T3MP3ST：多智能体自主红队平台——AI驱动的进攻性安全测试引擎

T3MP3ST 是一个基于多智能体协作的自主红队平台，通过AI代理模拟真实攻击链，自动化执行渗透测试与安全验证。

一、项目背景：红队测试的自动化困境

传统红队测试依赖安全专家手动操作，成本高、周期长、覆盖面有限。随着企业攻击面持续扩大（云原生、微服务、API等），人工测试难以跟上攻击者的自动化武器化速度。现有的自动化渗透工具（如Metasploit、Nuclei）虽然能执行特定扫描或利用，但缺乏攻击链编排能力——它们无法像人类红队那样，根据阶段性结果动态调整策略、横向移动、提权并持续攻击。

T3MP3ST 正是为了解决这一痛点而生：它利用多个AI代理（Agent）组成一个“攻击军团”，每个代理扮演不同角色（侦察者、漏洞利用者、后渗透者等），通过元编排（Meta-Harness）协同工作，自主完成从信息收集到数据泄露的完整攻击模拟。

二、快速上手：10分钟搭建自主红队

安装步骤

1. 克隆仓库
   bash
   git clone https://github.com/elder-plinius/T3MP3ST.git
   cd T3MP3ST

2. 安装依赖
   bash
   npm install

3. 配置环境变量
   创建 .env 文件，配置AI模型接口（支持OpenAI、Anthropic、本地模型等）：

OPENAI_API_KEY=sk-xxx
TARGET_DOMAIN=example.com

4. 启动平台
   bash
   npm run start

基本使用示例

以下是一个针对Web应用的快速测试命令：

bash
node bin/t3mp3st.js --target https://test-app.internal --agents 5 --phase recon,exploit

参数说明：

• --target：目标URL
• --agents：启用AI代理数量（默认3个）
• --phase：指定攻击阶段（recon/exploit/post-exploit）

平台会自动生成攻击报告，包含发现漏洞、攻击路径和修复建议：

{
"session_id": "a1b2c3",
"total_attacks": 47,
"successful_exploits": [
{
"vulnerability": "CVE-2023-xxx",
"agent": "Exploit-Agent-2",
"path": ["/api/v1/auth", "privilege_escalation"],
"impact": "RCE on internal database"
}
]
}

三、核心架构与亮点

1. 多智能体元编排系统

T3MP3ST 的核心是一个 Meta-Harness（元框架），它不直接执行攻击，而是管理一组AI代理的协作流程。每个代理是独立的LLM实例，拥有特定角色和工具集：

• 侦察代理：使用Nmap、Subfinder、httpx等工具进行信息收集
• 漏洞分析代理：解析侦察结果，识别潜在漏洞（SQL注入、SSRF、XSS等）
• 利用代理：调用Metasploit、自定义PoC进行尝试性攻击
• 后渗透代理：维持访问、横向移动、数据提取
• 评估代理：实时评估攻击效果，调整策略

代理之间通过事件总线通信，当侦察代理发现新的子域名时，会自动触发漏洞分析代理对该域名进行扫描——形成动态攻击链。

2. 自主策略进化

不同于固定脚本的自动化工具，T3MP3ST 的代理具备记忆与反思能力。攻击失败时，代理会分析原因（如WAF拦截、认证绕过失败），并调整下一轮攻击的参数或工具。例如：

[Exploit-Agent-3] SQL注入尝试失败，原因：WAF检测到UNION关键字
[Exploit-Agent-3] 切换策略：使用二次编码 + 注释混淆
[Exploit-Agent-3] 第二次尝试成功，提取数据库版本：MySQL 8.0

这种反馈循环使得测试深度远超传统扫描器。

3. 模块化与可扩展性

• 工具集成：通过插件系统接入任意安全工具（Nuclei、Burp Suite、CrackMapExec等）
• 模型无关：支持OpenAI GPT-4、Claude 3、本地Ollama模型，可混合使用
• 自定义代理：开发者可编写新的代理类型，只需实现IAgent接口

