View on GitHub

README.md

1	<div align="center">
2
3	# VulnClaw 🦞
4
5	> AI 驱动的渗透测试 CLI 工具 — 说人话，打漏洞。
6
7	[![License: MIT](https://img.shields.io/badge/License-MIT-blue.svg)](LICENSE)
8	[![Python 3.10+](https://img.shields.io/badge/Python-3.10+-blue.svg)](https://www.python.org/)
9	[![OpenAI Compatible](https://img.shields.io/badge/API-OpenAI_Compatible-green)](https://platform.openai.com/)
10	[![MCP](https://img.shields.io/badge/Toolchain-MCP-orange)](https://modelcontextprotocol.io/)
11	[![PyPI](https://img.shields.io/badge/PyPI-v0.3.5-blueviolet)](https://pypi.org/project/vulnclaw/)
12	[![Security](https://img.shields.io/badge/Scope-Authorized_Only-red)](#-安全声明)
13	[![AtomGitStars](https://atomgit.com/Unclecheng-li/VulnClaw/star/badge.svg)](https://atomgit.com/Unclecheng-li/VulnClaw)
14	<br>
15
16	🌐 English version: [`README_EN.md`](README_EN.md)
17
18	本项目是可独立运行的 AI 渗透测试 Agent。
19	<br>
20	项目官网：https://unclecheng-li.github.io/vulnclaw.com/
21	<br>
22
23	基于 LLM Agent + MCP 工具链 + 可选 Skill 参考资料，
24	配合 OpenAI / Anthropic / MiniMax / DeepSeek 等兼容模型，
25	自然语言输入 → 自动完成「信息收集 → 漏洞发现 → 漏洞利用 → 报告生成」全流程。
26
27	[快速开始](#快速开始) · [架构](#架构) · [内置 Skill](#内置-skill)
28
29	</div>
30
31	---
32
33	## 它能做什么
34
35	输入自然语言，AI 自动执行渗透测试全流程：
36
37	```
38	用户输入：帮我对 http://target.example.com 进行渗透测试
39
40	VulnClaw 自动执行：
41	Round 1: 信息收集 → 指纹识别、端口扫描、目录枚举
42	Round 2: 漏洞发现 → 检测注入点、已知 CVE、配置缺陷
43	Round 3: 漏洞利用 → PoC 验证、权限获取
44	Round 4: 报告生成 → 结构化报告 + Python PoC 脚本
45	```
46
47	<img width="1148" height="642" alt="image" src="https://github.com/user-attachments/assets/576e1cf6-25da-4969-864b-40e77d020dbf" />
48
49	<img width="2529" height="1136" alt="image" src="https://github.com/user-attachments/assets/9612c633-31f3-4062-8f56-ea5b4989fd50" />
50
51	适用于已授权的渗透测试、CTF 竞赛、安全教学、红队演练等场景。
52
53	---
54
55	## 特性
56
57	- 模型主导求解引擎（默认） — 类似 Claude Code/Codex 的自主循环，模型自己决定下一步、何时调用工具、何时完成/询问/判定无路可走
58	- AgentState 证据记忆 — 工具结果统一写入 `AgentState.evidence`，raw 原文完整保留；active context 默认只注入高信号预览，`evidence_search` / `evidence_view` 用于按需回查原始证据
59	- 轻量纠偏层 — 工具调用前后记录重复调用、失败降级、耗时和新发现等信号；重复读取同一 evidence 范围会被抑制，连续证据空转会触发 stall guard，但不恢复旧阶段规划器
60	- 证据级反幻觉闸门 — 声称的 flag/结论必须在真实工具输出里逐字符出现才被采信，杜绝凭空编造 flag 的假胜利
61	- 自然语言驱动 — 用人话描述渗透意图，自动识别阶段和工具
62	- 13 个 LLM Provider — OpenAI / Anthropic / MiniMax / DeepSeek / 智谱 / Moonshot / 千问 / SiliconFlow / 豆包 / 百川 / 阶跃星辰 / 商汤 / 零一万物，一键切换
63	- MCP 工具链 — 4 个 MCP 服务：`fetch` / `memory` 本地实现开箱即用，`chrome-devtools` / `burp` 对接外部 MCP 服务实现浏览器自动化和 HTTP 抓包重放
64	- 增强 fetch 请求工具 — 默认直接 GET 并返回完整响应 body，支持 HTTP/HTTPS、自定义 method/headers/params/cookies/body/data/form/json、timeout/redirect/TLS 控制；CTF/靶场 HTTPS 默认不校验证书
65	- 原生流量证据存储 — 按运行内作用域过滤后以追加式 JSONL 索引 + 每请求原始报文落盘于 `evidence/traffic/`，内置 `traffic_list` / `traffic_view` / `traffic_repeat` / `traffic_sitemap` 工具直接读写
66	- AI Agent 核心 — OpenAI 兼容协议 + Tool Calling + 自主渗透循环
67	- 结构化推理 + 自适应反思 — 已知事实/约束/攻击链结构化沉淀；失败自动归类并按 L0-L4 渐进升级 payload 绕过策略
68	- 漏洞检测插件体系 — 低耦合插件运行时 + 内置只读 Web 插件，结果自动汇入报告链路（`vulnclaw plugins`）
69	- 50 个专项 Skill — 覆盖 CTF、Web、内网、逆向、漏洞验证与授权红队知识库；Skill 只作为参考资料索引暴露给模型，正文需要模型主动调用 `load_skill_reference` 按需读取，不再作为强制剧本注入上下文
70	- 编解码/加解密工具 — 29 种操作（Base64/Hex/URL/AES/JWT/Morse 等），LLM 可精确调用，不再靠猜测
71	- 源码自动还原 — `fetch` / `http_probe_batch` 遇到 `highlight_file`、HTML 高亮源码或混杂 HTML/JS body 时会自动在 raw body 前追加 clean source；`http_probe_batch` 默认关闭 TLS 校验并记录完整响应头，避免丢失 `X-Powered-By` 等运行时证据；内置 `source_extract` 仍可用于按需重读历史 evidence，并固定危险 sink、表单与 endpoint 信号
72	- 本地命令验证 — 内置 `shell_command`，用于 `php -r` 反序列化验证、`curl` 精确请求、`rg`/`Select-String` 文件检索等 Codex-style 本地调试场景；raw stdout/stderr 完整写入 evidence，大输出进入模型时使用高信号预览
73	- 运行时差分探测 — 内置 `runtime_diff_probe`，用于正则/字符串过滤器与运行时解析器不一致的场景，帮助模型批量生成并验证“过滤器漏过、解析器接受”的候选；PHP 序列化模式会提示目标/本地运行时版本差异，并把 PHP5 signed length 候选标记为必须远程验证，避免被本地新版 PHP 误杀
74	- Python 代码执行 — 内置 `python_execute` 工具，适合 payload 构造和响应解析；当前仍属高风险实验能力，不应视为强隔离沙箱
75	- 批量 HTTP 探测 — 内置 `http_probe_batch`，用于一次比较多组 URL/参数/header/body/raw URL 变体，默认返回每个响应的完整 body，并在模型可见输出中展示实际请求面（method、URL、params、headers、cookies、body/json），减少重复 LLM 轮次和手写请求代码
76	- 近成功防误停 — solve 保留证据闸门，并新增通用 `NO_PATH` 闸门：当源码 sink、表单/参数、请求面、本地 proof 或响应差异等高信号尚未耗尽时，不接受模型因单次 payload 无回显/远端 same-body 就

6 picks

Type

vulnclaw

How to install vulnclaw?

Related

vulnclaw

How to install vulnclaw?

Related