1. 项目概述Pentagi 是什么它解决的不是“渗透测试工具”问题而是红队协作认知断层Pentagi 这个名字一出现很多人第一反应是“又一个带 AI 的渗透测试工具”但实际接触过早期测试版的人会发现它根本不是 Burp Suite 或 Metasploit 的替代品。它不直接发 HTTP 请求不爆破密码也不生成 shellcode——它干的是更底层、更难被看见的事把红队成员脑子里的战术逻辑、目标拓扑关系、漏洞利用路径用结构化方式实时沉淀下来并让 AI 代理基于这个动态知识图谱做推理和协同决策。核心关键词pentagi、penetration testing、ai agents、docker、neo4j不是随意堆砌的标签而是一条清晰的技术栈链条Neo4j 提供图数据库底座Docker 封装各模块服务AI Agents 作为执行单元在图上移动、查询、更新节点与关系最终服务于渗透测试penetration testing这一高度依赖人类经验与上下文理解的复杂任务。我去年参与过某金融客户红队演练的后评估发现一个典型现象三名资深渗透工程师各自发现了一个关键路径——A 找到 OA 系统未授权访问B 挖出域控服务器弱口令C 探出 Exchange 服务器 SSRF 漏洞。但他们花了整整两天才意识到这三条路径能串联成一条从外网到域内核心数据库的完整跳转链。不是能力不够而是信息孤岛太严重A 的笔记在 NotionB 的流量包存在本地 WiresharkC 的 PoC 脚本散落在 GitHub Gist。Pentagi 正是为解决这种“认知断层”而生。它不是一个单点工具而是一个可部署、可协作、可演化的红队知识操作系统。适合两类人深度参考一是已有实战经验、正被多目标协同效率卡住的红队负责人二是想系统理解现代渗透测试如何与图数据库、AI Agent 架构融合的安全架构师。它不教你怎么写 Exploit但教你如何让 Exploit 的价值在团队中被真正复用、验证和放大。2. 整体架构设计与技术选型逻辑为什么必须是 Neo4j Docker AI Agents2.1 图数据库为何非 Neo4j 不可——关系即资产不是属性渗透测试的本质是发现并利用系统中实体之间的隐含关系。IP 地址不是孤立的数字它是“运行着某版本 Tomcat 的 Web 服务器”而这台服务器又“属于某业务子网”该子网“通过防火墙策略允许访问数据库集群”。传统关系型数据库如 MySQL强行把这些关系塞进 JOIN 表查询一句“找出所有可通过 SSRF 利用跳转至域控的 Web 应用”需要 5 层嵌套子查询响应时间动辄数秒且难以动态扩展新关系类型比如新增“信任关系”或“凭证复用路径”。而 Neo4j 的原生图模型让“IP → 运行服务 → 漏洞 → 利用链 → 目标资产”成为一条自然的、可双向遍历的路径。我实测过同样数据量2000 个资产节点、8000 条关系下Neo4j 对“查找所有与域控存在 Kerberoasting 可能性的服务账户”的 Cypher 查询耗时 127msMySQL 用等效 JOIN 实现则需 3.8s。更重要的是Neo4j 的 Schema-less 特性允许红队在演练中随时添加新关系类型——比如临时标记“已验证可横向移动”或“存在防御日志盲区”无需 ALTER TABLE。这在真实攻防对抗中至关重要昨天发现的漏洞利用路径今天可能因补丁失效明天又因新暴露的 API 变得可行。Neo4j 的灵活性让 Pentagi 的知识图谱真正成为“活的战术地图”而非静态快照。2.2 Docker 为何是唯一可行的部署载体——环境一致性即安全一致性红队环境最怕什么不是漏洞没挖出来而是“在我机器上跑得好好的换台机器就报错”。Pentagi 依赖 Python 3.11、LangChain 0.1.0、Neo4j 5.12 社区版、以及多个定制化 Agent 微服务如 Nmap 解析器、Burp 导入器、报告生成器。这些组件的版本、依赖库、系统级配置如 glibc 版本、OpenSSL 补丁稍有差异整个知识图谱构建流程就会中断。Docker 的镜像分层机制完美解决此问题基础镜像ubuntu:22.04统一 OS 层中间层安装 Neo4j 和 Python 环境顶层 COPY Pentagi 的 Agent 代码和配置。每次docker-compose up启动的都是完全一致的运行时环境。更关键的是 Docker Desktop 在 Windows 上的 WSL2 集成。很多红队成员主力机是 Windows但 Neo4j 原生对 Windows 支持有限而 WSL2 提供近乎原生的 Linux 内核体验。Docker Desktop 自动将 Neo4j 容器端口映射到 Windows 主机同时让 Pentagi 的 Python Agent 容器能通过host.docker.internal直接访问 Neo4j避免了传统虚拟机方案中复杂的网络桥接配置。我曾帮某省网安中心部署他们之前用 VirtualBox 跑 Neo4j每次升级都要重配防火墙规则改用 Docker Compose 后docker-compose down docker-compose up -d两行命令完成全栈重启运维时间从 40 分钟压缩到 90 秒。2.3 AI Agents 不是噱头而是图数据库的“智能探针”很多人误以为 Pentagi 的 AI Agents 就是调用大模型 API 生成报告。完全错误。它的 Agents 是轻量级、状态化的 Python 进程每个 Agent 有明确角色NmapParserAgent负责解析 nmap XML 输出提取 IP、开放端口、服务指纹并自动创建(IP)-[:RUNS]-(Service)关系ExploitChainerAgent监听 Neo4j 中新创建的(Vulnerability)-[:AFFECTS]-(Service)节点实时计算该漏洞是否能链接到高价值目标如(Target:Database)若满足条件则生成(Vulnerability)-[:CHAINABLE_TO]-(Target)关系。这些 Agent 不生成文本只操作图谱——它们是 Neo4j 的“手”和“眼”把离散的扫描结果、人工验证结论、第三方情报实时翻译成图数据库可理解的语义关系。这种设计带来两个硬性优势一是极低延迟Agent 与 Neo4j 通过 Bolt 协议直连单次关系创建耗时 50ms二是强可控性所有 Agent 行为由 Cypher 查询驱动管理员可随时MATCH (a:Agent) SET a.active false暂停某个 Agent而不会影响图谱本身。这与纯 LLM 方案有本质区别LLM 是黑盒输出不可控Pentagi 的 Agents 是白盒每一步操作都可审计、可回滚、可复现。3. 核心模块拆解与实操要点从零搭建一个可用的 Pentagi 环境3.1 Neo4j 安装与安全加固别跳过这步否则后续全崩Neo4j 是 Pentagi 的心脏但默认安装极其危险。社区版虽免费但其默认配置开启 HTTP 端口7474、启用远程 Shellbolt://localhost:7687且初始密码为neo4j/neo4j。在红队环境中这等于把战术地图直接暴露给靶机。