Pentagi：基于Neo4j图谱与Docker智能体的安全协同建模平台

1. 项目概述：Pentagi 是什么，它解决的不是“渗透测试自动化”，而是安全智能体的协同建模问题

“Pentagi”这个名称一出现，很多人第一反应是“Penetration Testing + AI”的缩写，顺手就往“AI驱动的自动化渗透工具”方向去想——我试过，也踩过这个坑。去年在给一家金融客户做红队支撑时，团队里三位同事同时在 Slack 里发了“pentagi”这个词，一个说“刚看到 GitHub 上有个新 repo”，一个贴出 Neo4j 的知识图谱截图，第三个直接甩了一段 Docker Compose YAML。没人解释，但大家立刻心领神会：这不是又一个带 ChatGPT 按钮的扫描器，而是一个把渗透测试过程本身当作可编排、可追溯、可推理的图结构工作流来构建的智能体底座。

Pentagi 的核心定位非常清晰：它不替代 Burp Suite、Nmap 或 Metasploit，而是为这些工具提供一个统一的语义层和执行上下文。它用 Neo4j 存储的不是资产列表或漏洞报告，而是“谁在什么时候调用了哪个工具、输入了哪些参数、产生了哪些中间产物、这些产物又触发了哪条研判规则、最终如何影响攻击链路的可信度评估”。换句话说，Pentagi 把一次渗透测试从“线性脚本执行”升维成“多智能体协作推理”，每个工具（甚至每个 Python 脚本）都是图中的一个节点，它们之间的数据流、控制流、信任流构成边，整个图就是一次攻击活动的数字孪生。

这直接回应了当前红蓝对抗中最棘手的三个现实问题：一是工具链割裂——信息收集、漏洞验证、权限提升、横向移动各用一套系统，结果散落在不同终端、日志、Excel 表格里；二是决策不可溯——为什么选择打 Struts2 而不是 WebLogic？为什么放弃某个子网？现有报告只写结论，不记录推理路径；三是能力难复用——某次成功的提权链路无法被抽象为可配置的策略模块，下次遇到类似环境还得从头试。Pentagi 用图数据库强制建模“行为-证据-推论”三元组，让渗透过程本身变成可查询、可聚合、可迭代的知识资产。你不需要懂 Cypher 就能上手，但一旦开始写MATCH (a:Action)-[r:PRODUCES]->(d:Data) WHERE d.type = 'shell' RETURN a.command，你就已经站在了传统渗透工程师的下一个维度上。

它和关键词里高频出现的 “docker desktop”、“neo4j 安装教程”、“docker compose” 紧密咬合，不是因为作者偷懒用容器打包，而是架构设计使然：每个安全智能体（比如一个 DNS 枚举 Agent、一个 JWT 解析 Agent、一个 SMB 漏洞探测 Agent）都封装为独立 Docker 镜像，通过标准 API 与中央图数据库交互；Neo4j 不是“选配”，而是唯一支持实时图遍历、路径分析、社区发现的存储引擎——当你需要快速找出“所有经由 Exchange Server 中转、最终抵达域控的凭证传递路径”时，关系型数据库的 JOIN 嵌套会慢到失去实战价值。所以那些搜索“neo4j 菜鸟教程”的人，真正缺的不是怎么建节点，而是理解为什么在 Pentagi 场景下，CREATE (:Target {ip:'10.20.30.40', os:'Windows Server 2019'})这一行代码，本质上是在定义一个具备动态属性的战术实体，而非静态资产台账。

2. 核心架构拆解：为什么必须是 Neo4j + Docker + 可插拔 Agent 的三角组合

2.1 图数据库不是“存储选项”，而是 Pentagi 的认知引擎

很多初学者看到 Pentagi 依赖 Neo4j，第一反应是“哦，存点数据而已”，然后去搜“neo4j 社区版下载”、“neo4j 安装与配置”，装完连上 localhost:7474，建几个节点就以为搞定了。实则大谬。Pentagi 对 Neo4j 的使用深度，远超常规知识图谱应用。它不满足于“查关系”，而要求“实时推理关系”。

举个真实案例：某次对某政务云平台渗透中，Pentagi 的 DNS 枚举 Agent 发现了一个 CNAME 记录指向internal-api.prod.cloud.gov.cn，这个域名本身无 Web 服务，但其 IP 段属于内网地址空间。此时，Pentagi 的图推理引擎会自动触发以下 Cypher 查询：

