AI 网络安全 Agent：LangGraph + DeepSeek-R1 + 安全工具链全栈实战

ggsshhgj

392人浏览 · 2026-05-27 17:40:38

ggsshhgj · 2026-05-27 17:40:38 发布

从零搭建 AI 网络安全 Agent：LangGraph + DeepSeek-R1 + 安全工具链全栈实战

摘要：本文详细记录了如何基于 LangGraph 状态图引擎 + DeepSeek-R1 32B 大模型 + 本地安全工具链（nmap/nuclei/subfinder 等），构建一个具备侦察、漏洞扫描、漏洞验证、人工审批、报告生成全链路能力的 AI 网络安全 Agent。项目支持 CVE RAG 知识库增强、ELK Stack 审计日志、等保/ISO27001 合规检查。附完整源码、部署脚本和用例文档。

文章目录

从零搭建 AI 网络安全 Agent：LangGraph + DeepSeek-R1 + 安全工具链全栈实战

@[toc]

一、项目背景与目标

1.1 为什么需要 AI 安全 Agent？

1.2 技术选型

1.3 系统架构

二、环境准备

2.1 系统要求

2.2 安装 Python 环境

2.3 安装安全工具

nmap（端口扫描）

Go 工具链（subfinder / httpx / nuclei）

nikto（Web 服务器漏洞扫描）

2.4 配置环境变量

2.5 安装 Python 依赖

三、项目结构详解

四、核心模块实现

4.1 工具注册中心（tools/registry.py）

4.2 工具执行器（sandbox/executor.py）

4.3 侦察工具示例（tools/recon/nmap_tool.py）

4.4 LangGraph 状态图（agent/graph.py）

4.5 节点实现（agent/nodes.py）

Planner 节点 — LLM 智能规划

Recon 节点 — 带审计和 RAG 增强

4.6 CVE RAG 知识库（memory/vector_store.py）

4.7 审计日志层（audit/logger.py）

五、部署模型推理服务

5.1 方案一：vLLM 部署（推荐生产环境）

5.2 方案二：Ollama 部署（推荐开发调试）

5.3 验证模型服务

六、部署 ELK Stack（可选）

6.1 一键部署

6.2 服务地址

6.3 验证部署

6.4 Kibana 配置

七、使用指南

7.1 查看工具状态

7.2 全栈安全扫描

7.3 快捷命令

7.4 加载 CVE 知识库

7.5 合规检查

八、人工审批流程（HITL）

8.1 工作原理

8.2 代码流程

8.3 LangGraph interrupt_before 机制

九、Python API 调用

十、添加自定义工具

步骤 1：创建工具文件

步骤 2：安装工具

步骤 3：验证

十一、项目源码文件清单

十二、测试

十三、常见问题

Q1: 工具未找到？

Q2: 模型连接失败？

Q3: ELK 连接失败？

Q4: NVD API 被限流？

Q5: 显存不足运行 32B 模型？

十四、总结

一、项目背景与目标

1.1 为什么需要 AI 安全 Agent？

传统的渗透测试流程高度依赖安全工程师的手动操作：

侦察阶段：手动运行 nmap、subfinder、httpx，逐个分析输出
漏洞扫描：手动配置 nuclei 模板、nikto 参数，人工筛选误报
报告编写：手动整理发现、计算 CVSS 评分、撰写修复建议

整个流程耗时数小时甚至数天，且高度依赖个人经验。

AI Agent 的价值：

自动编排多工具执行顺序
智能分析工具输出，减少误报
RAG 增强：自动关联 CVE 知识库
结构化审计日志，满足合规要求
一键生成安全评估报告

1.2 技术选型

组件	选型	理由
推理框架	LangGraph	状态管理最稳，支持条件分支、循环、HITL（人机回环）
底层模型	DeepSeek-R1-Distill-Qwen-32B	逻辑链极强，能理解复杂混淆流量和利用链
执行引擎	vLLM / Ollama	本地部署，数据不出境，兼容 OpenAI API
向量存储	ChromaDB	轻量级，存放 CVE 知识库和攻击指纹，实现 RAG 增强
审计日志	ELK Stack	Elasticsearch + Logstash + Kibana，满足等保合规
CLI 框架	Click + Rich	命令行交互，丰富的终端输出

