在网络安全领域，渗透测试一直是保障系统安全的重要手段。随着 AI Agent 技术的兴起，将渗透测试能力与 AI 智能体相结合，成为了一个令人兴奋的方向。今天要向大家深度推荐的是由 yuanguin37 开发的 GKN-Phantom——一个面向 OpenClaw AI Agent 框架的工业级自动化渗透测试技能包（Skill）。

项目定位

GKN-Phantom 的定位非常清晰：它是一个为 OpenClaw AI Agent 框架量身打造的技能包，让 AI Agent 能够自主执行从侦察发现到报告生成的全生命周期安全验证。换句话说，你可以让你的 AI 助手化身为一位专业的“安全审计师”，自动完成渗透测试的各个环节。

在严格的范围守卫（Scope Guard）、风险门控（Risk Gate）和速率限制（Rate Limiter）三重安全模型的保障下，GKN-Phantom 能够安全、可控地执行自动化渗透测试任务。

核心特性一览

🔒 三重安全模型（不可协商）

安全是渗透测试工具的生命线。GKN-Phantom 设计了不可协商的三重安全防护：

• Scope Guard（范围守卫）：每个目标、每个请求、每个工具调用在执行前都必须通过 ctx.scope 校验。支持域名通配符（如 *.staging.example.test）、IP CIDR、路径白名单/黑名单，任何越界目标立即中止，不执行部分扫描。

• Risk Gate（风险门控）：L1-L4 四级风险分级——L1 被动侦察（允许）、L2 安全探测（允许）、L3 认证测试（需提供凭据）、L4 破坏性/提权/写操作（需人工审批，Safe Mode 下完全阻断）。

• Rate Limiter（速率限制）：令牌桶算法，默认 ≤ 3 req/s，突发上限 5，超限请求排队而非丢弃，保障扫描稳定性。

🎯 分层漏洞检测（17种漏洞类型）

覆盖 LOW → MEDIUM → HIGH → CRITICAL 四个严重级别，支持 17 种漏洞类型：

严重级别	漏洞类型
CRITICAL	RCE、认证绕过（auth_bypass）、权限提升（priv_esc）、数据泄露（data_exposure）
HIGH	SQL注入（sqli）、存储型XSS、SSRF、IDOR、反序列化、命令注入
MEDIUM	反射型XSS、路径遍历（path_traversal）、XXE、SSTI、CSRF（状态变更型）
LOW	信息泄露（info_leak）、开放重定向（open_redirect）、CSRF（弱令牌）、安全配置错误（misconfig）

📋 更多亮点

• 证据驱动：每个发现必须附带完整请求/响应/时间戳，可复现验证后才进入报告。证据不完整会在 VALIDATION 阶段被拒绝。
• 攻击路径分析：自动将已验证发现串联成攻击链图（如 auth_bypass → IDOR → data_exposure）。
• SARIF 2.1.0 输出：兼容 CI/CD 流水线，支持 partialFingerprints 基线去重。
• 断点续扫：状态机持久化，支持暂停/恢复，任意阶段中断后可继续。
• Safe Mode：默认开启，L4（破坏性/提权/写操作）级探测完全阻断。
• 跨平台：Windows / Kali Linux / CentOS 全兼容，仅依赖 Python 3.10+ 和 nmap。

🏗️ 架构设计

GKN-Phantom 采用 9 阶段状态机设计，覆盖渗透测试全流程：

INIT → SCOPE_CHECK → RECONNAISSANCE → AUTH_SETUP → 
ACTIVE_TESTING → VALIDATION → ATTACK_PATH_ANALYSIS → 
REPORT_GENERATION → DONE

阶段	功能	关键脚本
INIT	输入验证、配置加载、状态初始化	—
SCOPE_CHECK	所有目标范围校验，任何越界即中止	scope_guard.py
RECONNAISSANCE	被动资产发现：子域名、端口、HTTP指纹、端点	nmap + utils.py
AUTH_SETUP	认证会话建立（Cookie/Token/Browser）	—
ACTIVE_TESTING	分层漏洞探测，L1→L4 按序执行	vuln_detector.py
VALIDATION	证据复验、TP/FP分类、置信度计算	finding_validator.py
ATTACK_PATH_ANALYSIS	漏洞串联成攻击链、影响面评估	attack_path.py
REPORT_GENERATION	报告生成：摘要+发现表+风险评分+SARIF	report_generator.py
DONE	持久化状态和记忆，返回最终结果	state.py