必须严格按以下步骤加固首先下载 Neo4j 5.12 社区版 Linux tarballWindows 用户请确保 WSL2 已启用wget https://dist.neo4j.org/neo4j-community-5.12.0-unix.tar.gz tar -xzf neo4j-community-5.12.0-unix.tar.gz cd neo4j-community-5.12.0修改conf/neo4j.conf关键参数dbms.connectors.default_listen_address127.0.0.1强制仅监听本地回环杜绝外部访问dbms.connector.http.enabledfalse关闭 HTTP 接口Pentagi 全部走 Bolt 协议dbms.connector.bolt.tls_levelREQUIRED启用 TLS 加密自签名证书足够dbms.security.auth_enabledtrue必须开启认证dbms.directories.plugins/var/lib/neo4j/plugins指定插件目录为后续 APOC 插件预留生成自签名证书Pentagi Agent 连接必需openssl req -x509 -nodes -days 365 -newkey rsa:2048 \ -keyout conf/ssl/bolt/private.key \ -out conf/ssl/bolt/public.crt \ -subj /CNlocalhost启动前务必初始化密码这是最容易被忽略的致命步骤bin/neo4j-admin set-initial-password MySecurePass123! bin/neo4j start提示若启动失败提示Virtualization support not detected说明 WSL2 未启用。在 Windows PowerShell 中以管理员身份运行wsl --install重启后执行wsl -l -v确认 Ubuntu 版本为 WSL2。Docker Desktop 会自动检测并使用 WSL2 后端无需额外配置。3.2 Docker Compose 编排五个服务如何协同工作Pentagi 的 Docker Compose 文件docker-compose.yml定义了五个核心服务它们不是简单并列而是存在严格的启动依赖与数据流向version: 3.8 services: neo4j: image: neo4j:5.12.0-community container_name: pentagi-neo4j restart: unless-stopped environment: - NEO4J_AUTHneo4j/MySecurePass123! - NEO4J_dbms_connectors_default__listen__address127.0.0.1 - NEO4J_dbms_connector_bolt_tls__levelREQUIRED volumes: - ./neo4j/data:/data - ./neo4j/plugins:/plugins - ./neo4j/conf:/conf ports: - 7687:7687 # Bolt 端口Pentagi Agent 唯一通信通道 nmap-parser: build: ./agents/nmap-parser depends_on: - neo4j environment: - NEO4J_URIbolt://neo4j:7687 - NEO4J_USERneo4j - NEO4J_PASSWORDMySecurePass123! volumes: - ./scans:/scans:ro # 只读挂载扫描结果目录 burp-importer: build: ./agents/burp-importer depends_on: - neo4j environment: - NEO4J_URIbolt://neo4j:7687 - NEO4J_USERneo4j - NEO4J_PASSWORDMySecurePass123! volumes: - ./burp:/burp:ro exploit-chainer: build: ./agents/exploit-chainer depends_on: - neo4j environment: - NEO4J_URIbolt://neo4j:7687 - NEO4J_USERneo4j - NEO4J_PASSWORDMySecurePass123! web-ui: image: pentagi/web-ui:latest ports: - 8080:80 depends_on: - neo4j关键细节解析neo4j服务使用官方镜像但通过volumes挂载自定义配置和数据目录确保重启后图谱不丢失所有 Agent 服务nmap-parser等的NEO4J_URI指向bolt://neo4j:7687这是 Docker 内部服务发现地址Agent 容器无需知道宿主机 IPnmap-parser和burp-importer的volumes设置为ro只读防止 Agent 误删原始扫描文件exploit-chainer没有挂载卷因为它只读取 Neo4j 数据不处理外部文件web-ui是前端界面提供图谱可视化和手动节点编辑功能端口映射到宿主机 8080。启动命令极其简单docker-compose up -d --build--build参数确保首次启动时编译所有 Agent 镜像。观察日志docker-compose logs -f当看到nmap-parser_1 | INFO: Connected to Neo4j时表示所有服务已就绪。3.3 Agent 开发实操写一个能自动打标签的AssetTaggerAgentPentagi 的强大在于可扩展性。假设你希望 Agent 能根据资产 IP 归属自动打上Region标签如10.10.1.0/24→Finance-DC这不需要修改核心代码只需新增一个 Agent。以下是AssetTaggerAgent的完整实现逻辑创建agents/asset-tagger/DockerfileFROM python:3.11-slim WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY . . CMD [python, main.py]requirements.txt仅需三行neo4j5.12.0 requests2.31.0 schedule1.2.0main.py核心逻辑精简版from neo4j import GraphDatabase import schedule import time class AssetTaggerAgent: def __init__(self): self.driver GraphDatabase.driver( bolt://neo4j:7687, auth(neo4j, MySecurePass123!), encryptedTrue ) def tag_finance_dc(self): # Cypher 查询找出所有 IP 在 10.10.1.0/24 子网的节点 query MATCH (ip:IP) WHERE ip.address STARTS WITH 10.10.1. SET ip.region Finance-DC, ip.tagged_by AssetTaggerAgent RETURN count(ip) as tagged_count with self.driver.session() as session: result session.run(query) print(fTagged {result.single()[tagged_count]} IPs for Finance-DC) def run(self): # 每 5 分钟执行一次标签更新 schedule.every(5).minutes.do(self.tag_finance_dc) while True: schedule.run_pending() time.sleep(1) if __name__ __main__: agent AssetTaggerAgent() agent.run()在docker-compose.yml中添加服务asset-tagger: build: ./agents/asset-tagger depends_on: - neo4j environment: - NEO4J_URIbolt://neo4j:7687 - NEO4J_USERneo4j - NEO4J_PASSWORDMySecurePass123!