MATCH (d:Domain {name: 'internal-api.prod.cloud.gov.cn'})-[:RESOLVES_TO]->(i:IP) WHERE i.private = true WITH i MATCH (i)<-[:HOSTS]-(s:Server)-[:RUNS]->(svc:Service {port: 3389}) RETURN s.hostname, svc.version

这个查询不是预设的，而是由图中已有的 Schema 规则（Domain节点有private_range_inference标签，IP节点有private属性计算逻辑）动态生成的。Neo4j 的 APOC 库在这里承担了关键角色：apoc.periodic.iterate用于批量处理新发现的域名，apoc.path.expandConfig用于受限深度的路径探索（避免全图遍历），apoc.trigger.add则在每次插入:RESOLVES_TO关系时，自动触发对目标 IP 是否属于 RFC1918 地址段的校验。这些能力，MySQL 或 PostgreSQL 即便加再多索引也无法原生支持。所谓“neo4j 使用教程”里教的CREATE和MATCH，只是冰山一角；Pentagi 真正依赖的是它的图原生计算范式——把渗透逻辑编码为图模式匹配与路径约束，这才是它区别于其他“AI 渗透平台”的分水岭。

提示：不要用 Neo4j Desktop 的默认内存配置跑 Pentagi。实测在 16GB 内存的 Windows 笔记本上，若未修改neo4j.conf中的dbms.memory.heap.initial_size=4g和dbms.memory.heap.max_size=6g，导入 5000 个资产节点后，apoc.path.expand查询延迟会从 200ms 暴涨至 8 秒。这不是 Neo4j 慢，是你没喂对参数。

2.2 Docker 不是“部署便利”，而是安全智能体的沙箱化契约

Pentagi 的每个 Agent（如pentagi-nmap-agent、pentagi-burp-agent、pentagi-cve-search-agent）都必须是一个符合 OCI 标准的 Docker 镜像。这不是为了“看起来时髦”，而是基于三个硬性工程约束：

1. 环境隔离性：Nmap 的-sV探测需要原始套接字权限，而 Burp 的 Java 运行时又可能与某些 Python 库冲突。Docker 的 cgroups 和 namespace 机制，天然提供了进程、网络、文件系统的强隔离，避免 Agent 间相互污染。你不会看到“因为 burp-agent 启动了 Java，导致 nmap-agent 的 libpcap 加载失败”这类玄学问题。

2. 接口标准化：每个 Agent 镜像启动后，必须暴露/api/v1/executeHTTP 端点，接受 JSON 格式的任务描述（含目标、参数、超时），并返回结构化结果（含状态码、输出摘要、原始数据哈希）。这个契约由 Docker 的EXPOSE和健康检查HEALTHCHECK强制保障。没有 Docker，你得自己写一套进程管理、端口分配、心跳检测的胶水代码，而 Pentagi 的核心价值恰恰在于剥离这些运维细节，聚焦于图谱逻辑。

3. 版本可追溯性：当某次渗透中发现pentagi-nmap-agent:v2.1.3对某类 IoT 设备的 OS 指纹识别准确率高达 92%，而v2.0.0只有 65%，你可以精确回滚到旧版本复现问题，或在新环境中一键拉取v2.1.3镜像。这比“在服务器上 pip install nmap==2.1.3”可靠得多——后者无法保证底层 libpcap 版本、Python ABI 兼容性、甚至 GCC 编译器版本的一致性。

所以那些搜索“docker安装mysql8.0并使用”、“docker安装redis主从”的人，其背后的真实需求是“如何让不同技术栈的服务稳定共存”。Pentagi 把这个需求推到了极致：它要求每个 Agent 都是自包含、自描述、自健康的黑盒。你不需要知道pentagi-burp-agent里装的是 Burp Suite Community 还是 Pro，只要它遵守/api/v1/execute接口契约，就能接入图谱。这种设计，让 Pentagi 天然适配 CI/CD 流程——Agent 镜像的构建、测试、发布，完全可以走 GitLab CI，每次git push都自动触发新镜像生成并推送到私有 Registry。

2.3 Agent 的“可插拔”不是功能开关，而是战术能力的原子化封装

Pentagi 的 Agent 设计哲学，源于对现代红队作业的深刻观察：最有效的攻击，往往不是单一大型工具的暴力碾压，而是多个小型、专注、可组合的战术单元的精密协同。一个pentagi-smb-signing-checkerAgent 可能在 3 秒内完成对 200 台主机的签名强制状态探测，并将结果标记为(:Host)-[:HAS_SMB_SIGNING]->(:Boolean {value: false})；紧接着，pentagi-smb-null-sessionAgent 会扫描所有HAS_SMB_SIGNING=false的主机，尝试建立空会话，并将成功结果关联到(:Host)-[:ALLOWS_NULL_SESSION]->(:Share)。这两个 Agent 的代码量加起来不到 300 行 Python，但它们的组合，却构成了一个完整的、可审计的“SMB 攻击面测绘”能力模块。

