ARTEX 한국어판（artex-ko）是对上游 Autumn-27/ARTEX 的韩语本地化版本：一个由 LLM 多智能体驱动的自主渗透测试框架。它使用 Go 后端、嵌入式 Next.js 前端和 PostgreSQL，支持 planner/worker/mainagent 等多角色代理，自主拆解目标、调用安全工具、记录资产与漏洞，并生成报告。该仓库重点面向防御、检测工程和授权环境下的安全研究，README 中明确强调只能在自有或获得书面授权的环境使用。
适用领域
网络安全 / 授权渗透测试 / AI Agent / LLM 安全应用 / 攻击面管理 / 漏洞发现与验证 / 威胁检测与防御研究 / 检测工程 / 安全运营 / 红队/蓝队演练 / 安全工具本地化
配置难度
高。该项目涉及 Go 后端、Next.js 前端、PostgreSQL、Docker、LLM API、多智能体编排、安全工具链、反向代理、SSE、渗透测试知识和合规授权管理。普通开发者可按文档构建运行，但要安全、合规、有效地使用，需要较强的安全工程和运维经验。
商业价值
对安全厂商、企业安全团队和研究机构具有较高研究与防御价值。它可以帮助团队理解自主 AI 攻击工具的工作方式，设计检测规则、日志审计、审批拦截和红蓝演练方案，也可作为授权渗透测试辅助平台的原型。但商业化落地需重点解决 AGPL-3.0 合规、滥用防控、模型数据安全、操作审计、客户授权边界和法律责任问题。对中国开发者而言，更适合作为防御研究、内部靶场验证和 AI 安全能力评估工具，而不应直接用于未授权外部目标。
01
技术亮点
- LLM 多智能体架构，包含 goals、planner、worker、mainagent 等角色，可自动规划并执行安全测试流程。
- Go 单二进制部署方式，Next.js 前端可通过 go:embed 嵌入后端，便于分发。
- 提供 Web UI，可查看仪表盘、任务、资产、漏洞、活动流、覆盖图和人机交互对话。
- 使用 PostgreSQL 持久化资产图和探索图，便于追踪攻击链、事实、漏洞和资产关系。
- 双图模型清晰：资产图描述目标资产，探索图描述任务执行过程，两者通过 anchor 关联。
- 支持人类介入，可在自主执行过程中向 Agent 提供提示或调整方向。
- 内置流量记录代理、工具审批网关、异步 DNS/HTTP 补充信息、skills、memory、report 等支持模块。
- 强调防御和检测视角，仓库主题包含 detection-engineering、sigma-rules、blue-team。
- 支持 Anthropic、OpenAI 以及 OpenAI 兼容端点，便于接入不同 LLM 供应商。
- 韩语本地化较完整，面向韩国安全团队；中文开发者也可通过 README.zh.md 了解上游中文说明。
02
目标用户
- 企业安全团队
- 红队与渗透测试人员
- 蓝队与安全运营中心 SOC
- 检测工程师
- 安全研究人员
- AI 安全研究者
- 需要评估自主 AI 攻击能力的防御团队
- 韩语环境下的安全团队
- 具备 Go、Docker、PostgreSQL 与 LLM API 使用经验的开发者
03
配置要求
- PostgreSQL 数据库。可在 config.json 中配置 database.host、port、user、password、dbname、sslmode，也可用 ARTEX_PG_DSN 环境变量覆盖。
- LLM API Key。支持 ANTHROPIC_API_KEY 或 OPENAI_API_KEY，也可在 UI 的 LLM 设置页面中配置。
- 可选 LLM 环境变量：ARTEX_LLM_PROVIDER、ARTEX_LLM_MODEL、ARTEX_LLM_BASE_URL、ARTEX_LLM_PROXY。
- 如使用国产或开源模型，需要提供 OpenAI 兼容的 ARTEX_LLM_BASE_URL。
- 需要合理设置 max_tokens。OpenAI 兼容路径下，gpt-4o 等模型响应上限通常为 16384，若默认传入 32768 可能触发 400 max_tokens is too large。
- 建议使用能力较强的前沿模型，例如 README 中提到 claude-opus-4-8 和 gpt-4o 在韩语输出上表现更稳定；较小模型可能出现输出语言漂移。
- 系统设置中可调整每个任务的 worker agent 并发数，默认值为 3。