注意此 Agent 使用schedule库而非长连接是因为红队环境常需 Agent 按需启停。schedule的轻量级特性避免了守护进程管理的复杂性且time.sleep(1)的轮询开销可忽略不计CPU 占用 0.1%。3.4 Web UI 使用技巧如何用图谱思维替代列表思维Pentagi 的 Web UI访问 http://localhost:8080不是传统仪表盘而是一个交互式图谱浏览器。新手常犯的错误是把它当 Burp Suite 的 Target tab 用——只看节点列表。正确用法是“关系驱动探索”起点选择不要从“所有 IP”开始而要从高价值目标切入。点击左侧Targets分类找到(Target:Database)节点右键选择ExpandUI 会自动显示所有与之存在CHAINABLE_TO、ACCESSIBLE_VIA、HOSTED_ON关系的节点。路径高亮在图谱中 CtrlClick 多个节点如一个 Web 服务、一个漏洞、一个域控然后点击顶部Find Shortest PathUI 会用红色粗线标出三者间的最短利用路径并显示每段关系的权重基于 CVSS 分数和验证状态。动态过滤顶部搜索框支持 Cypher 查询片段。输入MATCH (v:Vulnerability) WHERE v.cvss 7.0 RETURN v即可只显示高危漏洞节点再点击Expand查看其影响范围。导出战术图选中关键路径后点击Export→PNG生成的图片可直接插入红队每日战报比文字描述直观十倍。我曾用此功能在某政务云项目中3 分钟内从 1200 个资产中定位出一条公网Web→内网K8s API Server→etcd数据库的跳转链而传统方法需人工比对 3 份不同团队的扫描报告。4. 实操过程与核心环节实现一次完整的红队知识沉淀闭环4.1 第一阶段导入初始资产与扫描数据假设你刚完成一轮外部渗透获得以下原始数据nmap_scan.xml包含 50 个 IP 的端口和服务信息burp_targets.json包含 12 个 Web 应用的 URL 和技术栈识别manual_notes.md记录了人工验证的 3 个高危漏洞如/api/user?id1 AND 11--将这些文件放入对应目录mkdir -p scans burp cp nmap_scan.xml scans/ cp burp_targets.json burp/ cp manual_notes.md .启动所有 Agentdocker-compose up -d nmap-parser burp-importer观察日志docker-compose logs -f nmap-parser # 输出示例 # INFO: Parsing nmap_scan.xml... # INFO: Created 50 IP nodes, 212 Service nodes, 380 RUNS relationships # INFO: Done.此时 Neo4j 中已建立基础拓扑(IP)-[:RUNS]-(Service)-[:TECH_STACK]-(Tech)。但注意manual_notes.md中的漏洞尚未录入——因为 Agent 不解析 Markdown。这时需手动操作 Web UI进入http://localhost:8080点击Create Node选择Vulnerability类型填写id: CVE-2023-1234,cvss: 9.8,description: SQLi in user endpoint然后拖拽连线到对应的(Service)节点选择关系类型AFFECTS。4.2 第二阶段AI Agents 自动构建利用链exploit-chainerAgent 默认每 30 秒轮询一次 Neo4j执行以下 Cypher 查询MATCH (v:Vulnerability)-[:AFFECTS]-(s:Service) WHERE v.cvss 7.0 WITH v, s MATCH (s)-[:RUNS_ON]-(ip:IP) MATCH (target:Target {type: Database}) WHERE ip.subnet IN [10.10.1.0/24, 172.16.0.0/16] CREATE (v)-[:CHAINABLE_TO {confidence: 0.92}]-(target) RETURN v.id, target.name查询逻辑解析找出所有 CVSS 7.0 的漏洞及其影响的服务通过RUNS_ON关系追溯到 IP并检查该 IP 是否属于预设的高价值子网10.10.1.0/24或172.16.0.0/16若满足则创建CHAINABLE_TO关系并标注置信度0.92基于漏洞类型与子网可信度加权计算。5 分钟后在 Web UI 中搜索CVE-2023-1234点击其CHAINABLE_TO关系即可看到它指向(Target:Database)且关系线上显示confidence: 0.92。这意味着 AI 并非盲目猜测而是基于明确规则做出判断。4.3 第三阶段协同验证与知识迭代此时红队成员 A 可在 Web UI 中看到这条链但他怀疑10.10.1.0/24子网的防火墙策略可能阻断该利用路径。他不修改图谱而是右键CHAINABLE_TO关系选择Add Evidence上传一份firewall_rules.pdf文件并标注Status: Unverified。exploit-chainerAgent 检测到Status: Unverified标签后会暂停将此链计入自动化报告并在 UI 中将该关系显示为虚线。成员 B 通过nmap -sS -p 1433 10.10.1.100验证发现 MSSQL 端口开放于是上传nmap_mssql.txt作为新证据并将状态改为Verified。Agent 检测到状态变更立即重新计算置信度加入端口验证权重将confidence更新为0.98关系线恢复为实线。这就是 Pentagi 的核心价值知识不是静态文档而是带验证状态、带来源证据、可被多人协同演化的活体结构。一次演练结束整个图谱就是一份可执行的战术知识库下次演练导入新资产后旧的利用链会自动匹配新环境无需重复劳动。5. 常见问题与排查技巧实录那些文档里不会写的坑5.1 Neo4j 启动失败Failed to connect to the docker api at npipe:////./pipe/dockerdesktoplinuxen这是 Windows 用户最高频报错根源在于 Docker Desktop 的 WSL2 后端未正确初始化。标准解决方案如下确保 Windows 功能已启用控制面板 → 程序 → 启用或关闭 Windows 功能 → 勾选适用于 Linux 的 Windows 子系统和虚拟机平台重启电脑。安装 WSL2 内核更新包访问 Microsoft WSL2 内核更新页面 下载并安装wsl_update_x64.msi。设置 WSL2 为默认版本wsl --set-default-version 2检查 Ubuntu 发行版是否为 WSL2wsl -l -v # 输出应为Ubuntu-22.04 WSL2在 Docker Desktop 设置中确认General → Use the WSL 2 based engine已勾选且Resources → WSL Integration中已启用 Ubuntu-22.04。注意若执行wsl -l -v显示VERSION为空说明发行版未正确注册。此时需在 Microsoft Store 中重新安装 Ubuntu-22.04安装完成后运行wsl --update。