PentesterFlow 是一款全新的开源、人机协同的智能体 AI 命令行工具，专为渗透测试人员和漏洞赏金猎人打造，旨在自动化从信息收集到报告生成的整个工作流，同时不牺牲分析人员的掌控力。

大多数智能体 AI 安全工具存在幻觉发现、上下文保持能力弱、工具集成不佳等问题，而 PentesterFlow 直面这些挑战，内置了渗透测试技能、基于证据的漏洞确认机制以及持续的本地学习能力。

该工具可连接本地或托管的大语言模型（LLM），针对指定范围内的目标规划行动，执行真实的安全测试工具，并在运行敏感命令之前要求分析人员明确批准。

这种”人机协同”的设计确保 AI 在未经安全工程师签字确认的情况下，绝不会在生产系统上失控运行，从而解决了自主渗透测试工具中长期存在的信任鸿沟。

01 PentesterFlow 详解

PentesterFlow 旨在覆盖渗透测试的整个生命周期：范围界定、信息收集、枚举扫描、漏洞验证、覆盖度追踪、报告撰写和持续学习。

在一次现场演示中，该工具加载了一个”webvuln”（Web 漏洞）技能模块，发送 HTTP 请求测试某个订单 API，并自动确认了一个高危的 IDOR（不安全的直接对象引用）漏洞，将有证据支撑的发现直接写入 Markdown 文件中。

功能一览

功能	说明
模型后端	Ollama、LM Studio、Kimi、Groq、Gemini、DeepSeek、OpenRouter 及兼容 OpenAI 的 API
内置技能	信息收集（Recon）、Web 漏洞、SSRF、SSTI、JWT、GraphQL、竞态条件、子域名接管、Supabase、反序列化
工具集	Shell/Bash、HTTP、Burp Suite 桥接、浏览器捕获、MCP 支持、文件读写、grep/glob
报告输出	已确认的漏洞发现，附带 PoC、影响分析、修复建议及可直接复制的 curl 命令
记忆能力	会话恢复、上下文快照、持续本地智能系统

值得一提的是 PentesterFlow 的本地持续学习系统，它会静默地存储用户偏好、成功的工作流、覆盖度缺口以及失败假设中的经验教训，存入项目专属和个人智能文件中，从而不断改进未来的会话，而无需对底层模型进行重新训练。

密钥等敏感信息在写入磁盘之前会自动脱敏处理，重复的记忆内容在送达模型之前会被去重，使得工作流在日益智能的同时保持简洁。

02 安全与集成

PentesterFlow 已在 GitHub 上发布，其强制执行基于权限的工具调用，阻止灾难性的 Shell 命令模式，并在压缩和快照过程中对凭证进行脱敏。不过，它也提供了”YOLO 模式”，可在隔离的实验环境中自动批准所有操作。

它通过配套的桥接工具直接集成 Burp Suite，允许测试人员将捕获的流量导入 CLI，并将已确认的漏洞发现作为 Burp Issue 导回，使手动测试和 AI 辅助测试之间的工作流更加顺畅。

安装非常简单，macOS/Linux 上通过 Shell 脚本，Windows 上通过 PowerShell 命令，即可拉取最新的独立二进制文件并验证其 SHA-256 校验和。

用户可以锁定特定版本，选择本地 LLM（如 Ollama 的 qwen2.5-coder 模型），或连接到托管服务商（如 Gemini 和 Groq），然后通过简单的 /target 命令设定目标 URL，再用自然语言向智能体下达指令，例如：”测试 orders API 是否存在访问控制缺陷”。

需要注意的是，处理敏感目标的分析人员应明确：PentesterFlow 仅限授权的安全测试工作使用，因为它一旦获得批准，将有能力运行 Shell 命令并发送实时的 HTTP 请求。

随着 PentAGI、PentestGPT 等项目在攻击性安全领域的涌现，PentesterFlow 凭借其透明、可复现的证据链和分析人员审批机制，在智能体 AI 渗透测试工具中独树一帜，尤其适合对全自主渗透测试代理持谨慎态度的安全团队。

信息来源：https://cybersecuritynews.com/pentesterflow