hackingBuddyGPT

用LLM写50行代码，自动搞定渗透测试

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 227 🐛 待处理 4 👀 关注 20

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 1299

维护状态较活跃

是否开源开源

定价模式 🏷️完全免费开源项目，MIT许可证，完全免费，可自行部署使用。

项目预览

hackingBuddyGPT 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类开源模型

开发团队ipa-lab

官网地址https://hackingbuddy.ai

GitHubhttps://github.com/ipa-lab/hackingBuddyGPT

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型large-language-models,llm,penetration-testing,pentesting

GitHub 星标★ 1299

上线时间2023-08-02 00:00:00

代码更新2026-10-24

仓库体积5.9 MB

本站数据更新2026-11-07

维护状态较活跃

收录时间2026-08-09

浏览次数4

项目介绍

hackingBuddyGPT 是一个面向道德黑客（渗透测试人员）的开源工具，旨在用 50 行以内的代码帮助安全研究人员快速利用大语言模型（LLM）进行自动化攻击测试。它解决了传统渗透测试中脚本编写繁琐、AI 集成门槛高的问题，提供了一套简洁的 Python 框架，让用户能够轻松定义测试目标、调用 LLM 生成攻击策略并执行。核心能力包括：支持多种 LLM 后端（如 OpenAI、本地模型）、提供可扩展的 Agent 基类、内置命令执行与结果解析模块，以及针对常见漏洞（如命令注入、权限提升）的测试模板。通过将 LLM 的推理能力与命令行操作结合，它显著降低了自动化安全测试的复杂度，适合安全研究者、红队成员和 AI 爱好者快速验证攻击思路。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1299

技术标签

large-language-models llm penetration-testing pentesting

使用教程

难度：进阶约 10 分钟部署方式：命令行工具 8 步

环境要求

Python 3.13+
推荐使用 uv 管理环境（也可用 python -m venv + pip）
一个可用的 LLM 后端：OpenRouter（默认）、OpenAI、本地 Ollama 等
一台你有权测试的目标机（SSH 可达），建议使用隔离的虚拟机或容器

安装与启动步骤

1克隆仓库

把 hackingBuddyGPT 源码下载到本地并进入项目目录，后续所有命令都在该目录执行。
```
git clone https://github.com/ipa-lab/hackingBuddyGPT.git && cd hackingBuddyGPT
```
2创建环境并安装

README 推荐用 uv 同步依赖并激活虚拟环境；若不用 uv，可用 python -m venv + pip 安装。
```
uv sync && source .venv/bin/activate
```
3准备配置文件

从示例复制出 .env，填入自己的 LLM 密钥与模型；命令行参数会覆盖 .env 与 JSON 配置。
```
cp .env.example .env
```
4查看可用用例

安装后会提供 wintermute 命令，不带参数运行会列出所有已注册的 use-case。
```
wintermute
```
5查看用例参数

用 --help 查看某个用例的完整选项，例如日志目录、轮次/成本上限、连接信息等。
```
wintermute PrivEscLinux --help
```
6运行一次测试

对 SSH 目标执行最小化的 Linux 提权用例；未指定 llm.model 时默认走 OpenRouter 端点，需要相应密钥。
```
wintermute MinimalPrivEscLinux --conn=ssh --conn.host=192.168.122.151 --conn.username=lowpriv --conn.password=trustno1
```
7Docker 方式运行

官方 CI 会发布镜像到 GHCR，可用 --env-file 传入配置，无需本地安装 Python 环境。
```
docker run --rm -it --env-file .env ghcr.io/ipa-lab/hackingbuddygpt:latest MinimalPrivEscLinux --help
```
8查看与分析日志

每次运行会在 logs 目录生成 JSONL 日志，可用两个附带工具重新渲染单次运行或汇总多次运行的统计。
```
hackingbuddygpt-log-view logs/log-20260810-094141.jsonl
hackingbuddygpt-log-analyze logs/*.jsonl
```

关键配置

配置项	必填	说明	示例
`llm.api_key`	是	你所使用 LLM 提供方的 API 密钥（敏感信息）	`sk-xxxxxxxx`
`llm.model`	否	litellm 格式的模型名，决定实际调用哪个模型	`gpt-4o`
`llm.api_base`	否	接口基地址，默认走 OpenRouter；接 OpenAI 或本地 Ollama 时需改	`https://openrouter.ai/api`
`llm.proxy`	否	把 LLM 请求走 Burp/mitmproxy 之类的拦截代理
`conn.host`	否	SSH 目标主机地址（ssh 连接模式下使用）	`192.168.122.151`
`conn.username`	否	目标机的登录用户名与密码（低权限账号）	`lowpriv`

如何确认成功

运行 wintermute 无参数能列出全部用例，或 wintermute <UseCase> --help 正常输出选项，说明安装成功。

常见问题

Q：不想用 OpenRouter 怎么办？

A：llm.api_base 默认指向 OpenRouter。要直连 OpenAI 就把 api_base 改成 OpenAI 地址，或把 llm.model 写成 ollama_chat/llama3 之类的带前缀形式使用本地模型。

Q：没有 API key 能跑吗？

A：可以。仓库根目录的 benchmark_privesc.py 支持用本地 Ollama 模型（默认，无需 API key）或 OpenRouter 驱动。

Q：没有可攻击的靶机怎么办？

A：可从作者的 Linux Privilege-Escalation Benchmark 下载易受攻击的镜像，或使用 VulnHub 上 Lin.Security 这类故意留有漏洞的虚拟机。

Q：运行结果保存在哪里？

A：默认写到 --log.log_dir 指定的目录（默认 logs），每次运行一个 JSONL 文件，可再用 hackingbuddygpt-log-view / -analyze 查看和汇总。

注意事项

该软件会在真实系统上执行命令：本地 shell 模式作用于你自己的机器，SSH/psexec 模式作用于目标机，请只在自有或明确授权的系统上使用，优先放在隔离虚拟机或容器中。
配置优先级从低到高为：环境变量 < 当前目录 .env < --config config.json < 命令行 --key=value。
连接类参数如 --conn.password 会出现在命令历史里，测试环境请使用一次性账号。
仓库根目录的 benchmark_privesc.py 会攻击本机正在运行的、镜像名以 privesc_ 开头的 Docker 容器，运行前先确认目标容器已启动。

核心亮点

代码极简，50行内即可构建一个可运行的LLM驱动的攻击Agent，上手快
内置多种LLM适配器，支持OpenAI、本地模型等，灵活切换
提供现成的测试场景模板（如命令注入、权限提升），开箱即用

不足之处

项目仍处于早期阶段，文档和示例不够丰富，社区生态待观察
对复杂渗透测试场景的支持有限，主要面向教学和基础验证

适用场景

安全培训中演示如何用AI自动化生成攻击载荷
红队快速原型验证，评估LLM在特定漏洞利用中的效果
个人研究者探索LLM在网络安全领域的应用边界

替代项目

AutoGPT、PentestGPT、Caldera

上一篇：minecraft-mcp-server

下一篇：designing-multiagent-systems