ARTEX

https://github.com/Autumn-27/ARTEX

AI 自主渗透测试系统（Go 后端 + Next.js 前端）

交流群在文末

在线 Demo： https://artex-demo.vercel.app/

自第一个版本发布以来，到目前为止，已经累计发布了多个版本。在这个过程中，也收到了很多师傅的使用反馈，以及一些非常优秀的 PR。感谢大家的参与和贡献，这些反馈也在不断推动项目变得更加完善。

这一阶段主要完成了以下几个方向的更新：

1. 资产测试覆盖度

现在可以更直观地了解资产的测试情况，包括：

哪些资产已经完成测试
哪些资产尚未测试
点击具体资产，可以进一步查看与该资产关联的测试记录和相关信息

通过资产测试覆盖度，可以更清晰地掌握当前整体测试进度，减少资产遗漏。

2. 任务系统

新增并持续完善任务体系，目前支持：

任务模板
关联资产
关联子任务

3. LLM 链式故障自动切换

LLM 配置增加了链式故障切换能力。

当当前使用的模型或服务出现异常时，可以按照预设配置自动切换到其他可用的 LLM，降低单一模型或服务故障对任务执行的影响，提高整体稳定性。

4. “发现”页面能力增强

“发现”页面现在支持从不同维度查看漏洞信息：

从任务视角查看任务执行过程中发现的漏洞
从资产视角查看不同资产关联的漏洞

5. Agent 事件触发机制

通过不同类型的事件，自动触发 Agent 执行后续任务。

例如：

发现漏洞后，可以自动触发 Agent 对漏洞进行二次验证；

验证完成后，可以继续触发 Agent，根据指定的格式和要求生成漏洞报告。

来自各位师傅的实战反馈:

下面这部分并不是想说 ARTEX有多厉害，严格来说，在测试目标和上下文准确的情况下，单独使用 Claude 或其他能力较强的 Agent，同样有机会完成类似的漏洞发现。最终效果很大程度上依赖的，依然是底层模型本身的能力。ARTEX 更多解决的是：如何让 Agent 在多资产、长流程、低人工干预的场景下，能够持续、稳定地运行，并把测试、验证、记录等环节串联起来。

相比漏洞本身，我觉得更值得关注的是背后的趋势：随着大模型和 Agent 能力不断增强，自动化攻击的成本、技术门槛和规模化难度，都在持续下降。以前需要安全人员投入大量时间进行信息收集、分析、验证的工作，正在逐渐被 Agent 自动完成。而当攻击侧逐渐具备低成本、持续化、规模化的自动探索能力之后，对防守方提出的要求也会越来越高。一个比较明显的感受是，目前 Agent 在攻击侧的应用已经开始不断出现实际案例，但在防守侧，真正能够进入日常安全运营、持续产生稳定效果的 Agent 应用，似乎还相对少见。这可能也意味着，AI 带来的变化并不只是“攻击效率提升”这么简单，而是在进一步放大攻防两侧在自动化能力上的差距。

0人工交互黑盒测试出的金蝶0day