1.3 系统架构

┌─────────────────────────────────────────────────────────┐
│                    用户接口 (CLI)                         │
│  sec-agent scan <target>                                │
└──────────────────────┬──────────────────────────────────┘
                       │
┌──────────────────────▼──────────────────────────────────┐
│               LangGraph 状态图引擎                        │
│                                                          │
│  ┌────────┐  ┌────────┐  ┌────────┐  ┌────────┐        │
│  │ Planner│→│  Recon │→│VulnScan│→│ Report │         │
│  └───┬────┘  └───┬────┘  └───┬────┘  └───┬────┘        │
│      │           │           │           │               │
│   [LLM规划]  [HITL审批]  [RAG增强]   [生成报告]          │
└──────┼───────────┼───────────┼───────────┼───────────────┘
       │           │           │           │
┌──────▼───────────▼───────────▼───────────▼───────────────┐
│              工具执行层 (subprocess 沙箱)                   │
│  nmap │ subfinder │ httpx │ nuclei │ nikto │ shodan      │
└──────────────────────┬───────────────────────────────────┘
                       │
┌──────────────────────▼───────────────────────────────────┐
│       模型推理: DeepSeek-R1 32B (vLLM/Ollama)            │
│       知识库: ChromaDB (CVE RAG + 攻击指纹)               │
│       审计层: JSONL + Elasticsearch (等保合规)             │
└──────────────────────────────────────────────────────────┘

二、环境准备

2.1 系统要求

操作系统：Windows 10/11（本文环境）、Linux、macOS
Python：3.11+
Docker：用于部署 ELK Stack（可选）
Go：用于安装安全工具（subfinder/httpx/nuclei）
GPU：运行 32B 模型需要 24GB+ 显存（或使用量化版本）

2.2 安装 Python 环境

# 创建项目目录
mkdir D:\网络安全agent\sec-agent
cd D:\网络安全agent\sec-agent

# 创建虚拟环境
python -m venv .venv

# 激活虚拟环境（Windows）
.venv\Scripts\activate

# 激活虚拟环境（Linux/macOS）
# source .venv/bin/activate

2.3 安装安全工具

nmap（端口扫描）

# Windows: 使用 winget
winget install Insecure.Nmap

# 或从官网下载安装包
# https://nmap.org/download.html

# 验证安装
nmap --version

Go 工具链（subfinder / httpx / nuclei）

# 先安装 Go: https://go.dev/dl/

# 安装 subfinder（子域名枚举）
go install -v github.com/projectdiscovery/subfinder/v2/cmd/subfinder@latest

# 安装 httpx（Web 指纹识别）
go install -v github.com/projectdiscovery/httpx/cmd/httpx@latest

# 安装 nuclei（模板化漏洞扫描）
go install -v github.com/projectdiscovery/nuclei/v3/cmd/nuclei@latest

# 初始化 nuclei 模板库
nuclei -update-templates

# 验证安装
subfinder -version
httpx -version
nuclei -version

nikto（Web 服务器漏洞扫描）

# 方式一：本地安装（需要 Perl 环境）
# 下载: https://github.com/sullo/nikto

# 方式二：使用 Docker（推荐）
docker run --rm sullo/nikto -h <target>

2.4 配置环境变量

# 复制环境变量模板
copy .env.example .env   # Windows
# cp .env.example .env   # Linux/macOS

编辑 .env 文件：

# ========== 模型推理 ==========
# vLLM 本地部署（推荐生产环境）
VLLM_API_BASE=http://localhost:8000/v1
VLLM_API_KEY=not-needed
MODEL_NAME=deepseek-ai/DeepSeek-R1-Distill-Qwen-32B

# Ollama 本地部署（推荐开发调试）
# OLLAMA_API_BASE=http://localhost:11434/v1
# MODEL_NAME=deepseek-r1:32b

# ========== 安全工具 ==========
# Shodan API Key（可选，用于互联网资产搜索）
# 获取地址: https://account.shodan.io
SHODAN_API_KEY=

# ========== 审计 / ELK ==========
ELASTICSEARCH_HOST=http://localhost:9200
ELASTICSEARCH_INDEX=sec-agent-audit
OPERATOR_ID=admin

# ========== Agent 配置 ==========
MAX_ITERATIONS=50
TOOL_TIMEOUT=300
REQUIRE_APPROVAL=true

2.5 安装 Python 依赖

# 安装项目依赖
pip install -e .

# 开发模式（包含测试依赖）
pip install -e ".[dev]"

核心依赖说明：

包名	版本	用途
langgraph	>=0.2.0	状态图引擎
langgraph-checkpoint-sqlite	>=2.0.0	持久化 checkpointer
openai	>=1.50.0	连接 vLLM/Ollama（OpenAI 兼容 API）
chromadb	>=0.5.0	向量数据库（CVE RAG）
elasticsearch	>=8.16.0	审计日志推送到 ES
pydantic	>=2.9.0	数据模型验证
click	>=8.1.0	CLI 框架
rich	>=13.9.0	终端美化输出
httpx	>=0.28.0	HTTP 请求（Shodan API）
xmltodict	>=0.14.0	解析 nmap XML 输出

