PentAGI-(AI自动化渗透)Docker环境部署

PentAGI-(AI自动化渗透)Docker环境部署

一、 深度解构:什么是 PentAGI?

PentAGI 是由 VXControl 团队开发的一款革命性开源安全项目。它代表了 AI 与网络安全 深度融合的最高水准,旨在打造一个能够自主执行任务的“数字黑客助手”。

1. 为什么它如此强大?

不同于传统的扫描器(如 Nessus 或 OpenVAS),PentAGI 的核心是一个基于 LLM(大语言模型) 的决策引擎。它不仅能发现漏洞,更重要的是它能“理解”漏洞。

  • • 自主推理:它能像人类渗透测试专家一样,根据上一步的扫描结果(如端口开放情况)动态推导下一步的攻击路径。
  • • 工具编排:它能自主驱动并联动数百个安全工具(如 Nmap、Sqlmap、Nuclei、Metasploit 等),实现真正的自动化闭环。
  • • 长效记忆:集成 pgvector 向量数据库,让 AI 能够记住目标系统的历史架构,从而在复杂的内网环境中不迷路。

2. 核心功能与应用场景

  • • 自动化红队演练:在企业内网中自动模拟黑客攻击,寻找加固点。
  • • 智能代码/指纹分析:利用 AI 快速识别非标准的 Web 组件和潜在的零日(0-day)配置风险。
  • • 漏洞复现报告:自动尝试利用发现的漏洞(如 SQL 注入),并生成包含修复建议的详细报告。

二、 ⚠️ 法律与职业道德警示

【强制性提示】

PentAGI 具备极强的攻击性。必须在获得正式书面授权的情况下方可使用。

  • • 严禁非法攻击:任何未经授权的测试行为均属违法,需承担法律责任。
  • • 合规研究:本工具仅限用于合规的渗透测试、安全研究及防御性演练工作。

三、 部署前的核心依赖:API Key

特别注意: PentAGI 的“大脑”依赖于外部 API。在使用之前,你必须准备好以下至少一种 API 密钥:

  • • Google Gemini API(推荐,支持超长上下文)
  • • OpenAI API (GPT-4 级别)
  • • Anthropic API (Claude 系列)

没有 API Key,系统将无法进行逻辑推理和任务决策。


四、 快速部署步骤 (Ubuntu 22.04)

1. 环境初始化

我们将项目部署在 admin 用户目录下:

# 切换至项目目录 mkdir -p /home/admin/pentagi && cd /home/admin/pentagi # 安装 unzip 等必要工具 sudo apt update && sudo apt install -y unzip curl

2. 解决网络难题:配置 Docker 镜像加速

PentAGI 依赖的镜像(如 scraper)超过 1GB,国内下载极易失败,必须配置加速器。

sudo nano /etc/docker/daemon.json

在文件中填入:

{ "registry-mirrors": [ "https://docker.m.daocloud.io", "https://docker.1panel.live", "https://hub.rat.dev", "https://docker.anyhub.us.kg", "https://docker.chenby.cn" ] }

保存后执行:

sudo systemctl daemon-reload && sudo systemctl restart docker

3. 获取配置文件与权限优化

下载核心定义文件,并修改端口监听以便在宿主机通过 192.168.x.x 访问。

# 下载定义文件 curl -o .env https://raw.githubusercontent.com/vxcontrol/pentagi/master/.env.example curl -O https://raw.githubusercontent.com/vxcontrol/pentagi/master/docker-compose.yml

修改监听权限:

执行 nano docker-compose.yml,定位到 pentagi 服务的 ports 节点:

  • • 删除${PENTAGI_LISTEN_IP:-127.0.0.1}:${PENTAGI_LISTEN_PORT:-8443}:8443
  • • 替换为"0.0.0.0:8443:8443" (注意双引号)
pentagi: image: ${PENTAGI_IMAGE:-vxcontrol/pentagi:latest} restart: unless-stopped container_name: pentagi hostname: pentagi expose: - 8443/tcp ports: - "0.0.0.0:8443:8443" # 修改后的行 depends_on: pgvector: condition: service_started

4. 填入核心驱动:配置 API Key

nano .env

找到相关 API 变量(如 GEMINI_API_KEY),填入你获取的密钥并保存。


五、 启动与访问

1. 一键启动集群

docker compose up -d

2. 远程登录

在 Windows 宿主机浏览器中输入虚拟机的实际 IP:
https://192.168.x.x:8443

(注意:由于使用自签名证书,请在浏览器弹出“警告”时点击“高级” -> “继续前往”。)