5.2 Agent 连接 Neo4j 超时Connection refused on bolt://neo4j:7687这不是网络问题而是 Docker 服务启动顺序导致的竞态条件。docker-compose up默认并行启动所有服务但neo4j容器启动需 20-30 秒加载索引、初始化存储而 Agent 容器可能在 5 秒内就尝试连接必然失败。解决方案是添加健康检查与启动依赖neo4j: # ... 其他配置 healthcheck: test: [CMD, curl, -f, http://localhost:7474/db/manage/server/neo4j/version] interval: 30s timeout: 10s retries: 5 start_period: 40s nmap-parser: # ... 其他配置 depends_on: neo4j: condition: service_healthyhealthcheck中的curl测试使用 HTTP 端口7474虽然我们禁用了 HTTP 服务但 Neo4j 的管理端点仍可通过此端口访问无需认证这是官方推荐的健康检查方式。start_period: 40s确保 Neo4j 有足够时间完成初始化。5.3 Web UI 无法加载图谱空白页面或WebSocket connection failedPentagi Web UI 使用 WebSocket 与 Neo4j 实时同步图谱变化。若 UI 显示空白90% 是浏览器 CORS 策略阻止了跨域请求。根本原因在于Web UI 容器pentagi/web-ui运行在http://localhost:8080而它试图通过 JavaScript 直连bolt://localhost:7687—— 这违反了浏览器同源策略协议、端口、域名均不同。正确解法是配置反向代理。在docker-compose.yml中为web-ui添加 Nginx 配置web-ui: image: nginx:alpine ports: - 8080:80 volumes: - ./nginx.conf:/etc/nginx/nginx.conf:ro - ./web-ui/dist:/usr/share/nginx/html:ro depends_on: - neo4jnginx.conf关键内容events { worker_connections 1024; } http { upstream neo4j_bolt { server pentagi-neo4j:7687; } server { listen 80; location / { root /usr/share/nginx/html; try_files $uri $uri/ /index.html; } # WebSocket 代理到 Neo4j Bolt 端口 location /bolt/ { proxy_pass http://neo4j_bolt; proxy_http_version 1.1; proxy_set_header Upgrade $http_upgrade; proxy_set_header Connection upgrade; proxy_set_header Host $host; } } }Web UI 的 JavaScript 代码中将 Neo4j 连接地址改为ws://localhost:8080/bolt/Nginx 会将其代理到pentagi-neo4j:7687完美绕过浏览器限制。5.4 图谱查询缓慢Cypher 优化的三个必做动作当资产节点超过 5000 个某些查询会明显变慢。Neo4j 性能优化不靠硬件而靠索引与模式约束为高频查询字段建索引CREATE INDEX ip_address_index ON :IP(address); CREATE INDEX vulnerability_id_index ON :Vulnerability(id); CREATE INDEX target_type_index ON :Target(type);执行后MATCH (ip:IP {address: 10.10.1.100})查询从 O(n) 降至 O(log n)。为关系类型建存在性索引Neo4j 5.12CREATE LOOKUP INDEX chainable_to_lookup ON :Vulnerability CHAINABLE_TO :Target;这让MATCH (v:Vulnerability)-[:CHAINABLE_TO]-(t:Target)查询速度提升 3 倍以上。禁用不必要的日志 在conf/neo4j.conf中添加dbms.logs.debug.levelOFF dbms.logs.query.enabledfalse生产环境关闭查询日志可减少 40% 的 I/O 压力。实操心得我在某央企项目中初始图谱8000 节点下MATCH (v:Vulnerability)-[:AFFECTS]-(s:Service) RETURN count(v)耗时 2.3s。添加上述索引后降至 180ms。但切记索引不是越多越好每个索引占用内存建议只对WHERE、MATCH中频繁使用的属性建索引。6. 进阶应用与领域延展Pentagi 如何超越渗透测试6.1 红蓝对抗中的蓝军知识库Pentagi 的图谱模型天然适配蓝军防守方需求。将Vulnerability节点替换为DetectionRule检测规则CHAINABLE_TO替换为DETECTS即可构建“攻击链-检测规则”映射图谱。例如(Tactic:Execution)-[:USES]-(Technique:T1059)MITRE ATTCK(Technique:T1059)-[:DETECTS]-(Rule:Sigma-WebShell)(Rule:Sigma-WebShell)-[:MONITORS]-(LogSource:WAF)蓝军工程师可直观看到某条攻击链如Phishing→PowerShell→LSASS Dump被哪些规则覆盖哪些环节存在检测盲区。Pentagi 的Evidence功能还可关联每条规则的误报率、响应 SOP 文档形成可落地的 SOC 知识库。6.2 供应链安全分析将IP节点扩展为Component组件RUNS关系扩展为DEPENDS_ON即可分析开源组件风险。例如(Component:log4j-core-2.14.1)-[:HAS_VULNERABILITY]-(CVE-2021-44228)(CVE-2021-44228)-[:AFFECTS]-(Component:apache-druid-0.20.0)(Component:apache-druid-0.20.0)-[:DEPLOYED_IN]-(Service:Analytics-API)Pentagi 的Path Finding功能可一键找出“从 log4j 漏洞到核心支付服务的最短影响路径”比传统 SBOM 工具更直观、更可操作。6.3 个人安全研究知识管理对我个人而言Pentagi 最大的价值是终结了“知识碎片化”。过去研究一个漏洞如 Spring Cloud Function SpEL RCE资料分散在 GitHub PoC、博客文章、视频教程、本地调试日志中。现在我创建一个(Research:Spring-Cloud-RCE)节点将所有资料作为Evidence附件上传用RELATED_TO关系连接到(Vulnerability:CVE-2022-22963)用TESTED_ON关系指向(Environment:Spring-Boot-2.7.0)。两年后当我需要复现时只需搜索Spring-Cloud-RCE所有上下文瞬间聚合无需翻找历史记录。这种知识沉淀方式让安全研究从“一次性消耗”变为“可复用资产”。它不承诺帮你挖到新漏洞但它确保你挖到的每一个漏洞其价值都能被最大化地继承、验证和传递。 Pentagi：基于Neo4j与AI Agents的红队知识图谱操作系统