整个流水线在三重安全模型的贯穿守护下运行，模块化设计让代码清晰可维护。

📁 目录结构

GKN-Phantom/
├── SKILL.md              # 技能主契约（完整规范）
├── README.md             # 本文件
├── scripts/              # 可执行辅助脚本
│   ├── utils.py          # 共享工具：JSON I/O、DNS解析、指纹、去重
│   ├── state.py          # 状态序列化器：原子checkpoint、断点恢复
│   ├── vuln_detector.py  # 分层漏洞检测引擎（18条规则）
│   ├── scope_guard.py    # 范围守卫：域名/IP/CIDR/路径校验
│   ├── rate_limiter.py   # 令牌桶速率限制器
│   ├── finding_validator.py # 发现验证器：TP/FP分类
│   ├── attack_path.py    # 攻击路径图构建器
│   └── report_generator.py # 报告生成器（SARIF 2.1.0）
├── references/           # 参考文档
│   ├── safety_policy.md  # 安全模型完整规范
│   ├── data_schemas.md   # 所有JSON Schema定义
│   └── payload_playbook.md # 非破坏性检测Payload手册
└── assets/               # 示例与清单
    ├── manifest.yml      # 技能部署清单
    ├── example_input.json    # 示例AgentContext输入
    ├── example_trace.json    # 完整执行追踪
    └── example_report.json   # 期望输出示例（9个发现覆盖全级别）

🚀 快速上手

环境要求

仅依赖 Python 3.10+ 和 nmap，全部使用 Python 标准库，无需 pip 安装任何第三方包。

依赖	版本	安装方式
Python	≥ 3.10	系统自带 / apt install python3 / dnf install python3
nmap	任意	apt install nmap / dnf install nmap
ca-certificates	任意	apt install ca-certificates（CentOS 最小化安装需额外安装）

安装

# 克隆仓库
git clone https://github.com/yuanguin37/GKN-Phantom.git
cd GKN-Phantom

# 赋予脚本执行权限（Linux/macOS）
chmod +x scripts/*.py

在 OpenClaw 中使用

通过 manifest.yml 注册技能：

skills:
  - name: gkn-phantom
    source: ./gkn-phantom
    manifest: assets/manifest.yml

触发调用：

用户: "对 staging.example.com 进行一次安全审计"
# 或
用户: "Run a penetration test on dev-internal.test"

独立脚本测试

你也可以单独运行各个模块进行测试：

# 范围检查
python scripts/scope_guard.py --scope scope.json --target https://staging.example.test

# 漏洞检测（安全模式）
python scripts/vuln_detector.py --tier low --safe-mode

# 生成报告
python scripts/report_generator.py --input findings.json --output report.json

📊 输出示例

{
  "summary": "在 staging.example.test 发现 9 个安全问题：1 个严重、2 个高危、3 个中危、3 个低危",
  "risk_score": 93,
  "findings": [
    {
      "id": "finding-001",
      "type": "rce",
      "severity": "critical",
      "target": "https://staging.example.test/api/upload",
      "status": "validated",
      "confidence": 0.95,
      "evidence": {
        "request": "POST /api/upload HTTP/1.1 ...",
        "response": "HTTP/1.1 200 OK ...",
        "timestamp": "2026-06-20T14:05:30Z",
        "tool": "httpRequest"
      },
      "reproducible": true,
      "remediation": "禁用 exec() 函数，使用白名单命令执行"
    }
  ],
  "attack_paths": [
    {
      "id": "path-001",
      "name": "认证绕过 → IDOR → 数据泄露",
      "impact": "未认证攻击者可读取任意用户记录",
      "confidence": 0.9
    }
  ]
}

⚙️ 配置选项

参数	类型	默认值	说明
rate_limit_rps	int	3	每秒最大请求数
safe_mode	bool	true	是否阻断 L4 级探测
require_human_approval	bool	true	L4 操作是否需要人工审批
environment	string	—	环境类型：staging / dev / internal / lab

🤝 贡献指南

欢迎提交 Issue 和 Pull Request。贡献前请确保：

1. 新增漏洞检测规则需同时更新 payload_playbook.md 和 vuln_detector.py
2. 所有探测 Payload 必须为非破坏性（仅检测，不利用）
3. 跨平台兼容（Windows / Linux 均需测试）
4. 通过示例输入/输出的结构验证

⚠️ 免责声明

GKN-Phantom 仅供授权安全测试使用：企业内部安全审计、预发布/开发/实验环境验证。

严禁在未经授权的系统、生产环境或第三方目标上使用。未经授权使用可能构成违法行为，使用者需自行承担全部法律责任。

📄 许可证

采用 MIT License © 2026，对商业使用非常友好。

总结

GKN-Phantom 的亮点在于它将工业级的安全设计（三重安全模型、证据驱动、断点续扫、SARIF 输出）与AI Agent 的自动化能力完美结合。它不是简单的漏洞扫描器堆砌，而是一个具备完整生命周期管理能力的渗透测试技能包，从资产发现、漏洞检测、证据验证到攻击路径分析和报告生成，全流程自动化。

如果你正在使用 OpenClaw 框架，或者对 AI 驱动的自动化安全测试感兴趣，GKN-Phantom 绝对值得你关注和尝试。

🔗 项目地址：https://github.com/yuanguin37/GKN-Phantom

👨‍💻 作者：yuanguin37