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

Nanbeige 4.1-3B Streamlit WebUI效果实录:表格数据生成与对齐展示

Nanbeige 4.1-3B Streamlit WebUI效果实录:表格数据生成与对齐展示 1. 引言:当大模型遇上清爽的聊天界面 如果你用过一些大模型的Web界面,可能会觉得它们长得都差不多——侧边栏塞满选项,聊天框方方正正,头像要么是默认图标要么是系统头像,整体感觉有点“程序员审美”。 今天要展示的这个Nanbeige 4.1-3B Streamlit WebUI,完全打破了这种刻板印象。它把大模型的对话界面做成了类似手机短信或者二次元游戏聊天的样子,左右对齐的聊天气泡,清爽的浅色背景,还有流畅的打字机效果。 但界面好看只是基础,真正让我惊喜的是它在处理表格数据时的表现。很多大模型在生成表格时,要么格式混乱,要么对齐错位,而这个界面不仅能让模型生成漂亮的表格,还能完美地展示出来。 接下来,我就带大家看看这个界面在实际使用中,特别是处理表格数据时,到底有多好用。 2. 界面设计:极简风格下的实用主义 2.1 视觉设计:告别拥挤,拥抱清爽 打开这个WebUI的第一眼,你会注意到几个明显不同: 背景设计不再是单调的白色或深色,而是采用了浅灰蓝色加上极简的圆点矩阵

By Ne0inhk

noteDigger:终极前端扒谱工具,让音乐制作变得简单快速

noteDigger:终极前端扒谱工具,让音乐制作变得简单快速 【免费下载链接】noteDigger在线前端频率分析扒谱 front-end music transcription 项目地址: https://gitcode.com/gh_mirrors/no/noteDigger noteDigger是一款创新的前端扒谱工具,专为音乐创作者和制作人设计。这款免费工具采用纯前端技术,无需安装任何软件或依赖库,双击即可使用,让音乐扒谱变得前所未有的简单!🎵 为什么选择noteDigger进行音乐扒谱? 在数字音乐时代,扒谱工具是每位音乐制作人的必备利器。noteDigger以其独特的优势脱颖而出: * 零配置使用:直接打开HTML文件即可开始工作 * 现代UI设计:直观的界面让新手也能快速上手 * 自主技术栈:完全自主研发,不依赖任何框架,项目体积小巧 * 跨平台兼容:支持所有现代浏览器,包括Chrome、Firefox等 快速上手:三步完成音乐扒谱 第一步:导入音频文件 noteDigger支持多种音频格式,包括常见的MP3、WAV文件,甚至视频格式如MP

By Ne0inhk
小白前端速成:用HTML+CSS搞定超炫流动背景特效(附实战代码)

小白前端速成:用HTML+CSS搞定超炫流动背景特效(附实战代码)

小白前端速成:用HTML+CSS搞定超炫流动背景特效(附实战代码) * 小白前端速成:用HTML+CSS搞定超炫流动背景特效(附实战代码) * 先别急着敲代码,结构整明白了吗? * 所以这"流动"到底是啥黑科技? * 拆解魔法代码:从死图到会呼吸 * 第一步:先调颜料盘 * 第二步:放大画布,准备偷天换日 * 第三步:写动画关键帧,这是心跳 * 醒醒,这玩意儿在真机上可能卡成PPT * 开启GPU加速,骗浏览器用显卡 * 移动端 detection,该怂就怂 * 老浏览器 Fallback * 实战!这三个场景用流动背景简直绝配 * 场景一:登录页,让输入框不那么枯燥 * 场景二:404页面,缓解用户焦虑 * 场景三:数据看板的"活"背景 * 救命!我的背景怎么跟抽风似的?

By Ne0inhk

前端 + agent 开发学习路线

背景:团队启动Agent项目,从零开始学习工程化AI开发 感谢ai老师写的学习指南。存档! 引言:从困惑到清晰 最近团队要启动Agent项目,我第一次接触这个概念时,只停留在“接入大模型API+优化Prompt”的浅层理解。经过大量学习和实践探索,我才发现工程化Agent开发是系统化的架构设计,而不仅仅是API调用。 这篇文章记录我从前端视角出发,探索Agent工程化开发的学习路径和实践经验。如果你也是前端/全栈开发者,想要在AI时代找到自己的定位,这篇指南应该能帮到你。 一、认知重塑:什么是工程化Agent? 1.1 我的错误认知 vs 现实 我原来的理解: Agent = 大模型API + Prompt优化 实际上的工程化Agent: Agent = 系统架构 + 可控执行 + 安全审查 + 领域适配 + 可观测性 1.2 Agent的分层架构(医疗场景示例) 你的主战场 任务分解器 工具路由器 记忆管理器 状态监控器

By Ne0inhk