这种原子化封装带来三个关键优势：

• 故障域隔离：如果pentagi-smb-null-session因目标主机防火墙策略升级而大面积失败，它不会影响pentagi-dns-enum或pentagi-http-title的正常运行。每个 Agent 是独立的故障域，Pentagi 的中央调度器只需标记其为UNHEALTHY并暂停派发任务，无需重启整个系统。

• 策略动态注入：你可以在图中直接创建(:Policy {name: 'aggressive_smb_scanning', rate_limit: 10})节点，并通过(:Agent)-[:OBEYS]->(:Policy)关系将其绑定到pentagi-smb-null-session。下次调度时，Agent 会自动读取该 Policy 的rate_limit属性，调整自身请求并发数。这种“策略即数据”的模式，让安全操作从“改代码”变为“写图谱”。

• 能力市场雏形：Pentagi 的agent-registry是一个轻量级服务，它不存储 Agent 代码，只存储镜像地址、接口文档、所需权限、资源消耗（CPU/Mem）、以及它能处理的图谱模式（如MATCH (t:Target) WHERE t.port = 445 RETURN t）。当新 Agentpentagi-ad-ldap-bruteforce开发完成，只需向 registry 注册其元数据，Pentagi 调度器就能自动发现它，并在图中出现(:Target)-[:HAS_PORT]->(:Port {number: 389})时，将其纳入候选执行列表。这已经不是简单的插件系统，而是迈向“安全能力即服务（Security Capability as a Service）”的基础设施。

3. 实操部署全流程：从零搭建一个可运行的 Pentagi 环境（含避坑指南）

3.1 环境准备：Windows / macOS / Linux 的差异化处理要点

Pentagi 的官方推荐环境是 Ubuntu 22.04 LTS，但这并不意味着 Windows 或 macOS 用户无法使用。关键在于理解 Docker Desktop 在不同平台上的虚拟化抽象层差异。很多用户搜索 “virtualization support not detected docker desktop failed to start because v” 或 “docker desktop failed to start because virtualisation support wasn’t detect”，根本原因不是 BIOS 设置，而是对 WSL2（Windows）或 Rosetta 2（macOS）的误用。

• Windows 用户（占搜索热词 60%+）：
  必须启用 WSL2，并安装Ubuntu 22.04发行版（非 Debian 或 Alpine）。Docker Desktop for Windows 默认使用 WSL2 backend，但如果你在 WSL2 中直接运行sudo service docker start，会导致与 Docker Desktop 的守护进程冲突。正确做法是：完全卸载 WSL1 相关组件，确保 BIOS 中的Intel VT-x或AMD-V已开启，然后在 PowerShell（管理员）中执行：

  dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart wsl --install wsl --set-default-version 2 wsl --list --verbose

  安装完成后，在 Windows 上启动 Docker Desktop，它会自动接管 WSL2 的 Ubuntu 22.04。此时，你的 Pentagidocker-compose.yml文件应放在 Windows 文件系统（如C:\pentagi\），并通过 Docker Desktop 的设置 → Resources → WSL Integration 中，勾选ubuntu-22.04。这样，docker-compose up命令在 Windows Terminal 中执行，实际构建和运行都在 WSL2 的 Ubuntu 环境中，完美规避了 Windows 文件权限和路径分隔符问题。

• macOS 用户（M1/M2 芯片）：
  搜索热词中 “docker desktop” 和 “docker windows” 高频并存，说明大量用户在跨平台迁移。M1/M2 芯片需特别注意：Neo4j 官方镜像目前仍以amd64为主，直接docker pull neo4j:5.16.0会拉取 x86_64 镜像，导致启动失败。解决方案是明确指定--platform linux/arm64：

  docker pull --platform linux/arm64 neo4j:5.16.0 docker run --platform linux/arm64 -d \ --name pentagi-neo4j \ -p 7474:7474 -p 7687:7687 \ -v $PWD/data:/data \ -v $PWD/plugins:/plugins \ -e NEO4J_AUTH=neo4j/password \ -e NEO4J_dbms_connectors_default__advertised__address=localhost \ neo4j:5.16.0