默认登录信息

项目默认值
用户名 (Email)[email protected]
密码 (Password)admin
访问地址https://192.168.x.x:8443

Read more

【机器人】具身导航 VLN 最新论文汇总 | Vision-and-Language Navigation

【机器人】具身导航 VLN 最新论文汇总 | Vision-and-Language Navigation

本文汇总了具身导航的论文,供大家参考学习,涵盖2026、2025、2024、2023等 覆盖的会议和期刊:CVPR、IROS、ICRA、RSS、arXiv等等 论文和方法会持续更新的~ 一、🏠 中文标题版 2026 ✨ * [2026] SeqWalker:基于分层规划的时序视野视觉语言导航方法 [ 论文 ] [ GitHub ]   * [2026] UrbanNav:从网络规模人类轨迹中学习语言引导的城市导航方法 [ 论文 ] [ GitHub ]  * [2026] VLN-MME:面向语言引导视觉导航智能体的多模态大语言模型诊断基准 [ 论文 ] [ GitHub ]  * [2026] ASCENT: 实现楼层感知的零样本物体目标导航  [ 论文] [ GitHub ] 2025 😆 * [2025] ETP-R1:面向连续环境VLN的进化拓扑规划与强化微调方法 [ 论文 ] [ GitHub ] * [2025] NaviTrace:评估视觉语言模型在真实世界场景中的导航能力 [ 论文 ] [ GitHub ] * [2025]

基于FPGA的高精度TDC设计

Xilinx 使用 Vivado 实现 TDC:基于 Verilog 的高精度时间数字转换器设计 在激光雷达系统中,飞行时间(ToF)测量的精度直接决定了距离分辨能力。一个典型的挑战是:如何在不使用昂贵专用芯片的前提下,实现皮秒级的时间间隔测量?随着FPGA架构的进步,尤其是Xilinx 7系列及UltraScale器件中SLICE结构的高度一致性,这个问题有了新的答案——利用FPGA内部的进位链(Carry Chain)构建全数字TDC(Time-to-Digital Converter),不仅成本低、集成度高,还能达到50~100 ps的分辨率。 这种方案的核心思想并不复杂:把两个事件之间极短的时间差,“展开”成一条由微小延迟单元串联而成的物理路径,再通过锁存这条路径上的状态来“读出”时间值。听起来像是用尺子量时间,而这条“尺子”的最小刻度就是每个延迟单元的传播延迟。 要理解这一机制,得先看清楚FPGA里藏着什么“宝藏”。在Xilinx Artix-7或Kintex-7这类主流器件中,每一个CLB(Configurable Logic Block)

Unity打包Webgl后 本地运行测试

这里写自定义目录标题 * 关于unity 打包Webgl后 如何在本地运行,或同一局域网运行测试 * 1.安装Nginx * 2.安装 Node.js * 下面链接可下载安装 * Node.js环境配置 关于unity 打包Webgl后 如何在本地运行,或同一局域网运行测试 1.安装Nginx 2.安装 Node.js 下面链接可下载安装 链接: link. 测试安装是否成功,按下【win+R】键,输入cmd,打开cmd窗口 输入:node -v // 显示node.js版本 npm -v // 显示npm版本 图片: Node.js环境配置 1.找到刚刚安装的目录,在安装目录下新建两个文件夹【node_global】

用GLM-4.6V-Flash-WEB搭建智能客服系统,全流程详解

用GLM-4.6V-Flash-WEB搭建智能客服系统,全流程详解 在电商、SaaS平台和在线教育等业务场景中,用户每天会上传大量截图、订单凭证、界面异常图来咨询问题。传统客服系统只能处理文字提问,面对“这张图里第3个按钮为什么点不动?”“截图中的报错信息是什么意思?”这类问题束手无策。而真正能看懂图、理解上下文、给出精准解答的AI客服,过去往往需要多张高端显卡+数周工程投入。 GLM-4.6V-Flash-WEB改变了这一现状——它不是又一个参数庞大的视觉语言模型,而是专为真实客服交互场景打磨的轻量级推理引擎。单卡16GB显存即可运行,支持网页直传图片+自然语言提问,响应延迟稳定控制在300ms内,且对中文UI、表格、错误提示等本土化内容理解准确率远超通用模型。 本文不讲抽象原理,不堆砌技术参数,只聚焦一件事:手把手带你把GLM-4.6V-Flash-WEB变成一个能立刻上线、解决真实问题的智能客服系统。从环境准备到API封装,从对话状态管理到生产防护,每一步都经过实测验证,代码可直接复制运行。 1. 为什么客服场景特别适合GLM-4.6V-Flash-WEB? 1.1