一个完全在智能手机上运行的自主渗透测试代理。将手机放置在网络上，走开，它会发现主机，映射服务，寻找漏洞，生成渗透测试报告——全部无需云端连接。░█▄░█ █ █▀▀ █░█ ▀█▀ █▀▀ █▀█ ▄▀█ █░█░█ █░░ █▀▀ █▀█ ░█░▀█ █ █▄█ █▀█ ░█░ █▄▄ █▀▄ █▀█ ▀▄▀▄▀ █▄▄ ██▄ █▀▄ v0.1.0 自主移动渗透测试代理 OnePlus 8 · NetHunter · LFM2.5-1.2B · OpenCL GPU 这是什么？ 渗透测试（pentesting）是通过模拟攻击来测试计算机网络的安全性——需要网络所有者的明确允许。专业的渗透测试人员被雇来在真正的攻击者之前发现漏洞。夜行者在手机上自动化这个过程。它使用一个小型 AI 模型（LFM2.5-1.2B-Instruct-Heretic，12亿个参数）在手机的 GPU 上本地运行，以决定下一步该做什么——探测哪个主机，使用哪个工具，寻找什么。无需互联网连接或云 API。 如何运作 无线网络突破（可选）——如果在没有 WiFi 的情况下放置，它可以使用外部 USB WiFi 适配器自主破解 WPA2 网络 侦察——使用隐秘扫描发现网络上的设备 枚举——探测已发现的服务（网页服务器、文件共享、SSH、DNS 等） 利用——测试已知漏洞和默认凭证 报告——生成带有发现和修复建议的结构化渗透测试报告 该代理像一个耐心的人类渗透测试员——它在主机之间轮换，每次执行一个小操作，并在数小时内逐步积累知识。这使得它比那些一次性冲击所有主机的传统漏洞扫描器更难被检测到。 关键概念 术语 含义 放置箱 一个留在目标网络上的设备以自动执行测试 范围 你被授权测试的网络/主机集合 参与规则（ROE） 一份法律文件，说明你被允许做什么 隐秘技术 避免被网络监控（IDS/IPS）检测的方法 MCP 模型上下文协议——用于 AI 工具使用的标准接口 C2 指挥与控制——用于监控和引导代理的网页仪表板 架构 ┌──────────────────────────────────────────────────────────┐ │ 手机（OnePlus 8） │ │ │ │ ┌─────────────┐ ┌──────────────────┐ │ │ │ LFM2.5 │ │ 代理循环 │ │ │ │ 1.2B 模型 │◄───►│ (main.py) │ │ │ │ 在 GPU 上 │ │ 决定下一步 │ │ │ │ (:8080) │ │ 的动作 │ │ │ └─────────────┘ └────────┬─────────┘ │ │ │ │ │ ┌────────▼─────────┐ │ │ │ 范围代理 │ ← 安全层 │ │ │ 验证每个 │ 阻止 │ │ │ 命令在 │ 范围外 │ │ │ 执行 │ 动作 │ │ └────────┬─────────┘ │ │ │ │ │ ┌────────▼─────────┐ │ │ │ Kali MCP 服务器 │ ← 运行 │ │ │ nmap、curl、 │ 实际 │ │ │ smbclient、... │ 命令 │ │ └──────────────────┘ │ │ │ │ ┌──────────────────┐ ┌──────────────────┐ │ │ │ 网络仪表板 │ │ SQLite 数据库 │ │ │ │ (:8888) │ │ 主机、漏洞、 │ │ │ │ 监控与引导 │ │ 凭证、命令 │ │ │ └──────────────────┘ └──────────────────┘ │ └──────────────────────────────────────────────────────────┘ 对于完整的系统设计，请参阅 docs/ARCHITECTURE.md 。 特性 完全自主——操作过程中没有人参与 100% 本地推理——AI 在手机的 GPU 上运行，不需要云 范围强制——两层防御阻止范围外的操作 隐秘优先——慢速扫描率，主机轮换，覆盖流量，仅 nmap -T2 27个 漏洞利用手册——自动执行的多步骤攻击链 24,956 条 CVE 数据库条目——版本感知的漏洞匹配 网络仪表板——实时监控，主机管理，C2 控制 WiFi 突破模式——使用 USB 适配器的自主WPA2 破解（Pwnagotchi 启发） 被动发现——在后台捕获 mDNS/NBNS/DHCP/ARP 广播 多网络——每个网络的数据隔离，通过 MAC 键定的主机在 DHCP 更改时生存 自我修复——垃圾检测，上下文重置，看门狗，卡死检测 训练捕获——记录成功的交互以供未来模型微调 报告生成——可下载的渗透测试报告，包含漏洞、利用链、修复建议。请查看 docs/FEATURES.md 以获取完整的功能参考。 硬件要求 具有 Kali NetHunter 的 Android 手机（在 OnePlus 8，Snapdragon 865 上测试）通过 Magisk 获得的根访问权限 12GB+ RAM（模型使用约 1.3GB，Android 使用约 4GB，其余用于工具） 可选的 USB WiFi 适配器用于离线 WiFi 突破模式（推荐 Ralink RT3572） 具有 MAC80211 监控模式的自定义内核（构建指南） NVIDIA AGX 用于通过 Tailscale 将负载卸载到更大的模型 GPU 性能 所有推理通过 OpenCL 在 Adreno 650 GPU 上进行：模型量化 提示速度 生成速度 LFM2.5-1.2B-Instruct-Heretic（生产） Q8_0 115 tok/s 13 tok/s Qwen3.5-0.8B Q8_0 30.5 tok/s 6.3 tok/s Qwen3.5-4B Q4_0 10.1 tok/s 2.0 tok/s 注意：Android 在电池供电时限制 GPU（降低 6 倍）。夜行者包含一个强制最大性能和在电池电量 ≤ 15% 时自动限制的 GPU 管理守护进程。 快速开始 # 1. 安装（在 Kali NetHunt 中进行）