Pentest Harness 是一个面向授权渗透测试、漏洞赏金、安全实验室和 CTF 场景的自托管 AI Agent 工作台。项目使用 TypeScript 开发，提供 Web UI、本地会话持久化、多模型 API 接入、Shell/文件系统/Web Research 等工具能力，并强调配置化插件架构和本地保存凭据。它适合希望将大语言模型引入安全测试流程的团队或个人，但必须在合法授权范围内使用。
适用领域
网络安全 / 渗透测试 / 红队演练 / 漏洞赏金 / CTF / AI Agent / LLM 工具链 / 安全自动化 / 自托管开发工具
配置难度
中等。具备 Node.js/pnpm 基础的开发者可以较快启动 Web UI；但要安全地用于真实渗透测试，需要理解 LLM API、凭据管理、Agent 工具权限、授权边界和安全测试流程。对普通前端或后端开发者来说，上手运行不难，合规和安全使用难度较高。
商业价值
对安全团队的价值在于将多模型 LLM、测试工具、任务上下文和会话管理集中到一个自托管工作台中，提高授权渗透测试、漏洞赏金研究和安全实验室训练的效率。对企业而言，它可作为 AI 辅助安全运营或红队工具链的原型基础，通过插件化能力接入内部模型、内部知识库和标准化测试流程。其 MIT 许可证降低了二次开发成本，但商业化或企业级落地仍需要补充权限控制、审计合规、数据脱敏、团队协作和安全边界治理。
01
技术亮点
- 支持多种 LLM 提供商，并兼容 OpenAI-style API 网关，模型接入灵活。
- 提供一键模型自动发现，降低配置成本。
- 自托管架构，测试会话和凭据主要保存在本地，更适合对数据控制有要求的安全场景。
- 具备 Shell、文件系统、Web Research、Skills、Goals、Subagents、后台任务和工作流控制等完整 Agent 工具集。
- 内置 Pentest Mode，面向授权攻击性安全测试流程设计。
- 会话支持 JSONL/SQLite 持久化和回放，可恢复长期项目上下文。
- 通过 token 计量、自动压缩和工具结果裁剪缓解长上下文问题。
- API Key 以引用形式保存在本地 owner-only credential store 中，避免写入设置文件和日志。
- 基于 Cordis 的插件化架构，模型适配器、工具、会话、设置和凭据层都可替换。
- MIT 许可证，便于二次开发和企业内部定制。
02
目标用户
- 授权渗透测试工程师
- 红队安全研究员
- 漏洞赏金猎人
- CTF 选手和安全实验室学习者
- 希望集成 LLM 的安全团队
- 需要本地保存测试会话和凭据的企业安全人员
- AI 安全工具开发者
03
配置要求
- 需要 Node.js 20+，推荐 Node.js 22。
- 需要 pnpm 包管理器。
- 需要至少一个可用的 AI 模型 API Key，例如 OpenAI、Anthropic、DeepSeek、Google、Mistral、Groq、OpenRouter、Azure OpenAI 或兼容 OpenAI API 的服务。
- 首次运行后进入 Settings → Models 添加或编辑模型提供商。
- 需要填写 API base URL，系统会自动填充 provider ID 和显示名称。
- API Key 存储在本地凭据文件中，而不是 settings 文件或日志中。
- 默认 Web UI 地址为 http://127.0.0.1:2323。
- 默认配置文件路径为 $DSH_HOME/settings.yaml，默认位置是 ~/.dsh/settings.yaml。
- 默认凭据文件路径为 $DSH_HOME/.credentials.yaml，并使用 owner-only 权限。
- 如果用于真实安全测试，需要确保目标、范围、时间窗口和测试方式均已获得明确授权。
04
适用场景
- 在授权渗透测试项目中使用 AI 辅助分析目标、整理思路和管理任务
- 将 OpenAI、Anthropic、DeepSeek、Gemini、Mistral、Groq、OpenRouter、Azure OpenAI 或 OpenAI-compatible 网关接入统一工作台
- 通过 Agent 工具集执行 Shell、文件系统操作、Web 查询、任务目标拆解和后台作业管理
- 在漏洞赏金研究中保存上下文、复盘测试路径和持续推进漏洞验证
- 在 CTF 或安全实验室中进行 AI 辅助学习、命令解释、思路规划和解题记录
- 构建可替换模型适配器、工具、会话、设置和凭据的安全测试工作流
- 长时间安全项目中通过会话持久化、上下文压缩和工具结果裁剪保持工作连续性
05
部署与配置
- 安装 Node.js 20 或更高版本，推荐 Node.js 22。
- 安装 pnpm：npm i -g pnpm。
- 克隆仓库：git clone https://github.com/S1N6H/pentest-harness.git。
- 进入项目目录：cd pentest-harness。
- 安装依赖：pnpm install。
- 构建项目：pnpm build。
- 启动 Web UI：pnpm dsh web。
- 如果 pnpm dsh 不在 PATH 中，可使用 pnpm exec dsh web 或 node apps/cli/lib/index.js web。
- 浏览器访问 http://127.0.0.1:2323。
- 如需修改端口，可执行：pnpm dsh web --port 3000。
06
风险与注意事项
- 该工具属于 offensive security 辅助工具，若被误用可能涉及未授权访问、攻击自动化或法律风险。
- AI Agent 可能生成错误命令、误判漏洞、误删文件或执行高风险操作，使用前需要人工审核。
- Shell 和文件系统工具能力较强，如果权限配置不当，可能对本机或测试环境造成破坏。
- 接入第三方模型 API 时，提示词、目标信息或测试记录可能被发送到外部服务，需要评估数据合规和保密要求。
- README 中强调凭据本地存储，但仍需用户自行保护 $DSH_HOME、.credentials.yaml、系统账号和运行环境权限。
- 项目星标数量中等，生态和长期维护情况需要持续观察。
- 安全测试结果依赖模型能力、提示词质量和工具配置，不能替代专业安全人员判断。
- 在企业环境落地前需要增加审计、权限隔离、操作审批、日志留存和目标范围限制机制。
2026-09-01
第30名
新收录 · github_search