- 反向代理部署时，前端、API、SSE 默认由同一后端端口提供。若使用 Nginx 等代理 SSE，必须关闭缓冲，否则实时活动流可能一直处于加载状态。
- 生产或公网环境部署时应只开放必要端口，建议 8787 留在内网，通过 HTTPS/443 反向代理访问。
- 使用前必须确认测试目标属于自有资产或已获得明确书面授权。
04
适用场景
- 在本地隔离靶场中研究 LLM 自主渗透测试流程
- 对自有资产或获得授权的目标进行辅助安全评估
- 观察 AI Agent 如何拆解目标、规划攻击路径、调用工具并记录发现
- 构建防御检测规则、Sigma 规则和安全监控思路
- 红蓝对抗演练中的攻击链模拟与防御验证
- 学习多智能体安全系统架构，包括 planner、worker、human-in-the-loop 交互
- 生成资产图、探索图、漏洞发现和最终安全报告
- 评估不同 LLM 模型在安全任务中的执行效果与语言输出稳定性
- 将自主攻击行为映射到检测、拦截和审计机制中
05
部署与配置
- 准备 Docker、Docker Compose、Node.js/npm、Go、PostgreSQL 以及可用的 LLM API Key。
- 克隆仓库：git clone https://github.com/jiwoochris/artex-ko.git && cd artex-ko。
- 复制环境变量示例：cp .env.example .env，并设置 POSTGRES_PASSWORD，按需设置 ANTHROPIC_API_KEY 或 OPENAI_API_KEY。
- 注意：README 明确说明当前 docker compose up -d 快速启动路径不可直接使用，因为 docker-compose.yml 中引用的上游镜像 autumn27/artex 当前无法从 Docker Hub 拉取，可能报 pull access denied 或 manifest unknown。
- 推荐从源码构建单文件二进制：cd web && npm ci && npm run build:static && cd ..。
- 将前端静态构建同步到后端嵌入目录：rm -rf server/webui/dist && mkdir -p server/webui/dist && cp -a web/out/. server/webui/dist/。
- 构建 Go 二进制：CGO_ENABLED=0 go build -tags embedui -o artex ./cmd/artex。
- 通过启动脚本运行：./start.sh，Windows 使用 start.bat。
- 访问 http://localhost:8787，首次进入 /setup 设置管理员密码。
- 如 shell 中 NODE_ENV=production 导致 npm ci 跳过 devDependencies，可使用 npm ci --include=dev。
- 如果需要代理端口，可使用类似 ./start.sh -addr :8787 -proxy :8788 的参数启动。
06
风险与注意事项
- 高滥用风险：这是自主渗透测试/攻击链执行工具，未经授权使用可能构成违法犯罪。
- 法律合规风险：在中国或其他司法辖区使用时，必须遵守网络安全法、数据安全法、个人信息保护法及相关渗透测试授权要求。
- 当前 Docker 快速启动不可用：上游 Docker 镜像 autumn27/artex 无法拉取，必须优先考虑源码构建。
- AGPL-3.0 许可证要求较强，若进行网络服务化、二次开发或商业集成，需要严格评估开源合规和源代码开放义务。
- LLM 行为不确定：模型可能出现语言漂移、误判、无效调用、幻觉、误报或漏报。
- 小模型或低成本模型可能无法稳定遵循输出语言和任务格式要求。
- 自主 Agent 可能执行高风险命令，必须启用范围控制、审批机制、隔离网络和日志审计。
- 可能触及敏感数据。即便在授权测试中，也需要控制个人信息、凭据、日志和漏洞证明材料的收集、存储与销毁。
- 依赖外部 LLM API 时，可能将目标信息、日志或测试上下文发送给第三方模型供应商，存在数据出境和保密风险。
- 项目为本地化分支，需关注与上游 ARTEX 的功能同步、漏洞修复和安全补丁差异。
- README 中提到原始 ARTEX 曾被媒体报道可能涉及现实攻击事件，说明该类工具的社会与监管敏感度很高。
2026-10-09
第17名
新收录 · github_search
