1. 项目定位与用途
LuaN1aoAgent 是一个基于大语言模型的自主渗透测试代理，定位为下一代网络安全测试工具。它突破传统自动化扫描器的规则限制，通过认知驱动的方式模拟人类安全专家的思维过程，实现从信息收集到漏洞利用的全自动渗透测试流程。项目适用于需要高效、智能安全评估的场景，包括企业安全审计、CTF 竞赛自动化解题、网络安全教学与研究等。其核心价值在于将渗透测试从“工具执行”提升为“智能决策”，显著提高测试覆盖率和深度。
项目档案应用项目
LuaN1aoAgent：基于LLM的认知驱动自主渗透测试系统 | P-E-R架构原理与XBOW基准测试表现 | 完整安装配置与使用教程
LuaN1aoAgent 是一个认知驱动的 AI 自主渗透测试代理，基于 LLM 和 P-E-R 架构实现。本页面详细介绍其核心创新、技术架构、安装步骤、使用方法及在 XBOW 基准测试中的 90.4% 成功率表现，适用于网络安全研究人员、渗透测试工程师和 CTF 参赛者。
AI 总结
LuaN1aoAgent 是一个基于 LLM 的认知驱动自主渗透测试代理，通过 P-E-R 架构与因果图推理，在 XBOW 基准测试中实现 90.4% 成功率和 0.09 美元平均利用成本，将渗透测试从自动化工具升级为自主智能体。
中文项目介绍
LuaN1aoAgent 是一个下一代自主渗透测试代理，由大语言模型（LLM）驱动，旨在将渗透测试从传统自动化工具升级为具备认知能力的智能体。
传统自动化扫描工具依赖预定义规则，难以应对复杂现实场景。LuaN1ao 通过创新整合 P-E-R（Planner-Executor-Reflector）代理协作框架与因果图推理技术，模拟人类安全专家的思维模式，解决这一局限。
系统将渗透测试思维解耦为三个协作认知角色：Planner 负责基于全局图意识动态规划攻击路径；Executor 专注工具调度与结果分析，支持并行任务；Reflector 从失败中学习并调整策略。因果图作为核心推理机制，构建“证据-假设-验证”逻辑链，实现证据驱动决策。
在 XBOW 基准测试中，LuaN1ao 达到 90.4% 成功率和仅 0.09 美元的中等利用成本。适用于自主渗透测试、CTF 竞赛、网络安全研究与教育、漏洞挖掘验证等场景。
详细信息与使用说明
2. 解决的问题
传统自动化渗透测试工具依赖预定义规则和漏洞模式匹配，面对复杂多变的真实环境时存在明显局限：无法处理未知漏洞、难以动态调整攻击路径、缺乏上下文理解能力。LuaN1aoAgent 通过引入认知驱动框架，解决以下关键问题：一是规则僵化问题，利用 LLM 的泛化能力应对未知场景；二是路径规划问题，通过因果图推理动态生成和调整攻击策略；三是证据整合问题，建立“证据-假设-验证”的严谨逻辑链；四是学习进化问题，通过反思机制从失败中持续优化。这些创新使系统能够像人类专家一样思考、决策和适应。
3. 技术实现特点
LuaN1ao 的核心技术架构围绕 P-E-R（Planner-Executor-Reflector）三层认知框架展开。Planner 作为战略大脑，基于全局因果图意识动态规划攻击路径，输出结构化图编辑指令而非自然语言，支持并行任务调度和自适应步长分配。Executor 专注战术执行，通过 MCP（Model Context Protocol）统一调度安全工具，具备上下文压缩、故障容忍和假设持久化能力，并行子任务间通过共享公告板实时交换关键发现。Reflector 负责分析失败归因（L0-L5 层级），将经验反馈给 Planner 实现策略调整。系统采用模块化提示词工程，基于 Jinja2 模板为三角色生成动态 Prompt，并集成 RAG 知识检索增强决策。支持 OpenAI 和 Anthropic 双 LLM 提供商，提供 general 和 ctf 双场景模式。
4. 安装方式
