开源安全研究智能体正成为将专家经验自动化、应对复杂漏洞挖掘与渗透测试任务的关键力量。它们超越了传统自动化脚本，通过模拟人类安全专家的推理、规划与协作过程，显著提升了安全研究的深度与效率。目前，开源生态中已涌现出多个方向明确、各具特色的项目，主要可分为专用安全研究工具与智能体开发平台两大类。

一、 专用安全研究工具

这类工具针对特定的安全研究场景（如代码审计、渗透测试）进行了深度优化，开箱即用。

1. 代码审计与漏洞挖掘智能体

此类智能体旨在解决传统静态应用安全测试（SAST）工具误报率高、无法理解复杂业务逻辑、缺乏验证手段等核心痛点。

• DeepAudit：作为国内首个开源的代码漏洞挖掘多智能体系统，它采用多智能体（Multi-Agent）协作架构，模拟一个安全专家团队。其工作流包含四个核心Agent：Orchestrator（总指挥）负责任务规划与协调；Recon Agent（侦察兵）识别项目技术栈与攻击面；Analysis Agent（分析师）结合RAG知识库进行深度代码审查；Verification Agent（验证者）在Docker沙箱中自动生成并执行PoC进行漏洞验证，确保发现的漏洞真实可利用。它支持本地部署（如Ollama），满足数据隐私要求，并能一键生成专业审计报告。
• mythos-agent：这是一个专注于通过AI补全规则库盲区的开源智能体。其核心创新在于“大胆假设、小心求证”的两阶段流水线。首先，Hypothesize阶段让LLM为每个函数生成具体的安全假设（如“此处读改写未加锁，可能并发竞态”）；随后，Analyze阶段由另一个分析器Agent重新评估这些假设的成立置信度。这种方法能有效发现那些 sink（漏洞点）和 source（输入源）相隔多层函数、变量名被修改的结构变体漏洞，这是传统模式匹配扫描器（如Semgrep、CodeQL）难以覆盖的。此外，它还具备针对已知CVE补丁进行变体分析的能力。
• GitHub Security Lab Taskflow Agent / 变体分析演示：这是一个基于YAML任务流（Taskflow）框架的示例，展示了如何利用智能体进行安全研究。用户可以通过类似GitHub Actions的配置文件，定义一系列任务，由智能体自动执行。其演示的“变体分析”流程是安全研究的典型场景：智能体会自动获取指定仓库的安全公告（GHSA），定位漏洞代码，然后审查整个代码库以寻找类似的漏洞模式。这体现了将研究流程标准化、自动化的思路。

2. 渗透测试与红队演练智能体

这类智能体模拟攻击者的思维，自动化执行侦察、漏洞发现、利用验证等环节，用于提升攻防演练的效率和深度。

• Strix：被描述为“模拟人类攻击者的全能自主代理”。它不是一个单一工具，而是一个由多个具备不同技能（侦察、代码分析、漏洞利用）的智能体组成的协同平台。其采用图模型组织工作流，智能体之间可以动态共享信息并调整攻击路径。它能够通过驱动浏览器、终端会话等方式进行全栈模拟测试，尤其擅长发现传统扫描器无法检测的复杂业务逻辑漏洞，并可提供可运行的概念验证（PoC）。
• Pentest-GPT：它更侧重于充当渗透测试的“大脑”和“指挥官”。其核心是利用大语言模型（LLM）作为推理引擎，来管理整个渗透测试流程。它可以分析来自Nmap、Metasploit等工具的输出，自主规划下一步行动，生成测试脚本或向操作员提出建议，实现了从“自动化工具”到“自动化思维”的转变，极大提升了分析师的效率。
• AutoPentester：这是一个基于LLM的自动化渗透测试工具，直接实践“AI即黑客”的理念。它能自动执行从智能侦察、漏洞发现到自主利用尝试的多个阶段，旨在模拟人类测试者的思维过程来发现和验证漏洞。
• Recon-GPT：专注于自动化开源情报（OSINT）侦察阶段。用户只需提供一个目标（如公司名），它便能像经验丰富的情报分析师一样，自主搜索子域名、暴露资产、技术栈、代码泄露等信息，将原本耗时数日的“踩点”工作缩短到几分钟。

二、 智能体开发平台与框架

这类项目不提供单一的研究功能，而是提供一个可编排、可扩展的平台，让安全专家能够将自己的经验和工具封装成智能体工作流。

• JoySafeter：由京东开源，定位为安全能力的“操作系统”或企业级安全Agent开发平台。其核心理念是将割裂的安全工具和专家经验统合为协同的AI军团。平台预集成了超过200个安全工具和21个专业安全技能（Skill），并通过DeepAgents多智能体协作模式（Manager-Worker星型拓扑）处理复杂任务。它提供两种工作模式：快速模式下，用户用自然语言描述任务，系统自动编排Agent团队生成工作流；深度模式下，用户可通过可视化界面拖拽构建包含条件分支、循环等复杂逻辑的工作流。所有代码执行均在OpenClaw安全沙箱（Docker容器）内进行，确保隔离与安全。
• Taskflow 框架（如seclab-taskflow-agent）：如前文所述，这代表了一类以YAML等声明式语言定义任务序列的框架。它通过“Personality”（角色）、“Toolbox”（工具集）等概念，将LLM的推理能力与具体的安全工具（如GitHub API、CodeQL）结合，让研究人员可以灵活定制和复用各种安全分析流水线。

总结与趋势

当前开源安全研究智能体的发展呈现出几个清晰趋势：一是专业化，针对代码审计、渗透测试等细分场景出现深度优化的解决方案；二是协作化，普遍采用多智能体架构，模拟团队分工，以处理单智能体难以应对的复杂任务；三是安全可控化，广泛集成Docker沙箱等隔离技术，并注重过程的可观测性，以降低自主运行的风险。对于安全研究人员而言，这些工具不仅提供了强大的自动化能力，更重要的是提供了一种将个人经验沉淀为可复用、可进化数字资产的新范式。