三、项目结构详解

sec-agent/
├── cli.py                          # CLI 入口（7 个命令）
├── pyproject.toml                  # 依赖配置
├── .env.example                    # 环境变量模板
├── USAGE.md                        # 用例文档
│
├── config/                         # 配置层
│   ├── settings.py                 # 全局配置（Pydantic Settings）
│   └── prompts.py                  # 系统提示词 + 报告模板
│
├── agent/                          # Agent 核心层
│   ├── state.py                    # LangGraph 状态定义
│   ├── graph.py                    # 状态图编排
│   ├── nodes.py                    # 8 个节点实现
│   └── edges.py                    # 条件路由逻辑
│
├── tools/                          # 工具层
│   ├── registry.py                 # 工具注册中心（自动发现）
│   ├── recon/                      # 侦察工具
│   │   ├── nmap_tool.py            # 端口扫描
│   │   ├── subfinder_tool.py       # 子域名枚举
│   │   ├── httpx_tool.py           # Web 指纹识别
│   │   └── shodan_tool.py          # 互联网资产搜索
│   └── vuln/                       # 漏洞扫描工具
│       ├── nuclei_tool.py          # 模板化漏洞检测
│       └── nikto_tool.py           # Web 服务器漏洞
│
├── memory/                         # 知识库层
│   ├── vector_store.py             # ChromaDB 向量存储
│   ├── cve_loader.py               # NVD 数据加载器
│   └── session_memory.py           # 会话级内存
│
├── audit/                          # 审计层
│   ├── logger.py                   # 结构化审计日志
│   └── compliance.py               # 等保/ISO27001 合规检查
│
├── sandbox/                        # 执行沙箱
│   ├── executor.py                 # subprocess 执行器
│   └── validator.py                # 输出解析验证
│
├── elk/                            # ELK 部署
│   ├── docker-compose.yml          # 一键部署
│   └── logstash.conf               # 管道配置
│
└── tests/                          # 测试
    ├── conftest.py
    ├── test_registry.py
    ├── test_state.py
    └── test_validator.py

四、核心模块实现

4.1 工具注册中心（tools/registry.py）

这是整个工具链的基石。每个工具文件在导入时自动调用 registry.register() 注册自己。

@dataclass
class SecurityTool:
    name: str                    # 工具名称
    category: str                # 分类: recon | vuln | exploit | audit
    risk_level: str              # 风险等级: low | medium | high | critical
    requires_approval: bool      # 是否需要人工审批
    binary: str                  # 可执行文件名（API 工具留空）
    description: str = ""        # 工具描述
    timeout: int = 300           # 超时时间（秒）
    schema: dict = field(default_factory=dict)  # 参数 JSON Schema

关键设计：API 工具 vs CLI 工具的区分

def check_available(self, name: str) -> tuple[bool, str]:
    tool = self._tools.get(name)
    if not tool:
        return False, f"Tool '{name}' not registered"
    # API 类工具（如 Shodan）没有本地 binary，直接返回可用
    if not tool.binary:
        return True, ""
    # CLI 类工具需要检查 binary 是否在 PATH 中
    binary_path = shutil.which(tool.binary)
    if not binary_path:
        return False, f"Binary '{tool.binary}' not found in PATH"
    return True, ""

自动发现机制：

def discover_tools() -> list[str]:
    """扫描 tools/ 下所有 *_tool.py 文件，自动导入注册"""
    tools_dir = Path(__file__).resolve().parent
    imported = []
    for subdir in ["recon", "vuln", "exploit", "audit", "report"]:
        pkg_dir = tools_dir / subdir
        if not pkg_dir.is_dir():
            continue
        for py_file in sorted(pkg_dir.glob("*_tool.py")):
            mod_name = f"tools.{subdir}.{py_file.stem}"
            importlib.import_module(mod_name)
            imported.append(mod_name)
    return imported

只需在 tools/recon/ 下创建 xxx_tool.py 并调用 registry.register()，无需手动注册。

4.2 工具执行器（sandbox/executor.py）

统一的 subprocess 封装，带超时控制和错误处理：

def run_command(cmd: list[str], timeout: int | None = None) -> ExecutionResult:
    timeout = timeout or settings.tool_timeout
    try:
        proc = subprocess.run(
            cmd, capture_output=True, text=True, timeout=timeout
        )
        return ExecutionResult(
            success=proc.returncode == 0,
            stdout=proc.stdout,
            stderr=proc.stderr,
            returncode=proc.returncode,
        )
    except subprocess.TimeoutExpired:
        return ExecutionResult(
            success=False, stderr=f"Command timed out after {timeout}s",
            returncode=-1, timed_out=True,
        )

