T3MP3ST：多智能体自主红队平台——AI驱动的进攻性安全元框架

一个基于多智能体协作、全自主运行的进攻性安全测试平台，用于自动化红队演练与漏洞挖掘。

一、项目背景与痛点

传统的红队（Red Team）演练依赖安全专家手动执行渗透测试、社会工程、攻击链编排等任务，存在几个核心痛点：

1. 人力成本高：一次完整的红队评估需要多名资深安全工程师数周甚至数月的工作，且对人员技能要求极高。
2. 覆盖面有限：手动测试难以同时覆盖大量攻击向量、配置变体或复杂的多阶段攻击链。
3. 重复性劳动：许多基础扫描、漏洞验证、凭证爆破等任务高度重复，却仍需人工介入。
4. 难以持续：安全团队无法7×24小时不间断地进行攻击模拟，而攻击者可以随时发起攻击。
5. 知识孤岛：安全专家的经验难以系统化沉淀，新成员上手慢，团队能力依赖个人。

T3MP3ST 正是为了解决这些问题而生——它是一个自主的、多智能体协作的红队平台，由 AI 驱动，能够模拟真实攻击者的行为，自动规划、执行和调整攻击策略，大幅降低对人工专家的依赖。

二、核心架构与工作原理

T3MP3ST 的核心设计理念是多智能体系统（Multi-Agent System），它将一次红队任务拆解为多个子任务，由不同的 AI 智能体（Agent）分工协作完成。

2.1 智能体角色

平台内置了多个预定义角色：

• Orchestrator（编排者）：总指挥，负责解析目标、制定攻击计划、分配任务、收集反馈并动态调整策略。
• Recon Agent（侦察智能体）：负责信息收集，包括子域名枚举、端口扫描、服务识别、目录爆破等。
• Exploit Agent（利用智能体）：根据侦察结果，自动选择并执行漏洞利用脚本（如 SQL 注入、RCE、SSRF 等）。
• Credential Agent（凭证智能体）：执行密码爆破、凭证收集、会话劫持等任务。
• Persistence Agent（持久化智能体）：尝试建立后门、维持访问权限。
• Lateral Movement Agent（横向移动智能体）：在内网中横向渗透，扩大控制范围。
• Reporting Agent（报告智能体）：汇总所有发现，生成结构化的渗透测试报告。

2.2 工作流程

1. 目标输入：用户提供目标域名、IP 范围、认证凭据（可选）等初始信息。
2. 任务规划：Orchestrator 基于目标信息和攻击知识库，生成多阶段攻击计划。
3. 智能体执行：各智能体按计划并行或串行执行任务，实时向 Orchestrator 报告结果。
4. 动态调整：Orchestrator 根据中间结果（如发现新端口、新服务、新凭证）动态修改攻击计划，例如发现 SQL 注入点后立即调度 Exploit Agent 深入利用。
5. 报告生成：任务结束后，Reporting Agent 自动生成包含漏洞详情、攻击路径、修复建议的 PDF/HTML 报告。

2.3 关键技术栈

• 语言：TypeScript（主语言），Node.js 运行时
• AI 模型：支持 OpenAI GPT-4、Claude、本地 LLM（如 Llama 2）等，通过插件化接口切换
• 工具集成：内置 Nmap、Gobuster、SQLMap、Metasploit、Hydra 等经典安全工具的调用封装
• 通信：基于 WebSocket 的智能体间实时消息总线
• 存储：SQLite（本地轻量）或 PostgreSQL（生产部署）

三、安装与快速上手

3.1 系统要求

• Node.js >= 18.0.0
• npm 或 yarn
• 至少 4GB 内存（推荐 8GB+）
• 操作系统：Linux（推荐 Ubuntu 22.04）、macOS、Windows（WSL2）

3.2 安装步骤

bash

克隆仓库

git clone https://github.com/elder-plinius/T3MP3ST.git
cd T3MP3ST

安装依赖

npm install

复制环境变量模板

cp .env.example .env

编辑 .env 文件，配置 AI 模型 API Key（至少一个）：

env
OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
ANTHROPIC_API_KEY=sk-ant-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

如果使用本地模型

LOCAL_MODEL_ENDPOINT=http://localhost:11434/v1
LOCAL_MODEL_NAME=llama2

3.3 快速启动

bash

启动交互式控制台

npm run cli

或者直接执行一次测试

npm run attack -- --target example.com --scope /24 --output ./report

3.4 代码示例：自定义攻击场景

T3MP3ST 支持通过 JSON 配置文件定义自定义攻击场景：

{
"name": "Web应用渗透测试",
"target": {
"domain": "target.example.com",
"scope": ["192.168.1.0/24"],
"credentials": {
"username": "test_user",
"password": "test_pass"
}
},
"agents": ["recon", "exploit", "credential"],
"rules": {
"max_concurrent_tasks": 5,
"timeout_minutes": 120,
"aggressiveness": "moderate",
"avoid_dos": true
},
"output": {
"format": "pdf",
"include_raw_data": true
}
}