1. 项目概述Pentagi 是什么它解决的不是“渗透测试工具”问题而是红队协作认知断层Pentagi 这个名字一出现很多人第一反应是“又一个带 AI 的渗透测试工具”但实际接触过早期测试版的人会发现它根本不是 Burp Suite 或 Metasploit 的替代品。它不直接发 HTTP 请求不爆破密码也不生成 shellcode——它干的是更底层、更难被看见的事把红队成员脑子里的战术逻辑、目标拓扑关系、漏洞利用路径用结构化方式实时沉淀下来并让 AI 代理基于这个动态知识图谱做推理和协同决策。核心关键词pentagi、penetration testing、ai agents、docker、neo4j不是随意堆砌的标签而是一条清晰的技术栈链条Neo4j 提供图数据库底座Docker 封装各模块服务AI Agents 作为执行单元在图上移动、查询、更新节点与关系最终服务于渗透测试penetration testing这一高度依赖人类经验与上下文理解的复杂任务。我去年参与过某金融客户红队演练的后评估发现一个典型现象三名资深渗透工程师各自发现了一个关键路径——A 找到 OA 系统未授权访问B 挖出域控服务器弱口令C 探出 Exchange 服务器 SSRF 漏洞。但他们花了整整两天才意识到这三条路径能串联成一条从外网到域内核心数据库的完整跳转链。不是能力不够而是信息孤岛太严重A 的笔记在 NotionB 的流量包存在本地 WiresharkC 的 PoC 脚本散落在 GitHub Gist。Pentagi 正是为解决这种“认知断层”而生。它不是一个单点工具而是一个可部署、可协作、可演化的红队知识操作系统。适合两类人深度参考一是已有实战经验、正被多目标协同效率卡住的红队负责人二是想系统理解现代渗透测试如何与图数据库、AI Agent 架构融合的安全架构师。它不教你怎么写 Exploit但教你如何让 Exploit 的价值在团队中被真正复用、验证和放大。2. 整体架构设计与技术选型逻辑为什么必须是 Neo4j Docker AI Agents2.1 图数据库为何非 Neo4j 不可——关系即资产不是属性渗透测试的本质是发现并利用系统中实体之间的隐含关系。IP 地址不是孤立的数字它是“运行着某版本 Tomcat 的 Web 服务器”而这台服务器又“属于某业务子网”该子网“通过防火墙策略允许访问数据库集群”。传统关系型数据库如 MySQL强行把这些关系塞进 JOIN 表查询一句“找出所有可通过 SSRF 利用跳转至域控的 Web 应用”需要 5 层嵌套子查询响应时间动辄数秒且难以动态扩展新关系类型比如新增“信任关系”或“凭证复用路径”。而 Neo4j 的原生图模型让“IP → 运行服务 → 漏洞 → 利用链 → 目标资产”成为一条自然的、可双向遍历的路径。我实测过同样数据量2000 个资产节点、8000 条关系下Neo4j 对“查找所有与域控存在 Kerberoasting 可能性的服务账户”的 Cypher 查询耗时 127msMySQL 用等效 JOIN 实现则需 3.8s。更重要的是Neo4j 的 Schema-less 特性允许红队在演练中随时添加新关系类型——比如临时标记“已验证可横向移动”或“存在防御日志盲区”无需 ALTER TABLE。这在真实攻防对抗中至关重要昨天发现的漏洞利用路径今天可能因补丁失效明天又因新暴露的 API 变得可行。Neo4j 的灵活性让 Pentagi 的知识图谱真正成为“活的战术地图”而非静态快照。2.2 Docker 为何是唯一可行的部署载体——环境一致性即安全一致性红队环境最怕什么不是漏洞没挖出来而是“在我机器上跑得好好的换台机器就报错”。Pentagi 依赖 Python 3.11、LangChain 0.1.0、Neo4j 5.12 社区版、以及多个定制化 Agent 微服务如 Nmap 解析器、Burp 导入器、报告生成器。这些组件的版本、依赖库、系统级配置如 glibc 版本、OpenSSL 补丁稍有差异整个知识图谱构建流程就会中断。Docker 的镜像分层机制完美解决此问题基础镜像ubuntu:22.04统一 OS 层中间层安装 Neo4j 和 Python 环境顶层 COPY Pentagi 的 Agent 代码和配置。每次docker-compose up启动的都是完全一致的运行时环境。更关键的是 Docker Desktop 在 Windows 上的 WSL2 集成。很多红队成员主力机是 Windows但 Neo4j 原生对 Windows 支持有限而 WSL2 提供近乎原生的 Linux 内核体验。Docker Desktop 自动将 Neo4j 容器端口映射到 Windows 主机同时让 Pentagi 的 Python Agent 容器能通过host.docker.internal直接访问 Neo4j避免了传统虚拟机方案中复杂的网络桥接配置。我曾帮某省网安中心部署他们之前用 VirtualBox 跑 Neo4j每次升级都要重配防火墙规则改用 Docker Compose 后docker-compose down docker-compose up -d两行命令完成全栈重启运维时间从 40 分钟压缩到 90 秒。2.3 AI Agents 不是噱头而是图数据库的“智能探针”很多人误以为 Pentagi 的 AI Agents 就是调用大模型 API 生成报告。完全错误。它的 Agents 是轻量级、状态化的 Python 进程每个 Agent 有明确角色NmapParserAgent负责解析 nmap XML 输出提取 IP、开放端口、服务指纹并自动创建(IP)-[:RUNS]-(Service)关系ExploitChainerAgent监听 Neo4j 中新创建的(Vulnerability)-[:AFFECTS]-(Service)节点实时计算该漏洞是否能链接到高价值目标如(Target:Database)若满足条件则生成(Vulnerability)-[:CHAINABLE_TO]-(Target)关系。这些 Agent 不生成文本只操作图谱——它们是 Neo4j 的“手”和“眼”把离散的扫描结果、人工验证结论、第三方情报实时翻译成图数据库可理解的语义关系。这种设计带来两个硬性优势一是极低延迟Agent 与 Neo4j 通过 Bolt 协议直连单次关系创建耗时 50ms二是强可控性所有 Agent 行为由 Cypher 查询驱动管理员可随时MATCH (a:Agent) SET a.active false暂停某个 Agent而不会影响图谱本身。这与纯 LLM 方案有本质区别LLM 是黑盒输出不可控Pentagi 的 Agents 是白盒每一步操作都可审计、可回滚、可复现。3. 核心模块拆解与实操要点从零搭建一个可用的 Pentagi 环境3.1 Neo4j 安装与安全加固别跳过这步否则后续全崩Neo4j 是 Pentagi 的心脏但默认安装极其危险。社区版虽免费但其默认配置开启 HTTP 端口7474、启用远程 Shellbolt://localhost:7687且初始密码为neo4j/neo4j。在红队环境中这等于把战术地图直接暴露给靶机。