4. 安全沙箱与伦理控制

内置攻击范围约束：通过target_scope配置白名单/黑名单，防止代理逃逸到非授权目标。所有攻击操作都在隔离的Docker容器中执行，避免影响主机环境。

四、适用场景

场景	说明
DevSecOps CI/CD	集成到流水线，每次部署自动执行红队测试
攻防演练	蓝队可用其生成对抗样本，训练防御能力
安全评估服务	替代人工红队进行初筛，降低人力成本
漏洞赏金	辅助安全研究员快速验证攻击面
AI安全研究	测试AI Agent自身的安全性（对抗性攻击）

五、同类项目对比

特性	T3MP3ST	PentestGPT	AutoPen	Nuclei
多代理协作	✅ 原生支持	❌ 单代理	❌ 单代理	❌ 无代理
攻击链编排	✅ 动态编排	❌ 固定流程	✅ 简单编排	❌ 单步扫描
自主策略调整	✅ LLM驱动	✅ LLM驱动	❌ 规则驱动	❌ 规则驱动
工具集成	插件化	有限	有限	YAML模板
目标范围控制	✅ 细粒度	❌ 无	✅ 基本	✅ 基本
报告生成	✅ 结构化	✅ 文本	✅ 结构化	✅ 结构化
开源许可	✅ MIT	❌ 部分开源	❌ 闭源	✅ MIT

关键差异点：

• PentestGPT 更像一个AI助手，需要人类不断输入指令，而T3MP3ST是全自主运行
• AutoPen 虽然也能自动化，但其策略基于预定义规则，缺乏LLM带来的创造性攻击思路
• Nuclei 是优秀的漏洞扫描器，但无法完成多阶段攻击模拟

六、技术实现深度解析

架构图（概念）

+------------------+
| Meta-Harness | <- 编排层
| (Orchestrator) |
+--------+---------+
|
+--------v---------+
| Agent Pool |
| +------------+ |
| | Recon | |
| | Exploit | |
| | Post-Exp | |
| +------------+ |
+--------+---------+
|
+--------v---------+
| Tool Executor | <- 执行层
| (Docker Sandbox)|
+------------------+

关键代码片段：代理协作逻辑

typescript
// 简化版：代理间消息传递
class MetaHarness {
private agents: Agent[] = [];
private eventBus = new EventBus();

async orchestrate() {
// 1. 启动所有代理
this.agents.forEach(agent => agent.start(this.eventBus));

// 2. 监听事件，触发协作
this.eventBus.on('discovery.subdomain', async (data) => {
  const vulnAgent = this.getAgent('vuln-analyzer');
  await vulnAgent.analyze(data.subdomain);
});

// 3. 策略调整循环
while (this.isActive()) {
  await this.evaluateProgress();
  this.adjustStrategy();
}

}
}

性能与扩展性

• 水平扩展：每个代理可独立部署，通过消息队列（Redis/NATS）通信
• 并发控制：支持设置最大并行攻击数，避免被WAF封禁
• 成本优化：可选择使用本地Ollama模型（如Llama 3）降低API调用费用

七、局限性与注意事项

1. 依赖LLM质量：测试效果高度依赖底层AI模型的能力，小模型可能导致误报或漏报
2. 速度问题：LLM推理时间比传统规则引擎慢，单次攻击链可能耗时数分钟
3. 法律风险：使用前必须获得目标系统的书面授权，否则可能违反计算机犯罪相关法律
4. 资源消耗：多代理同时运行需要较高计算资源（建议16GB+内存）

八、总结与评价

T3MP3ST 代表了红队自动化工具的新方向：从单点扫描到智能攻击链编排。它并非要取代人类红队，而是通过AI代理将安全专家从重复性工作中解放出来，让他们专注于高阶策略和漏洞分析。对于拥有一定安全基础且追求效率的团队而言，这是一个极具价值的开源资产。

项目链接：https://github.com/elder-plinius/T3MP3ST