4.3 侦察工具示例（tools/recon/nmap_tool.py）

以 nmap 为例，展示工具的标准实现模式：

def nmap_scan(target: str, ports: str = "1-10000", scan_type: str = "sV") -> dict:
    # 构建命令
    cmd = ["nmap", f"-{scan_type}", "-p", ports, "--open", "-oX", "-"]
    cmd.append(target)

    # 执行
    result = run_command(cmd)
    if not result.success:
        return {"error": result.stderr, "success": False}

    # 解析 XML 输出
    parsed = xmltodict.parse(result.stdout)
    hosts = parsed.get("nmaprun", {}).get("host", [])
    # ... 解析端口和服务信息 ...

    return {
        "success": True,
        "target": target,
        "services": services,
        "total_open_ports": len(services),
    }

# 注册工具
registry.register(
    tool=SecurityTool(
        name="nmap_scan",
        category="recon",
        risk_level="low",
        requires_approval=False,
        binary="nmap",
        description="Port scanning and service detection using nmap.",
        schema={...},
    ),
    handler=nmap_scan,
)

4.4 LangGraph 状态图（agent/graph.py）

这是 Agent 的"大脑"，定义了任务的执行流程：

def build_security_agent(checkpointer=None):
    discover_tools()

    graph = StateGraph(AgentState)

    # 注册节点
    graph.add_node("planner", plan_task)         # LLM 规划
    graph.add_node("recon", run_recon)            # 侦察
    graph.add_node("vuln_scan", run_vuln_scan)    # 漏洞扫描
    graph.add_node("validate", validate_vulns)    # 漏洞验证
    graph.add_node("human_approval", wait_approval)  # 人工审批
    graph.add_node("exploit", run_exploit)        # 漏洞利用
    graph.add_node("audit_check", run_audit)      # 安全审计
    graph.add_node("report", generate_report)     # 报告生成

    # 定义执行流程
    graph.set_entry_point("planner")

    # Planner → 根据任务类型路由
    graph.add_conditional_edges("planner", route_task, {
        "recon": "recon",
        "vuln_scan": "vuln_scan",
        "audit": "audit_check",
    })

    # Recon → VulnScan → 判断是否需要利用
    graph.add_edge("recon", "vuln_scan")
    graph.add_conditional_edges("vuln_scan", check_exploit_needed, {
        "human_approval": "human_approval",  # 有高危漏洞 → 请求审批
        "validate": "validate",               # 直接验证
        "report": "report",                   # 无高危 → 直接报告
    })

    # 审批 → 验证 → 利用 → 报告
    graph.add_edge("human_approval", "validate")
    graph.add_edge("validate", "exploit")
    graph.add_edge("exploit", "report")
    graph.add_edge("audit_check", "report")
    graph.add_edge("report", END)

    # interrupt_before 实现 HITL：exploit 节点执行前暂停等待人工确认
    return graph.compile(
        checkpointer=checkpointer or _build_checkpointer(),
        interrupt_before=["exploit"],
    )

状态定义（agent/state.py）：

class AgentState(TypedDict):
    target: str                          # 目标
    task_type: Literal["recon", "vuln_scan", "exploit", "audit", "full"]
    messages: Annotated[list, add_messages]
    recon_results: dict                  # 侦察结果
    vuln_results: list                   # 漏洞列表
    exploit_results: list                # 利用结果
    risk_score: float                    # 综合风险评分
    requires_approval: bool              # 是否需要审批
    approval_granted: bool               # 是否已批准
    current_phase: str                   # 当前阶段
    report: str                          # 最终报告

4.5 节点实现（agent/nodes.py）

Planner 节点 — LLM 智能规划

def plan_task(state: AgentState) -> dict:
    """调用 DeepSeek-R1 决定下一步操作"""
    state_summary = f"Target: {target} | Task: {task_type} | Phase: {current_phase}"
    # ... 构建状态摘要 ...

    response = call_llm([
        {"role": "system", "content": PLANNER_PROMPT},
        {"role": "user", "content": f"Plan next step for target: {target}"},
    ], json_mode=True)

    plan = json.loads(response)
    return {"next_action": plan["next_action"], "current_phase": plan["next_action"]}

Recon 节点 — 带审计和 RAG 增强

def run_recon(state: AgentState) -> dict:
    audit = AuditLogger(session_id=state.get("audit_log_id"))
    target = state["target"]
    results = {}

    # 域名才跑 subfinder
    if not _is_ip(target):
        results["subfinder"] = _safe_execute("subfinder_enum", {"domain": target}, audit)

    # httpx 指纹 + nmap 端口扫描
    results["httpx"] = _safe_execute("httpx_probe", {"target": target}, audit)
    results["nmap"] = _safe_execute("nmap_scan", {"target": target}, audit)