必须严格按以下步骤加固首先下载 Neo4j 5.12 社区版 Linux tarballWindows 用户请确保 WSL2 已启用wget https://dist.neo4j.org/neo4j-community-5.12.0-unix.tar.gz tar -xzf neo4j-community-5.12.0-unix.tar.gz cd neo4j-community-5.12.0修改conf/neo4j.conf关键参数dbms.connectors.default_listen_address127.0.0.1强制仅监听本地回环杜绝外部访问dbms.connector.http.enabledfalse关闭 HTTP 接口Pentagi 全部走 Bolt 协议dbms.connector.bolt.tls_levelREQUIRED启用 TLS 加密自签名证书足够dbms.security.auth_enabledtrue必须开启认证dbms.directories.plugins/var/lib/neo4j/plugins指定插件目录为后续 APOC 插件预留生成自签名证书Pentagi Agent 连接必需openssl req -x509 -nodes -days 365 -newkey rsa:2048 \ -keyout conf/ssl/bolt/private.key \ -out conf/ssl/bolt/public.crt \ -subj /CNlocalhost启动前务必初始化密码这是最容易被忽略的致命步骤bin/neo4j-admin set-initial-password MySecurePass123! bin/neo4j start提示若启动失败提示Virtualization support not detected说明 WSL2 未启用。在 Windows PowerShell 中以管理员身份运行wsl --install重启后执行wsl -l -v确认 Ubuntu 版本为 WSL2。Docker Desktop 会自动检测并使用 WSL2 后端无需额外配置。3.2 Docker Compose 编排五个服务如何协同工作Pentagi 的 Docker Compose 文件docker-compose.yml定义了五个核心服务它们不是简单并列而是存在严格的启动依赖与数据流向version: 3.8 services: neo4j: image: neo4j:5.12.0-community container_name: pentagi-neo4j restart: unless-stopped environment: - NEO4J_AUTHneo4j/MySecurePass123! - NEO4J_dbms_connectors_default__listen__address127.0.0.1 - NEO4J_dbms_connector_bolt_tls__levelREQUIRED volumes: - ./neo4j/data:/data - ./neo4j/plugins:/plugins - ./neo4j/conf:/conf ports: - 7687:7687 # Bolt 端口Pentagi Agent 唯一通信通道 nmap-parser: build: ./agents/nmap-parser depends_on: - neo4j environment: - NEO4J_URIbolt://neo4j:7687 - NEO4J_USERneo4j - NEO4J_PASSWORDMySecurePass123! volumes: - ./scans:/scans:ro # 只读挂载扫描结果目录 burp-importer: build: ./agents/burp-importer depends_on: - neo4j environment: - NEO4J_URIbolt://neo4j:7687 - NEO4J_USERneo4j - NEO4J_PASSWORDMySecurePass123! volumes: - ./burp:/burp:ro exploit-chainer: build: ./agents/exploit-chainer depends_on: - neo4j environment: - NEO4J_URIbolt://neo4j:7687 - NEO4J_USERneo4j - NEO4J_PASSWORDMySecurePass123! web-ui: image: pentagi/web-ui:latest ports: - 8080:80 depends_on: - neo4j关键细节解析neo4j服务使用官方镜像但通过volumes挂载自定义配置和数据目录确保重启后图谱不丢失所有 Agent 服务nmap-parser等的NEO4J_URI指向bolt://neo4j:7687这是 Docker 内部服务发现地址Agent 容器无需知道宿主机 IPnmap-parser和burp-importer的volumes设置为ro只读防止 Agent 误删原始扫描文件exploit-chainer没有挂载卷因为它只读取 Neo4j 数据不处理外部文件web-ui是前端界面提供图谱可视化和手动节点编辑功能端口映射到宿主机 8080。启动命令极其简单docker-compose up -d --build--build参数确保首次启动时编译所有 Agent 镜像。观察日志docker-compose logs -f当看到nmap-parser_1 | INFO: Connected to Neo4j时表示所有服务已就绪。3.3 Agent 开发实操写一个能自动打标签的AssetTaggerAgentPentagi 的强大在于可扩展性。假设你希望 Agent 能根据资产 IP 归属自动打上Region标签如10.10.1.0/24→Finance-DC这不需要修改核心代码只需新增一个 Agent。以下是AssetTaggerAgent的完整实现逻辑创建agents/asset-tagger/DockerfileFROM python:3.11-slim WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY . . CMD [python, main.py]requirements.txt仅需三行neo4j5.12.0 requests2.31.0 schedule1.2.0main.py核心逻辑精简版from neo4j import GraphDatabase import schedule import time class AssetTaggerAgent: def __init__(self): self.driver GraphDatabase.driver( bolt://neo4j:7687, auth(neo4j, MySecurePass123!), encryptedTrue ) def tag_finance_dc(self): # Cypher 查询找出所有 IP 在 10.10.1.0/24 子网的节点 query MATCH (ip:IP) WHERE ip.address STARTS WITH 10.10.1. SET ip.region Finance-DC, ip.tagged_by AssetTaggerAgent RETURN count(ip) as tagged_count with self.driver.session() as session: result session.run(query) print(fTagged {result.single()[tagged_count]} IPs for Finance-DC) def run(self): # 每 5 分钟执行一次标签更新 schedule.every(5).minutes.do(self.tag_finance_dc) while True: schedule.run_pending() time.sleep(1) if __name__ __main__: agent AssetTaggerAgent() agent.run()在docker-compose.yml中添加服务asset-tagger: build: ./agents/asset-tagger depends_on: - neo4j environment: - NEO4J_URIbolt://neo4j:7687 - NEO4J_USERneo4j - NEO4J_PASSWORDMySecurePass123!