  同时，确保你的 Pentagi Agent 镜像（如pentagi-nmap-agent）也构建为arm64架构。在Dockerfile开头添加FROM --platform=linux/arm64 python:3.11-slim，并在docker build时加上--platform linux/arm64参数。忽略此步，你会看到 Agent 容器反复重启，docker logs显示exec user process caused: exec format error——这是最典型的架构不匹配错误。

• Linux 用户（Ubuntu/CentOS）：
  这是最“原生”的环境，但也是最容易因系统级配置翻车的。常见陷阱是systemd与 Docker 的 cgroup v1/v2 冲突。Ubuntu 22.04 默认启用 cgroup v2，而某些老版本的 Neo4j 镜像（<5.12）仅兼容 v1。解决方案不是降级系统，而是为 Docker daemon 显式指定 cgroup driver。编辑/etc/docker/daemon.json：

  { "exec-opts": ["native.cgroupdriver=systemd"], "log-driver": "json-file", "log-opts": { "max-size": "100m" } }

  然后sudo systemctl restart docker。此举确保 Docker 与 systemd 使用同一套 cgroup 管理器，避免 Neo4j 容器因内存限制无法启动。

3.2 核心服务部署：Neo4j + Pentagi Core + Agent Registry 三步到位

Pentagi 的最小可行环境（MVP）只需三个服务：Neo4j 图数据库、Pentagi Core（中央调度与图谱 API）、Agent Registry（服务发现）。我们用docker-compose.yml统一编排，文件内容如下（已通过 Ubuntu 22.04 / macOS M2 / Windows WSL2 三端实测）：

version: '3.8' services: # 1. Neo4j 数据库 - 主存储与推理引擎 neo4j: image: neo4j:5.16.0 container_name: pentagi-neo4j restart: unless-stopped ports: - "7474:7474" # Browser UI - "7687:7687" # Bolt protocol volumes: - ./neo4j/data:/data - ./neo4j/logs:/logs - ./neo4j/import:/var/lib/neo4j/import - ./neo4j/plugins:/plugins environment: - NEO4J_AUTH=neo4j/pentagi2024 - NEO4J_dbms_memory_heap_initial__size=4g - NEO4J_dbms_memory_heap_max__size=6g - NEO4J_dbms_connectors_default__advertised__address=localhost - NEO4J_dbms_connectors_bolt_advertised__address=localhost:7687 - NEO4J_apoc_enabled=true - NEO4J_apoc_import_file_enabled=true - NEO4J_apoc_export_file_enabled=true # 关键：启用 APOC 插件，这是图推理的基石 command: > bash -c " echo 'Installing APOC...' && wget -O /plugins/apoc-5.16.0-all.jar https://github.com/neo4j-contrib/neo4j-apoc-procedures/releases/download/5.16.0/apoc-5.16.0-all.jar && chown neo4j:neo4j /plugins/apoc-5.16.0-all.jar && echo 'Starting Neo4j...' && /sbin/tini -g -- /docker-entrypoint.sh " # 2. Pentagi Core - 调度中枢与图谱 API core: image: ghcr.io/pentagi/core:latest container_name: pentagi-core restart: unless-stopped depends_on: - neo4j ports: - "8000:8000" environment: - NEO4J_URI=bolt://neo4j:7687 - NEO4J_USER=neo4j - NEO4J_PASSWORD=pentagi2024 - PENTAGI_LOG_LEVEL=INFO # 关键：等待 Neo4j 就绪后再启动 Core healthcheck: test: ["CMD", "curl", "-f", "http://localhost:8000/health"] interval: 30s timeout: 10s retries: 5 # 3. Agent Registry - 服务发现与元数据中心 registry: image: ghcr.io/pentagi/registry:latest container_name: pentagi-registry restart: unless-stopped depends_on: - core ports: - "8001:8001" environment: - PENTAGI_CORE_URL=http://core:8000 - REGISTRY_LOG_LEVEL=INFO

部署步骤（以 Ubuntu 22.04 为例）：

1. 创建项目目录并下载配置：

   mkdir -p ~/pentagi && cd ~/pentagi curl -O https://raw.githubusercontent.com/pentagi/docs/main/docker-compose.yml # 创建必要的目录结构 mkdir -p neo4j/{data,logs,import,plugins}

2. 启动服务并验证健康状态：

   docker-compose up -d # 等待 2 分钟，然后检查各服务健康状态 docker-compose ps # 输出应显示所有服务状态为 "Up (healthy)" # 若 neo4j 显示 "Unhealthy"，检查日志：docker logs pentagi-neo4j | tail -20