    # RAG: 根据发现的服务查询相关 CVE
    vs = VectorStore()
    for svc in results["nmap"].get("services", [])[:5]:
        cve_hits = vs.search_cves(f"{svc['product']} {svc['version']}")
        results["rag_cves"].extend(cve_hits)

    return {"recon_results": results, "current_phase": "recon_done"}

关键设计：_safe_execute 容错包装

def _safe_execute(tool_name: str, args: dict, audit_logger=None) -> dict:
    """单个工具失败不会崩溃整个流程"""
    try:
        return registry.execute(tool_name, args, audit_logger=audit_logger, force=True)
    except ToolNotAvailable as e:
        return {"success": False, "error": str(e)}
    except Exception as e:
        return {"success": False, "error": str(e)}

4.6 CVE RAG 知识库（memory/vector_store.py）

使用 ChromaDB 存储 CVE 数据，实现语义检索：

class VectorStore:
    def __init__(self):
        self.client = chromadb.PersistentClient(path=str(persist_dir))
        self.cve_collection = self.client.get_or_create_collection(
            name="cve_knowledge",
            metadata={"hnsw:space": "cosine"},
        )

    def add_cves(self, cves: list[dict]) -> int:
        """批量写入 CVE 数据"""
        for cve in cves:
            doc_text = f"{cve['cve_id']}: {cve['description']} Severity: {cve['severity']}"
            self.cve_collection.upsert(
                ids=[cve["cve_id"]],
                documents=[doc_text],
                metadatas=[{"severity": cve["severity"], "cvss": str(cve["cvss"])}],
            )

    def search_cves(self, query: str, n_results: int = 5) -> list[dict]:
        """语义检索相关 CVE"""
        results = self.cve_collection.query(
            query_texts=[query],
            n_results=n_results,
            include=["documents", "metadatas", "distances"],
        )
        return [{"cve_id": doc_id, "document": doc, ...} for doc_id, doc in ...]

从 NVD 加载 CVE 数据：

def fetch_cves_from_nvd(keyword: str) -> list[dict]:
    """调用 NVD API 2.0 获取 CVE 数据"""
    resp = httpx.get("https://services.nvd.nist.gov/rest/json/cves/2.0",
                     params={"keywordSearch": keyword, "resultsPerPage": 200})
    # 解析 CVSS 评分、影响产品、描述等
    # ...

4.7 审计日志层（audit/logger.py）

满足等保 2.0 和 ISO 27001 的审计要求：

class AuditLogger:
    def _write(self, doc: dict) -> None:
        doc["timestamp"] = datetime.now(timezone.utc).isoformat()
        doc["session_id"] = self.session_id
        doc["operator"] = settings.operator_id

        # 写入本地 JSONL 文件
        with open(self._log_file, "a", encoding="utf-8") as f:
            f.write(json.dumps(doc, ensure_ascii=False) + "\n")

        # 推送到 Elasticsearch
        es = self._get_es()
        if es:
            es.index(index=settings.elasticsearch_index, document=doc)

    def log_tool_call(self, tool_name, args, risk_level):
        self._write({"event_type": "tool_call", "tool_name": tool_name, ...})

    def log_approval(self, tool_name, approved, approver):
        self._write({"event_type": "human_approval", ...})

合规检查器：

class ComplianceChecker:
    REQUIRED_EVENTS = ["tool_call", "tool_result", "human_approval", "phase_change", "error"]
    REQUIRED_FIELDS = ["timestamp", "session_id", "operator", "event_type"]

    def validate_log_completeness(self) -> dict:
        """检查日志是否包含所有必需事件和字段"""
        # ...
        return {"compliant": True/False, "missing_events": [...], "field_violations": [...]}

五、部署模型推理服务

5.1 方案一：vLLM 部署（推荐生产环境）

# 安装 vLLM
pip install vllm

# 启动服务（A100/H100 24GB+ 显存）
vllm serve deepseek-ai/DeepSeek-R1-Distill-Qwen-32B \
    --host 0.0.0.0 \
    --port 8000 \
    --max-model-len 32768 \
    --gpu-memory-utilization 0.9

# 如果显存不足，使用量化版本
vllm serve deepseek-ai/DeepSeek-R1-Distill-Qwen-32B-GPTQ \
    --host 0.0.0.0 \
    --port 8000 \
    --quantization gptq

5.2 方案二：Ollama 部署（推荐开发调试）

# 安装 Ollama: https://ollama.com

# 拉取模型
ollama pull deepseek-r1:32b

# 启动服务（默认端口 11434）
ollama serve

# .env 配置
# VLLM_API_BASE=http://localhost:11434/v1
# MODEL_NAME=deepseek-r1:32b

5.3 验证模型服务

# vLLM
curl http://localhost:8000/v1/models

# Ollama
curl http://localhost:11434/api/tags

# 测试推理
curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model":"deepseek-ai/DeepSeek-R1-Distill-Qwen-32B","messages":[{"role":"user","content":"Hello"}]}'