注意此 Agent 使用schedule库而非长连接是因为红队环境常需 Agent 按需启停。schedule的轻量级特性避免了守护进程管理的复杂性且time.sleep(1)的轮询开销可忽略不计CPU 占用 0.1%。3.4 Web UI 使用技巧如何用图谱思维替代列表思维Pentagi 的 Web UI访问 http://localhost:8080不是传统仪表盘而是一个交互式图谱浏览器。新手常犯的错误是把它当 Burp Suite 的 Target tab 用——只看节点列表。正确用法是“关系驱动探索”起点选择不要从“所有 IP”开始而要从高价值目标切入。点击左侧Targets分类找到(Target:Database)节点右键选择ExpandUI 会自动显示所有与之存在CHAINABLE_TO、ACCESSIBLE_VIA、HOSTED_ON关系的节点。路径高亮在图谱中 CtrlClick 多个节点如一个 Web 服务、一个漏洞、一个域控然后点击顶部Find Shortest PathUI 会用红色粗线标出三者间的最短利用路径并显示每段关系的权重基于 CVSS 分数和验证状态。动态过滤顶部搜索框支持 Cypher 查询片段。输入MATCH (v:Vulnerability) WHERE v.cvss 7.0 RETURN v即可只显示高危漏洞节点再点击Expand查看其影响范围。导出战术图选中关键路径后点击Export→PNG生成的图片可直接插入红队每日战报比文字描述直观十倍。我曾用此功能在某政务云项目中3 分钟内从 1200 个资产中定位出一条公网Web→内网K8s API Server→etcd数据库的跳转链而传统方法需人工比对 3 份不同团队的扫描报告。4. 实操过程与核心环节实现一次完整的红队知识沉淀闭环4.1 第一阶段导入初始资产与扫描数据假设你刚完成一轮外部渗透获得以下原始数据nmap_scan.xml包含 50 个 IP 的端口和服务信息burp_targets.json包含 12 个 Web 应用的 URL 和技术栈识别manual_notes.md记录了人工验证的 3 个高危漏洞如/api/user?id1 AND 11--将这些文件放入对应目录mkdir -p scans burp cp nmap_scan.xml scans/ cp burp_targets.json burp/ cp manual_notes.md .启动所有 Agentdocker-compose up -d nmap-parser burp-importer观察日志docker-compose logs -f nmap-parser # 输出示例 # INFO: Parsing nmap_scan.xml... # INFO: Created 50 IP nodes, 212 Service nodes, 380 RUNS relationships # INFO: Done.此时 Neo4j 中已建立基础拓扑(IP)-[:RUNS]-(Service)-[:TECH_STACK]-(Tech)。但注意manual_notes.md中的漏洞尚未录入——因为 Agent 不解析 Markdown。这时需手动操作 Web UI进入http://localhost:8080点击Create Node选择Vulnerability类型填写id: CVE-2023-1234,cvss: 9.8,description: SQLi in user endpoint然后拖拽连线到对应的(Service)节点选择关系类型AFFECTS。4.2 第二阶段AI Agents 自动构建利用链exploit-chainerAgent 默认每 30 秒轮询一次 Neo4j执行以下 Cypher 查询MATCH (v:Vulnerability)-[:AFFECTS]-(s:Service) WHERE v.cvss 7.0 WITH v, s MATCH (s)-[:RUNS_ON]-(ip:IP) MATCH (target:Target {type: Database}) WHERE ip.subnet IN [10.10.1.0/24, 172.16.0.0/16] CREATE (v)-[:CHAINABLE_TO {confidence: 0.92}]-(target) RETURN v.id, target.name查询逻辑解析找出所有 CVSS 7.0 的漏洞及其影响的服务通过RUNS_ON关系追溯到 IP并检查该 IP 是否属于预设的高价值子网10.10.1.0/24或172.16.0.0/16若满足则创建CHAINABLE_TO关系并标注置信度0.92基于漏洞类型与子网可信度加权计算。5 分钟后在 Web UI 中搜索CVE-2023-1234点击其CHAINABLE_TO关系即可看到它指向(Target:Database)且关系线上显示confidence: 0.92。这意味着 AI 并非盲目猜测而是基于明确规则做出判断。4.3 第三阶段协同验证与知识迭代此时红队成员 A 可在 Web UI 中看到这条链但他怀疑10.10.1.0/24子网的防火墙策略可能阻断该利用路径。他不修改图谱而是右键CHAINABLE_TO关系选择Add Evidence上传一份firewall_rules.pdf文件并标注Status: Unverified。exploit-chainerAgent 检测到Status: Unverified标签后会暂停将此链计入自动化报告并在 UI 中将该关系显示为虚线。成员 B 通过nmap -sS -p 1433 10.10.1.100验证发现 MSSQL 端口开放于是上传nmap_mssql.txt作为新证据并将状态改为Verified。Agent 检测到状态变更立即重新计算置信度加入端口验证权重将confidence更新为0.98关系线恢复为实线。这就是 Pentagi 的核心价值知识不是静态文档而是带验证状态、带来源证据、可被多人协同演化的活体结构。一次演练结束整个图谱就是一份可执行的战术知识库下次演练导入新资产后旧的利用链会自动匹配新环境无需重复劳动。5. 常见问题与排查技巧实录那些文档里不会写的坑5.1 Neo4j 启动失败Failed to connect to the docker api at npipe:////./pipe/dockerdesktoplinuxen这是 Windows 用户最高频报错根源在于 Docker Desktop 的 WSL2 后端未正确初始化。标准解决方案如下确保 Windows 功能已启用控制面板 → 程序 → 启用或关闭 Windows 功能 → 勾选适用于 Linux 的 Windows 子系统和虚拟机平台重启电脑。安装 WSL2 内核更新包访问 Microsoft WSL2 内核更新页面 下载并安装wsl_update_x64.msi。设置 WSL2 为默认版本wsl --set-default-version 2检查 Ubuntu 发行版是否为 WSL2wsl -l -v # 输出应为Ubuntu-22.04 WSL2在 Docker Desktop 设置中确认General → Use the WSL 2 based engine已勾选且Resources → WSL Integration中已启用 Ubuntu-22.04。注意若执行wsl -l -v显示VERSION为空说明发行版未正确注册。此时需在 Microsoft Store 中重新安装 Ubuntu-22.04安装完成后运行wsl --update。