如何免费让 AI 替你猎 Bug：拆解 Agentic-Bug-Hunter 大脑层的 LLM 自动选择机制

如何免费让 AI 替你猎 Bug：拆解 Agentic-Bug-Hunter 大脑层的 LLM 自动选择机制

【免费下载链接】Agentic-Bug-HunterAI-powered bug bounty hunting toolkit that works with or without subscription.项目地址: https://gitcode.com/gh_mirrors/cl/Agentic-Bug-Hunter

Agentic-Bug-Hunter是一个 AI 驱动的漏洞赏金（Bug Bounty）狩猎工具包，它的核心 brain.py 是一个多供应商 LLM 推理层：能在 Ollama（本地免费）、Groq（免费额度）、DeepSeek（极低价）以及 Claude、OpenAI 等十几个 AI 服务之间自动检测、自动选择最合适的后端，让你无需订阅任何付费 AI 服务，也能跑完整的"侦察 → 狩猎 → 验证 → 报告"流程。

本文面向新手，拆解这个"大脑"是如何工作的：它怎么选供应商、怎么选模型，以及你该怎么配置它。

为什么需要"多供应商 LLM 层"

一个典型的 AI 猎 Bug 工具如果绑死在某个大模型 API 上，会有两个痛点：

• 贵：Claude、OpenAI 都是按量付费的重度消耗；
• 门槛高：本地没有显卡？没 API Key？工具直接跑不起来。

Agentic-Bug-Hunter 的解法是在 brain.py 中封装了一个统一的LLMClient类：

• 一个接口：所有供应商共用同一个chat()方法，上层逻辑完全不用关心背后是谁在推理；
• 14 个供应商：Ollama、Groq、DeepSeek、Claude、OpenAI、Grok、Gemini、Kimi、Mistral、Together、Cerebras、Perplexity、OpenRouter、OrcaRouter；
• 免费优先：本地零成本 > 云端免费额度 > 极低价 > 付费，按这个顺序排列。

对新手来说这意味着：装个 Ollama 就能完全离线、零成本使用；有免费 Key 的选 Groq 更快；追求更强推理能力再上 DeepSeek 或付费模型，全部自动切换。

供应商是如何被自动选择的

自动选择逻辑在 brain.py 的_auto_detect()方法中，规则只有三条：

1. 显式指定优先：环境变量BRAIN_PROVIDER（或通过bughunter setup保存的配置）指定了供应商，就直接用它，不再探测；
2. 持 Key 者排前面：如果检测到你设置了某些 API Key（比如ANTHROPIC_API_KEY），对应供应商会被提前探测，避免你白等一次注定失败的本地 Ollama 连接；
3. 免费优先的顺序兜底：没有任何 Key 时，按内置优先级逐个探测——

Ollama → Groq → DeepSeek → Cerebras → Gemini → Kimi → Mistral → Together → … → Claude → OpenAI → Grok

每探测一个供应商，就检查"API Key 是否存在"或"本地 Ollama 服务是否在运行"，第一个可用的胜出。全部失败时才回落到 Ollama 并给出明确提示（test_brain_auto_detect.py 里对这些探测顺序有完整的回归测试）。

每个供应商配了什么默认模型

选定供应商后，模型名也有默认值（定义在LLMClient.DEFAULT_MODELS中），新手不用做任何选择就能跑起来：

一个贴心细节：如果厂商下线了旧模型（例如 DeepSeek 的 deepseek-chat），代码里内置了遗留别名映射（DEEPSEEK_LEGACY_ALIASES），你保存的旧配置不会突然失效，而是自动迁移到替代模型上。

本地 Ollama 的模型是怎么挑的

选了 Ollama 后，还有一层"模型择优"逻辑（_pick_model()）：

1. 查询本地已安装的全部模型；
2. 按内置优先级列表MODEL_PRIORITY从上往下找第一个已安装的（首选是 30B+ 级别的安全特化模型，兜底到 7B 小模型）；
3. 显式指定的模型如果没安装，会明确报错而不是偷偷换别的模型，避免你以为在跑 A 实际跑了 B。

另外还有一个"分诊快模型"机制：TRIAGE_MODEL_PRIORITY优先选 8B 级别的小型安全微调模型（如 BaronLLM），专门用于快速 go/no-go 分诊——快任务用快模型，深度分析用大模型，进一步省钱省时间。

三步上手：从配置到跑起来

不需要读源码，三个命令搞定：

# 1. 交互式配置向导：选供应商、填 Key、测连通、挑模型，全部保存 bughunter setup # 2. 查看所有供应商与 Key 状态（谁激活了一目了然） bughunter providers # 3. 检查当前激活的供应商与模型 bughunter status

setup向导内部（engine.py 的cmd_setup）会真实发起一次对话请求做连通性测试，并把选择持久化到~/.bughunter/config.json，之后每次启动自动复用。也支持非交互模式一键指定：

bughunter setup --provider ollama --model qwen2.5:14b

最省事的零成本路线：本地装好 Ollama 并ollama pull qwen2.5:14b后，直接bughunter setup选 Ollama 即可——全程离线、数据不出机器。

大脑到底在替谁干活

理解了供应商选择，就明白这个 LLM 层的价值：brain.py 里的Brain类把选好的模型接进整条狩猎流水线——

• 侦察解读analyze_recon()：读完子域名/URL 枚举结果，指出高价值攻击面；
• 扫描研判interpret_scan()：区分"工具报的"和"真可复现的"；
• 链式利用build_chains()：把低危点串成高危攻击链；
• 分诊裁决triage_finding()：两分钟判断一个发现值不值得深挖；
• 报告生成write_report()：直接产出可提交给 HackerOne / Bugcrowd 的报告草稿。

这些能力由 agents/ 下的 9 个专职 AI 代理（recon-agent、validator、report-writer 等）调用，方法论文档见 skills/bb-methodology/SKILL.md。

想深入源码？看这几个位置

小结

Agentic-Bug-Hunter 的 brain.py 用一个"免费优先、Key 探测、显式覆盖"的三层策略，把 14 个 LLM 供应商收敛成一个bughunter setup的选择界面：

1. 有 Ollama → 本地免费离线，隐私满分；
2. 有 Groq 免费 Key → 云端极速，零成本上云；
3. 预算紧 → DeepSeek，几分钱跑完一轮狩猎。

对新手而言，这正是这类 AI 安全工具最实用的设计：你只管选一个顺手的 AI，剩下的自动探测、自动选模型、自动降级，全部交给大脑。

【免费下载链接】Agentic-Bug-HunterAI-powered bug bounty hunting toolkit that works with or without subscription.项目地址: https://gitcode.com/gh_mirrors/cl/Agentic-Bug-Hunter