六、部署 ELK Stack（可选）

6.1 一键部署

cd elk
docker-compose up -d

6.2 服务地址

服务	地址	用途
Elasticsearch	http://localhost:9200	数据存储与搜索
Kibana	http://localhost:5601	可视化仪表板
Logstash	localhost:5044	日志收集管道

6.3 验证部署

# 检查 Elasticsearch
curl http://localhost:9200/_cluster/health

# 使用 CLI 检查
python cli.py elk-status

6.4 Kibana 配置

打开 http://localhost:5601
进入 Stack Management → Index Patterns
创建索引模式：sec-agent-audit-*
进入 Discover 查看审计日志
可按 event_type、tool_name、risk_level、operator 等字段过滤

七、使用指南

7.1 查看工具状态

python cli.py tools

输出示例：

┌───────────── Available Security Tools ─────────────┐
│ Name            Category  Risk Level  Status       │
├─────────────────────────────────────────────────────┤
│ nmap_scan       recon     low         OK           │
│ subfinder_enum  recon     low         OK           │
│ httpx_probe     recon     low         OK           │
│ nuclei_scan     vuln      medium      OK           │
│ nikto_scan      vuln      medium      OK           │
│ shodan_search   recon     low         OK           │
└─────────────────────────────────────────────────────┘

7.2 全栈安全扫描

# 完整扫描（侦察 → 漏洞扫描 → 审批 → 报告）
python cli.py scan 192.168.1.1

# 指定任务类型
python cli.py scan example.com -t recon        # 仅侦察
python cli.py scan example.com -t vuln_scan     # 仅漏洞扫描
python cli.py scan example.com -t audit          # 仅安全审计

# 保存报告
python cli.py scan example.com -o report.md

# 跳过人工审批（自动化模式）
python cli.py scan example.com --no-approval

7.3 快捷命令

python cli.py recon example.com     # 快速侦察
python cli.py vuln example.com      # 快速漏洞扫描
python cli.py audit 192.168.1.1     # 快速安全审计

7.4 加载 CVE 知识库

# 从 NVD 在线加载（按关键词）
python cli.py load-cves -k apache -k nginx -k openssl -k log4j -l 200

# 注意：NVD API 有速率限制（无 API Key 时 5 req/30s）
# 代码中已内置 6 秒间隔限流

7.5 合规检查

# 检查当前会话的审计日志合规性
python cli.py compliance

# 检查指定会话
python cli.py compliance <session_id>

输出示例：

# 审计合规检查报告

## 检查结果: PASS

## 详情
- 总日志条目: 42
- 发现的事件类型: tool_call, tool_result, human_approval, phase_change, error
- 缺失的事件类型: 无

## 合规标准
- 等保 2.0: 要求所有安全操作可追溯
- ISO 27001: 要求完整的审计日志链

八、人工审批流程（HITL）

这是本项目的核心安全设计。高危操作（漏洞利用）必须经过人工确认。

8.1 工作原理

Agent 执行侦察和漏洞扫描
发现高危漏洞（CVSS ≥ 7.0）时自动暂停
在终端展示漏洞列表，等待用户确认
用户批准后继续执行漏洞利用
用户拒绝则跳过利用，直接生成报告

8.2 代码流程

# cli.py 中的审批处理
if result.get("requires_approval") and not no_approval:
    # 展示高危漏洞
    for v in high_risk:
        table.add_row(v["severity"], v["name"], str(v["risk_score"]))
    console.print(table)

    # 等待用户确认
    if click.confirm("Approve exploitation?", default=False):
        result = agent.invoke({"approval_granted": True}, config=config)
        audit.log_approval("exploit", True, operator)
    else:
        audit.log_approval("exploit", False, operator)

8.3 LangGraph interrupt_before 机制

graph.compile(
    checkpointer=checkpointer,
    interrupt_before=["exploit"],  # exploit 节点执行前暂停
)

暂停后通过 agent.invoke({"approval_granted": True}) 恢复执行。

九、Python API 调用

除了 CLI，也可以直接在 Python 中调用：

from agent.graph import run_agent

# 完整扫描
result = run_agent("192.168.1.1", task_type="full")

# 查看结果
print(result["report"])           # 安全报告
print(result["vuln_results"])     # 漏洞列表
print(result["risk_score"])       # 风险评分