然后通过 CLI 加载：

bash
npm run attack -- --config my_scenario.json

四、核心亮点深度解析

4.1 真正的自主性

与许多“自动化”工具不同，T3MP3ST 不是简单执行预设脚本。它的 Orchestrator 智能体具备推理和规划能力，能够：

• 理解攻击目标的环境
• 根据中间结果（如发现 WAF、发现内网段）动态调整攻击路径
• 在攻击受阻时自动尝试备选方案（如改用不同 payload 或绕过技术）

例如，当 Recon Agent 发现目标使用了 Cloudflare WAF，Orchestrator 会自动调度 Exploit Agent 使用 WAF 绕过技术（如 HTTP 请求分片、编码混淆等）。

4.2 多模型支持与可扩展性

• 支持主流商业模型（GPT-4、Claude 3）和开源模型（Llama 2、Mistral、Mixtral）
• 通过 AgentPlugin 接口，用户可以编写自定义智能体，扩展攻击能力
• 工具集成也是插件化的，用户可添加自定义工具（如自定义扫描器、自定义 exploit）

4.3 安全性设计

• 沙箱执行：所有攻击操作在隔离的 Docker 容器中执行，防止对宿主系统造成意外影响
• 速率限制：内置智能限速，避免触发目标系统的 DoS 保护或法律风险
• 审计日志：每一步操作都有详细日志，便于事后审计和合规检查
• 终止开关：支持设置“停止条件”（如检测到生产系统、检测到个人数据），自动终止攻击

4.4 报告与可追溯性

生成的报告不仅包含漏洞列表，还包括：

• 完整的攻击时间线
• 每个步骤的决策依据（由 AI 智能体记录推理过程）
• 复现步骤（可直接用于漏洞验证）
• 修复建议（基于 CVSS 评分和业务影响）

五、适用场景

1. 企业安全评估：安全团队用于定期自动化渗透测试，覆盖 Web 应用、API、内网环境
2. DevSecOps 集成：作为 CI/CD 管道中的安全门，每次部署前自动执行攻击模拟
3. 红蓝对抗训练：蓝队可以用 T3MP3ST 模拟真实攻击，训练防御响应能力
4. 安全研究：研究人员可用其自动化测试新漏洞的利用链，或评估不同防御机制的有效性
5. 渗透测试培训：新手安全工程师可以通过观察 AI 智能体的决策过程学习攻击思路

六、与同类项目对比

项目	自动化程度	多智能体	AI 驱动	可扩展性	报告质量	社区活跃度
T3MP3ST	全自主	✅ 原生支持	✅ 核心设计	✅ 插件化	⭐⭐⭐⭐⭐	新兴项目
Metasploit	半自动	❌	❌（需手动）	✅ 模块化	⭐⭐⭐	成熟社区
Burp Suite	半自动	❌	❌	✅ 扩展	⭐⭐⭐⭐	成熟社区
AutoSploit	全自动	❌	❌（规则驱动）	❌	⭐⭐	停滞
PentestGPT	辅助型	❌	✅（单智能体）	❌	⭐⭐⭐	中等

关键差异点：

• Metasploit 是最成熟的框架，但需要人工选择 exploit 和配置参数，缺乏自主决策能力
• Burp Suite 擅长 Web 应用测试，但自动化程度有限，且不是为全栈红队设计
• AutoSploit 虽然号称全自动，但本质是规则引擎，缺乏动态推理能力
• PentestGPT 只是一个基于 GPT 的聊天助手，不能直接执行攻击操作

T3MP3ST 的独特优势在于多智能体协作 + AI 推理驱动，使其能够处理复杂、多阶段的攻击场景，而不仅仅是单步漏洞扫描。

七、局限性与发展方向

7.1 当前局限

• AI 模型成本：使用 GPT-4 等商业模型会产生 API 费用，大型测试可能成本较高
• 模型幻觉：AI 可能生成不存在的漏洞或错误的利用步骤，需要人工审核
• 法律合规：在某些地区，未经授权的自动化攻击测试可能违反法律，需确保有书面授权
• 学习曲线：虽然提供了 CLI，但自定义场景和插件开发需要一定的编程和安全知识

7.2 未来规划（根据项目 Roadmap）

• 支持更多本地模型（如 CodeLlama、Phind-CodeLlama）以降低 API 成本
• 集成更多安全工具（如 Nuclei、Xray、Nessus）
• 提供 Web 管理界面（目前仅 CLI）
• 支持分布式部署（多个 Worker 并行执行任务）
• 添加“防御智能体”用于红蓝对抗训练

八、总结

T3MP3ST 是当前开源社区中最具创新性的自主红队平台之一。它成功地将多智能体系统（MAS）与大型语言模型（LLM）结合，创造了一个能够自主规划、执行和调整攻击策略的安全测试框架。对于安全团队而言，它能够显著提升渗透测试的效率和覆盖面，降低对高级安全专家的依赖。

虽然项目仍处于早期阶段（约 900+ Stars），但其架构设计和理念已经显示出巨大的潜力。如果你正在寻找一个能够真正“自主思考”的安全测试工具，或者对 AI 驱动的进攻性安全感兴趣，T3MP3ST 值得深入研究。

项目地址：https://github.com/elder-plinius/T3MP3ST