1. 项目定位与用途
METATRON 是一个 CLI 形式的本地 AI 渗透测试助手，旨在将渗透测试中的信息收集与初步漏洞分析流程自动化。用户只需提供目标 IP 或域名，工具即可自动运行一系列侦察程序，并利用本地部署的大语言模型对结果进行智能解读，生成漏洞报告与修复建议。其核心定位是作为安全研究人员与红队成员的离线辅助工具，提供从数据收集到分析报告的一站式本地化解决方案，所有处理均在用户机器上完成，不依赖任何外部云服务或付费 API。
项目档案命令行工具
METATRON 本地 AI 渗透测试助手：离线运行、自动化侦察与漏洞分析安装使用指南
METATRON 是一款基于本地 LLM 的 CLI 渗透测试助手，完全离线运行，自动化执行 nmap 等侦察工具并利用 AI 分析漏洞。适用于红队演练与安全评估，本页提供详细安装步骤、使用方法和报告导出功能说明。
AI 总结
METATRON 是一款基于本地大语言模型的离线渗透测试助手 CLI 工具，可自动化执行侦察任务并智能分析漏洞，无需云服务或 API 密钥，保障数据隐私。
中文项目介绍
METATRON 是一个完全运行在本地机器上的 AI 驱动渗透测试助手，专为 Parrot OS 等 Linux 环境设计。
它通过自动化调用 nmap、whois、whatweb、curl、dig、nikto 等真实侦察工具收集目标信息，并将结构化结果提交给本地 Ollama 运行的 metatron-qwen 模型进行智能分析，从而识别潜在漏洞、建议利用方法并提供修复方案。
所有扫描历史与结果均持久化存储在本地 MariaDB 数据库中，支持查看、编辑、删除操作，并可导出为 PDF 或 HTML 格式的专业报告。
该工具适用于离线环境下的安全评估与红队演练，其核心价值在于将传统渗透测试的信息收集与漏洞分析流程自动化，同时通过本地 AI 模型减少人工分析负担，避免云服务依赖与 API 费用，确保测试数据的私密性。
详细信息与使用说明
2. 解决的问题
METATRON 主要解决渗透测试初期阶段中信息收集繁琐与人工分析效率低下的问题。传统方式下，安全测试人员需要手动运行多个工具、整理输出结果并交叉分析，耗时耗力。本工具通过脚本化调用常用侦察工具，并将结果统一喂给本地 AI 模型，实现自动化漏洞识别与建议生成，显著提升初步评估速度。同时，它避免了使用云端 AI 服务可能带来的数据泄露风险与 API 调用成本，满足对隐私和离线环境有严格要求的测试场景。
3. 适用场景
该工具特别适用于以下场景：1) 离线或隔离网络环境下的安全评估，如内网渗透测试、红队演练；2) 安全研究人员对目标进行快速 reconnaissance 与漏洞初筛，生成结构化参考报告；3) 教学与学习环境中演示渗透测试流程与 AI 辅助分析的概念。由于依赖本地 LLM 与系统工具，它要求运行环境（推荐 Parrot OS）已安装相应侦察软件并具备足够内存以加载 AI 模型（建议 8GB 以上 RAM）。
4. 安装方式
安装过程需依次完成以下步骤：首先克隆仓库并进入目录；创建并激活 Python 虚拟环境；使用 pip 安装 requirements.txt 中列出的所有依赖包；通过系统包管理器安装必要的侦察工具，命令为 `sudo apt install nmap whois whatweb curl dnsutils nikto`。随后安装 Ollama，拉取基础模型 `huihui_ai/qwen3.5-abliterated:9b`（或内存受限时使用 4b 变体），最后使用附带的 Modelfile 构建自定义的 `metatron-qwen` 模型。以上步骤均可在 README 的 Installation 与 AI Model Setup 部分找到明确命令。
5. 使用方式
运行主程序 `python metatron.py` 进入 CLI 主菜单。选择新建扫描选项后，输入目标 IP 或域名，工具将自动执行预定义的侦察套件并实时显示工具输出。扫描完成后，本地 AI 模型会自动分析所有收集到的数据，识别漏洞并给出修复建议，结果保存至数据库。用户可通过菜单查看历史扫描记录，对任意条目进行编辑或删除操作，并支持选择特定扫描记录导出为 PDF 或 HTML 格式的完整报告。整个流程在命令行中完成，无需图形界面。
6. 补充说明与实现特点
从当前仓库信息可见，METATRON 采用模块化设计：metatron.py 负责主流程与菜单控制；tools.py 封装外部侦察工具的调用与输出处理；llm.py 处理与 Ollama 的通信、提示词构建及 AI 响应解析，支持 agentic 循环以请求补充扫描；db.py 管理 MariaDB 连接与多表数据持久化；search.py 提供 DuckDuckGo 搜索与 CVE 查询能力；export.py 基于 reportlab 等库生成报告。技术栈完全基于开源组件，模型通过 Modelfile 微调以获得更适合渗透测试的推理参数。仓库中未明确给出数据库的详细表结构设计文档，但代码中实现了对扫描会话、漏洞、修复建议等实体的增删改查操作。
思维导图
METATRON
核心模块
metatron.py
llm.py
db.py
侦察工具集成
tools.py
nmap
whois
whatweb
nikto
AI 分析层
Ollama 运行时
metatron-qwen 模型
Agentic 循环
数据与报告
MariaDB 存储
search.py (DuckDuckGo/CVE)
export.py (PDF/HTML)
常见问题
METATRON 是否需要互联网连接才能运行？
核心扫描与 AI 分析过程完全离线，但首次安装时需联网下载 Ollama、基础模型及 Python 依赖。日常使用中，DuckDuckGo 搜索与 CVE 查询功能需要网络连接，其他操作均可离线完成。
如何构建 metatron-qwen 模型？
在安装 Ollama 并拉取基础模型（如 huihui_ai/qwen3.5-abliterated:9b）后，在项目根目录执行 `ollama create metatron-qwen -f Modelfile` 即可使用附带的 Modelfile 构建定制模型。若内存不足，可改用 4b 版本并修改 Modelfile 中的 FROM 行。
支持哪些渗透测试工具？
当前版本集成了 nmap、whois、whatweb、curl（用于 headers 检查）、dig（DNS 查询）和 nikto 六种常用侦察工具。这些工具的安装命令在 README 的 Installation 部分已明确列出。
扫描结果如何导出？
在主菜单选择“2.view history”，浏览历史记录并选择特定条目（通过 slno），随后选择导出选项即可生成 PDF 或 HTML 格式的报告。导出功能由 export.py 模块实现，支持生成专业可读的漏洞文档。
数据库存储了哪些数据？
从代码与 README 可见，MariaDB 数据库包含 5 个关联表，用于存储扫描会话、原始工具输出、AI 识别的漏洞、修复建议以及导出记录等。但具体的表结构设计未在仓库文档中详细说明，可通过 db.py 源码查看操作逻辑。