# 单独调用工具
from tools.recon.nmap_tool import nmap_scan
from tools.vuln.nuclei_tool import nuclei_scan

nmap_result = nmap_scan("192.168.1.1", ports="1-1000")
nuclei_result = nuclei_scan("http://192.168.1.1", severity="critical,high")

# CVE RAG 检索
from memory.vector_store import VectorStore
vs = VectorStore()
cves = vs.search_cves("apache log4j remote code execution", n_results=5)

# 添加攻击指纹
vs.add_fingerprint(
    fp_id="sql_injection_union",
    description="SQL Injection via UNION SELECT",
    indicators=["UNION SELECT", "ORDER BY", "-- ", "OR 1=1"]
)

十、添加自定义工具

只需 3 步即可添加新工具：

步骤 1：创建工具文件

在 tools/recon/ 或 tools/vuln/ 下创建 my_tool.py：

from sandbox.executor import run_command
from tools.registry import SecurityTool, registry

def my_scan(target: str, mode: str = "fast") -> dict:
    result = run_command(["my_tool", "--mode", mode, target])
    return {"success": result.success, "output": result.stdout}

registry.register(
    tool=SecurityTool(
        name="my_scan",
        category="recon",           # 分类
        risk_level="low",           # 风险等级
        requires_approval=False,    # 是否需要审批
        binary="my_tool",           # 可执行文件名（API 工具留空 ""）
        description="My custom scanner",
        schema={
            "type": "object",
            "properties": {
                "target": {"type": "string", "description": "Scan target"},
                "mode": {"type": "string", "default": "fast"},
            },
            "required": ["target"],
        },
    ),
    handler=my_scan,
)

步骤 2：安装工具

确保 my_tool 在系统 PATH 中。

步骤 3：验证

python cli.py tools  # 应该能看到 my_scan

无需修改任何其他文件，自动发现机制会处理一切。

十一、项目源码文件清单

文件	行数	功能
`cli.py`	214	CLI 入口，7 个命令
`config/settings.py`	48	Pydantic Settings 配置
`config/prompts.py`	72	系统提示词 + 报告模板
`agent/state.py`	23	LangGraph 状态定义
`agent/graph.py`	124	状态图编排
`agent/nodes.py`	385	8 个节点实现
`agent/edges.py`	30	条件路由逻辑
`tools/registry.py`	142	工具注册中心
`tools/recon/nmap_tool.py`	89	nmap 端口扫描
`tools/recon/subfinder_tool.py`	63	子域名枚举
`tools/recon/httpx_tool.py`	90	Web 指纹识别
`tools/recon/shodan_tool.py`	143	Shodan 互联网资产搜索
`tools/vuln/nuclei_tool.py`	97	nuclei 漏洞扫描
`tools/vuln/nikto_tool.py`	95	nikto Web 漏洞扫描
`memory/vector_store.py`	145	ChromaDB 向量存储
`memory/cve_loader.py`	151	NVD 数据加载器
`memory/session_memory.py`	47	会话级内存
`audit/logger.py`	104	审计日志（JSONL + ES）
`audit/compliance.py`	103	等保/ISO27001 合规检查
`sandbox/executor.py`	74	subprocess 执行器
`sandbox/validator.py`	64	输出解析验证

十二、测试

# 运行全部测试
python -m pytest tests/ -v

# 运行单个测试文件
python -m pytest tests/test_registry.py -v

# 运行单个测试
python -m pytest tests/test_registry.py::TestToolRegistry::test_register_and_get -v

测试覆盖：

工具注册与发现
API 工具 vs CLI 工具的可用性判断
人工审批机制
输出解析（JSON / NDJSON / 纯文本）
目标验证（IP / 域名 / URL）
LangGraph 状态字段完整性

十三、常见问题

Q1: 工具未找到？

python cli.py tools  # 查看工具状态
# 确保工具已安装并在 PATH 中
# Windows 需要重启终端让 PATH 生效

Q2: 模型连接失败？

# 检查 vLLM
curl http://localhost:8000/v1/models

# 检查 Ollama
curl http://localhost:11434/api/tags

# 确认 .env 中的 VLLM_API_BASE 配置正确

Q3: ELK 连接失败？

python cli.py elk-status
# 确保 Docker 容器正在运行
docker ps | findstr sec-agent
# 查看容器日志
docker logs sec-agent-es

Q4: NVD API 被限流？

代码已内置 6 秒间隔限流。如果仍然被限流：

申请 NVD API Key：https://nvd.nist.gov/developers/request-an-api-key
在 .env 中配置 NVD_API_KEY