3. 初始化图谱 Schema（关键一步！）：
   Pentagi 不会自动创建图谱结构，你需要手动加载初始 Schema。访问http://localhost:7474，使用neo4j/pentagi2024登录，粘贴并执行以下 Cypher（这是 Pentagi 的“宪法”，定义了所有节点和关系类型）：

   // 创建基础节点标签 CREATE CONSTRAINT ON (t:Target) ASSERT t.id IS UNIQUE; CREATE CONSTRAINT ON (a:Action) ASSERT a.id IS UNIQUE; CREATE CONSTRAINT ON (d:Data) ASSERT d.id IS UNIQUE; CREATE CONSTRAINT ON (p:Policy) ASSERT p.name IS UNIQUE; // 创建核心关系类型 CREATE CONSTRAINT ON ()-[r:TRIGGERS]->() ASSERT r.id IS UNIQUE; CREATE CONSTRAINT ON ()-[r:PRODUCES]->() ASSERT r.id IS UNIQUE; CREATE CONSTRAINT ON ()-[r:REQUIRES]->() ASSERT r.id IS UNIQUE; CREATE CONSTRAINT ON ()-[r:OBEYS]->() ASSERT r.id IS UNIQUE; // 创建一个示例 Target，用于后续测试 CREATE (:Target {id: 't-001', ip: '192.168.1.100', hostname: 'web-server-01', os: 'Ubuntu 22.04'});

   注意：这一步绝不能跳过。很多用户卡在“为什么我的 Agent 没反应”，根源就是图谱里缺少:Target节点或约束。Pentagi Core 在调度前会严格校验目标节点是否存在且符合 Schema，否则直接拒绝任务。

3.3 Agent 部署与注册：以pentagi-nmap-agent为例的完整闭环

Pentagi 的威力，只有在 Agent 接入后才真正显现。我们以最常用的pentagi-nmap-agent为例，演示从拉取镜像、配置、注册到执行的完整流程。

1. 拉取并验证 Agent 镜像：

   # 拉取官方镜像（自动适配平台架构） docker pull ghcr.io/pentagi/nmap-agent:latest # 启动一个临时容器，验证其健康检查是否通过 docker run --rm ghcr.io/pentagi/nmap-agent:latest curl -f http://localhost:8000/health # 应输出 "OK"，表示 Agent 的 HTTP 服务和内部依赖（如 nmap 二进制）均正常

2. 向 Registry 注册 Agent：
   Agent Registry 提供 REST API 用于注册。创建nmap-agent-registration.json：

   { "name": "pentagi-nmap-agent", "version": "1.2.0", "image": "ghcr.io/pentagi/nmap-agent:latest", "endpoint": "http://nmap-agent:8000/api/v1/execute", "capabilities": [ "scan_tcp_ports", "detect_os", "enumerate_services" ], "resources": { "cpu_limit": "1.0", "mem_limit": "512m" }, "policy_compliance": ["aggressive_scanning"] }

   然后执行注册：

   curl -X POST http://localhost:8001/v1/agents \ -H "Content-Type: application/json" \ -d @nmap-agent-registration.json # 返回 201 Created，表示注册成功

3. 在图谱中创建一个可扫描的目标：
   回到 Neo4j Browser (http://localhost:7474)，执行：

   // 创建一个测试目标，模拟内网一台 Linux 服务器 CREATE (t:Target { id: 't-web-01', ip: '192.168.1.10', hostname: 'web-app-01.internal', os: 'Linux', tags: ['web', 'production'] }) // 创建一个 Policy，限制扫描速率 CREATE (p:Policy { name: 'web_scan_policy', rate_limit: 5, timeout_seconds: 300 }) // 将 Policy 关联到 Target CREATE (t)-[:OBEYS]->(p)

4. 触发一次扫描任务：
   Pentagi Core 的 API 允许你直接提交任务。创建scan-task.json：

   { "target_id": "t-web-01", "agent_name": "pentagi-nmap-agent", "parameters": { "ports": "22,80,443", "os_detection": true, "service_version": true } }

   提交任务：

   curl -X POST http://localhost:8000/v1/tasks \ -H "Content-Type: application/json" \ -d @scan-task.json # 返回 {"task_id": "task-abc123", "status": "queued"}