根据仓库提供的配置文件，安装 LuaN1aoAgent 需遵循以下步骤：首先确保系统已安装 Python 3.10 或更高版本；其次使用 pip 安装 requirements.txt 中列出的全部依赖包，包括 LLM 客户端库（openai、anthropic）、网络工具（requests、httpx）、向量检索（faiss-cpu、sentence-transformers）以及 Web 服务框架（fastapi）等；然后复制 .env.example 文件为 .env，并根据所选 LLM 提供商配置 API 密钥、基础 URL 及模型名称；最后可选配置场景模式（SCENARIO_MODE）为 general 或 ctf，以及输出详细程度（OUTPUT_MODE）。项目使用 pyproject.toml 管理元数据，支持通过 ruff 进行代码质量检查。具体安装命令为：pip install -r requirements.txt。
5. 使用方式
LuaN1aoAgent 的使用流程基于环境配置和命令行启动。配置阶段需在 .env 文件中设置 LLM 提供商（openai 或 anthropic）、对应 API 密钥、模型选择（如 gpt-4o-mini 或 claude-sonnet-4-5）以及场景模式。运行时，直接执行 python agent.py 即可启动自主渗透测试代理。系统支持三种输出模式：simple（仅输出最终结果）、default（默认模式）和 debug（调试模式，输出更多中间过程）。Web 界面提供可视化控制台，可通过 web/server.py 启动。提示词管理系统基于 Jinja2 模板，支持动态构建 Planner、Executor、Reflector 的专属 Prompt，集成领域知识与输出格式约束。实际使用中，系统将自动完成目标分析、路径规划、工具执行、结果评估和策略调整的完整认知循环。
6. 性能表现与适用场景
LuaN1aoAgent 在 XBOW 基准测试中展现出卓越性能：完全自主情况下达到 90.4% 的成功率，中等漏洞利用成本仅为 0.09 美元，显著优于传统自动化工具。项目适用于多种场景：自主渗透测试与安全评估，可替代部分人工审计工作；CTF 竞赛自动化解题，快速定位漏洞并获取 flag；网络安全研究与教育，作为 LLM 安全应用的典型案例；漏洞挖掘与验证，辅助研究人员发现未知漏洞。系统提供 general 通用模式和 ctf 竞赛模式，通过 RAG 模块检索知识库中的历史经验与漏洞模式，增强决策能力。需要注意的是，实际性能受 LLM 模型能力、目标环境复杂度和网络条件等因素影响。
思维导图
当前仓库信息不足，或结构不够稳定，暂时没有生成可靠的思维导图。
常见问题
LuaN1aoAgent 与传统渗透测试工具相比有何优势？
传统工具依赖预定义规则，难以应对复杂场景；LuaN1ao 通过 LLM 认知驱动和因果图推理，能动态规划攻击路径、从失败中学习，实现真正自主的渗透测试，在 XBOW 基准测试中达到 90.4% 成功率。
系统支持哪些 LLM 模型？
根据 .env.example 配置，系统支持 OpenAI 系列模型（如 gpt-4o-mini、gpt-4o）和 Anthropic Claude 系列模型（如 claude-sonnet-4-5），可为 Planner、Executor、Reflector 等不同角色配置专用模型。
如何安装和配置 LuaN1aoAgent？
安装需 Python 3.10+ 环境，通过 pip install -r requirements.txt 安装依赖，复制 .env.example 为 .env 并配置 LLM API 密钥及模型参数，然后运行 python agent.py 启动。详细步骤见本文档安装方式章节。
系统有哪些运行模式？
系统支持场景模式（SCENARIO_MODE）切换为 general（通用）或 ctf（竞赛）模式，以及输出模式（OUTPUT_MODE）选择 simple/default/debug 以控制信息详细程度。Web 界面提供可视化监控。
LuaN1ao 的 P-E-R 架构如何工作？
P-E-R 代表 Planner-Executor-Reflector：Planner 基于因果图动态规划攻击路径；Executor 调度工具执行子任务并分析结果；Reflector 分析失败原因并反馈给 Planner 调整策略，形成认知循环。