Q5: 显存不足运行 32B 模型？

# 方案一：使用量化版本
vllm serve deepseek-ai/DeepSeek-R1-Distill-Qwen-32B-GPTQ --quantization gptq

# 方案二：使用更小的蒸馏版本
# MODEL_NAME=deepseek-ai/DeepSeek-R1-Distill-Qwen-7B

# 方案三：使用 Ollama 的 4bit 量化
ollama pull deepseek-r1:32b-q4_K_M

十四、总结

本文实现了一个完整的 AI 网络安全 Agent，核心特性：

LangGraph 状态图：清晰定义侦察 → 扫描 → 验证 → 利用 → 报告的执行流程
DeepSeek-R1 32B：强大的推理能力，智能规划任务和分析漏洞
自动工具发现：新增工具只需创建文件，无需修改任何其他代码
CVE RAG 增强：扫描结果自动关联 CVE 知识库，提供上下文信息
人工审批（HITL）：高危操作必须经过人工确认，安全可控
审计合规：完整的审计日志链，满足等保 2.0 和 ISO 27001 要求
容错设计：单个工具失败不影响整体流程

项目地址：https//:github.com/ggjj-hub

下一步计划：

集成 sqlmap（SQL 注入自动化验证）
集成 Metasploit（漏洞利用框架）
支持并发扫描多目标
Web UI 仪表板
定时扫描任务

免责声明：本项目仅用于授权的安全测试和研究目的。未经授权对他人系统进行安全测试是违法行为。请确保在使用前获得目标系统的明确授权。

求助：本人在网络安全大模型的自主训练有所准备，但由于相关的信息较为敏感以及封闭，所以目前还停留在数据集收集阶段以及框架搭建阶段，能否有大佬提供思路，介绍资源，在此，由衷感谢！

AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

每日AI新闻推送 | 2026年6月12日

AI Agent技术社区

云客服是什么？2026 年 6 月最新核心技术解析与入门指南

AI Agent技术社区

大模型 API 聚合服务从工具走向基础设施：星链4SAPI的企业价值

它涵盖 GPT、Claude、Gemini 等主流模型，接入方式与 OpenAI 官方接口兼容，同时支持多模态数据处理、线路优化、人民币结算、企业级账务管理、国内备案主体等条件。迁移成本同样不可忽视。尤其是金融、教育、医疗、政企服务、ToB SaaS 等行业，供应商资质、备案状态、数据流向、费用凭证及合同主体都会被反复核查。从这个角度看，星链4SAPI 值得被重点评估，是因为它把国内企业真正关心的

AI Agent技术社区

所有评论(0)

查看更多评论

ggsshhgj

@ggsshhgj

已为社区贡献2条内容

AI 网络安全 Agent：LangGraph + DeepSeek-R1 + 安全工具链全栈实战

ggsshhgj

从零搭建 AI 网络安全 Agent：LangGraph + DeepSeek-R1 + 安全工具链全栈实战

文章目录

一、项目背景与目标

1.1 为什么需要 AI 安全 Agent？

1.2 技术选型

1.3 系统架构

二、环境准备

2.1 系统要求

2.2 安装 Python 环境

2.3 安装安全工具

nmap（端口扫描）

Go 工具链（subfinder / httpx / nuclei）

nikto（Web 服务器漏洞扫描）

2.4 配置环境变量

2.5 安装 Python 依赖

三、项目结构详解

四、核心模块实现

4.1 工具注册中心（tools/registry.py）

4.2 工具执行器（sandbox/executor.py）

4.3 侦察工具示例（tools/recon/nmap_tool.py）

4.4 LangGraph 状态图（agent/graph.py）

4.5 节点实现（agent/nodes.py）

Planner 节点 — LLM 智能规划

Recon 节点 — 带审计和 RAG 增强

4.6 CVE RAG 知识库（memory/vector_store.py）

4.7 审计日志层（audit/logger.py）

五、部署模型推理服务

5.1 方案一：vLLM 部署（推荐生产环境）

5.2 方案二：Ollama 部署（推荐开发调试）

5.3 验证模型服务

六、部署 ELK Stack（可选）

6.1 一键部署

6.2 服务地址

6.3 验证部署

6.4 Kibana 配置

七、使用指南

7.1 查看工具状态

7.2 全栈安全扫描

7.3 快捷命令

7.4 加载 CVE 知识库

7.5 合规检查

八、人工审批流程（HITL）

8.1 工作原理

8.2 代码流程

8.3 LangGraph interrupt_before 机制

九、Python API 调用

十、添加自定义工具

步骤 1：创建工具文件

步骤 2：安装工具

步骤 3：验证

十一、项目源码文件清单

十二、测试

十三、常见问题

Q1: 工具未找到？

Q2: 模型连接失败？

Q3: ELK 连接失败？

Q4: NVD API 被限流？

Q5: 显存不足运行 32B 模型？

十四、总结

所有评论(0)

温馨提示：您尚未绑定手机号

ggsshhgj