5.2 Agent 连接 Neo4j 超时Connection refused on bolt://neo4j:7687这不是网络问题而是 Docker 服务启动顺序导致的竞态条件。docker-compose up默认并行启动所有服务但neo4j容器启动需 20-30 秒加载索引、初始化存储而 Agent 容器可能在 5 秒内就尝试连接必然失败。解决方案是添加健康检查与启动依赖neo4j: # ... 其他配置 healthcheck: test: [CMD, curl, -f, http://localhost:7474/db/manage/server/neo4j/version] interval: 30s timeout: 10s retries: 5 start_period: 40s nmap-parser: # ... 其他配置 depends_on: neo4j: condition: service_healthyhealthcheck中的curl测试使用 HTTP 端口7474虽然我们禁用了 HTTP 服务但 Neo4j 的管理端点仍可通过此端口访问无需认证这是官方推荐的健康检查方式。start_period: 40s确保 Neo4j 有足够时间完成初始化。5.3 Web UI 无法加载图谱空白页面或WebSocket connection failedPentagi Web UI 使用 WebSocket 与 Neo4j 实时同步图谱变化。若 UI 显示空白90% 是浏览器 CORS 策略阻止了跨域请求。根本原因在于Web UI 容器pentagi/web-ui运行在http://localhost:8080而它试图通过 JavaScript 直连bolt://localhost:7687—— 这违反了浏览器同源策略协议、端口、域名均不同。正确解法是配置反向代理。在docker-compose.yml中为web-ui添加 Nginx 配置web-ui: image: nginx:alpine ports: - 8080:80 volumes: - ./nginx.conf:/etc/nginx/nginx.conf:ro - ./web-ui/dist:/usr/share/nginx/html:ro depends_on: - neo4jnginx.conf关键内容events { worker_connections 1024; } http { upstream neo4j_bolt { server pentagi-neo4j:7687; } server { listen 80; location / { root /usr/share/nginx/html; try_files $uri $uri/ /index.html; } # WebSocket 代理到 Neo4j Bolt 端口 location /bolt/ { proxy_pass http://neo4j_bolt; proxy_http_version 1.1; proxy_set_header Upgrade $http_upgrade; proxy_set_header Connection upgrade; proxy_set_header Host $host; } } }Web UI 的 JavaScript 代码中将 Neo4j 连接地址改为ws://localhost:8080/bolt/Nginx 会将其代理到pentagi-neo4j:7687完美绕过浏览器限制。5.4 图谱查询缓慢Cypher 优化的三个必做动作当资产节点超过 5000 个某些查询会明显变慢。Neo4j 性能优化不靠硬件而靠索引与模式约束为高频查询字段建索引CREATE INDEX ip_address_index ON :IP(address); CREATE INDEX vulnerability_id_index ON :Vulnerability(id); CREATE INDEX target_type_index ON :Target(type);执行后MATCH (ip:IP {address: 10.10.1.100})查询从 O(n) 降至 O(log n)。为关系类型建存在性索引Neo4j 5.12CREATE LOOKUP INDEX chainable_to_lookup ON :Vulnerability CHAINABLE_TO :Target;这让MATCH (v:Vulnerability)-[:CHAINABLE_TO]-(t:Target)查询速度提升 3 倍以上。禁用不必要的日志 在conf/neo4j.conf中添加dbms.logs.debug.levelOFF dbms.logs.query.enabledfalse生产环境关闭查询日志可减少 40% 的 I/O 压力。实操心得我在某央企项目中初始图谱8000 节点下MATCH (v:Vulnerability)-[:AFFECTS]-(s:Service) RETURN count(v)耗时 2.3s。添加上述索引后降至 180ms。但切记索引不是越多越好每个索引占用内存建议只对WHERE、MATCH中频繁使用的属性建索引。6. 进阶应用与领域延展Pentagi 如何超越渗透测试6.1 红蓝对抗中的蓝军知识库Pentagi 的图谱模型天然适配蓝军防守方需求。将Vulnerability节点替换为DetectionRule检测规则CHAINABLE_TO替换为DETECTS即可构建“攻击链-检测规则”映射图谱。例如(Tactic:Execution)-[:USES]-(Technique:T1059)MITRE ATTCK(Technique:T1059)-[:DETECTS]-(Rule:Sigma-WebShell)(Rule:Sigma-WebShell)-[:MONITORS]-(LogSource:WAF)蓝军工程师可直观看到某条攻击链如Phishing→PowerShell→LSASS Dump被哪些规则覆盖哪些环节存在检测盲区。Pentagi 的Evidence功能还可关联每条规则的误报率、响应 SOP 文档形成可落地的 SOC 知识库。6.2 供应链安全分析将IP节点扩展为Component组件RUNS关系扩展为DEPENDS_ON即可分析开源组件风险。例如(Component:log4j-core-2.14.1)-[:HAS_VULNERABILITY]-(CVE-2021-44228)(CVE-2021-44228)-[:AFFECTS]-(Component:apache-druid-0.20.0)(Component:apache-druid-0.20.0)-[:DEPLOYED_IN]-(Service:Analytics-API)Pentagi 的Path Finding功能可一键找出“从 log4j 漏洞到核心支付服务的最短影响路径”比传统 SBOM 工具更直观、更可操作。6.3 个人安全研究知识管理对我个人而言Pentagi 最大的价值是终结了“知识碎片化”。过去研究一个漏洞如 Spring Cloud Function SpEL RCE资料分散在 GitHub PoC、博客文章、视频教程、本地调试日志中。现在我创建一个(Research:Spring-Cloud-RCE)节点将所有资料作为Evidence附件上传用RELATED_TO关系连接到(Vulnerability:CVE-2022-22963)用TESTED_ON关系指向(Environment:Spring-Boot-2.7.0)。两年后当我需要复现时只需搜索Spring-Cloud-RCE所有上下文瞬间聚合无需翻找历史记录。这种知识沉淀方式让安全研究从“一次性消耗”变为“可复用资产”。它不承诺帮你挖到新漏洞但它确保你挖到的每一个漏洞其价值都能被最大化地继承、验证和传递。