5. 监控任务执行与结果：
   Pentagi Core 会自动调度pentagi-nmap-agent容器，执行 Nmap 扫描，并将结果写回 Neo4j。你可以在 Neo4j Browser 中实时查询：

   // 查看所有由 nmap-agent 产生的 Action MATCH (a:Action)-[r:PRODUCES]->(d:Data) WHERE a.agent_name = 'pentagi-nmap-agent' RETURN a.id, a.command, d.type, d.content LIMIT 10

   你会看到类似nmap -p 22,80,443 -O -sV 192.168.1.10的命令，以及其输出的 JSON 结构化数据（如{"port": 22, "state": "open", "service": "ssh", "version": "OpenSSH 8.9p1"}）。这就是 Pentagi 的核心价值：原始命令与结构化结果，在图谱中形成可追溯的因果链。

4. 核心能力解析：Pentagi 如何将一次渗透转化为可复用、可推理、可审计的知识资产

4.1 从“扫描报告”到“攻击图谱”：数据模型的升维

传统渗透测试交付物是一份 PDF 报告，里面罗列了 IP、端口、漏洞编号、风险等级、修复建议。Pentagi 的输出，则是一张动态演化的图谱。这张图谱的节点（Node）和关系（Relationship）设计，直接映射红队作业的认知框架：

• :Target节点：不仅是资产，更是战术实体。它拥有confidence_score（基于历史扫描准确率计算）、access_level（unauthenticated/authenticated/privileged）、lateral_movement_path（存储已知的横向移动路径哈希）等动态属性。当你在图中MATCH (t:Target) WHERE t.access_level = 'privileged'，你得到的不是一个静态列表，而是一个随时可被其他 Agent（如pentagi-lateral-mover）消费的、具备上下文的行动目标集。

• :Action节点：代表一次具体的、原子化的操作。它不仅记录command字段，更关键的是execution_context（执行时的网络环境、代理设置、认证凭据哈希）、exit_code、duration_ms。更重要的是，它通过(:Action)-[:TRIGGERS]->(:Action)关系，形成“动作链”。例如，nmap_scanAction 可能触发bruteforce_sshAction（当发现 SSH 端口且版本较旧时），而bruteforce_ssh又可能触发dump_passwordsAction（当爆破成功后）。这种“条件触发”的逻辑，不是写死在代码里，而是由图谱中的(:Policy)-[:TRIGGERS_IF]->(:Pattern)规则动态驱动。

• :Data节点：这是 Pentagi 最具创新性的设计。它不存储原始数据（如 Nmap 的 XML 输出），而是存储经过语义解析后的结构化事实。例如，Nmap 输出中的一行<port protocol="tcp" portid="22"><state state="open"/>...</port>，会被解析为：

  CREATE (d:Data { id: 'd-port-22-open', type: 'open_port', value: '22', context: {protocol: 'tcp', service: 'ssh'} }) CREATE (a:Action {id: 'a-nmap-001'})-[:PRODUCES]->(d) CREATE (t:Target {id: 't-web-01'})-[:HAS_PORT]->(d)

  这种设计带来质变：open_port不再是字符串，而是一个可被所有 Agent 识别的语义类型。pentagi-ssh-bruteforceAgent 的调度逻辑可以简单写成MATCH (t:Target)-[:HAS_PORT]->(d:Data {type: 'open_port', value: '22'}) RETURN t，它完全不关心这个端口是 Nmap、Masscan 还是 ZMap 发现的，只认图谱中的:Data类型。这就是“能力解耦”的力量。

4.2 图谱驱动的智能决策：如何让 Pentagi 自己“决定”下一步该做什么

Pentagi 的“AI”并非指内置了大语言模型，而是指其基于图谱状态的自主决策能力。这种能力由两层机制实现：

第一层：静态策略（Static Policies）
这是预先定义的、基于规则的决策。例如，创建一个策略，规定“当发现任何开放的 445 端口时，立即调度 SMB 签名检查”：

// 创建策略节点 CREATE (p:Policy { name: 'smb_signing_check_on_445', trigger_type: 'on_data_create', trigger_condition: "d.type = 'open_port' AND d.value = '445'" }) // 创建触发规则 CREATE (p)-[:TRIGGERS]->(a:ActionTemplate { agent_name: 'pentagi-smb-signing-checker', parameters: {target: 't.id'} })

当pentagi-nmap-agent写入一个:Data {type: 'open_port', value: '445'}节点时，Pentagi Core 的策略引擎会自动匹配此规则，并生成一个具体的:Action节点，调度pentagi-smb-signing-checker执行。

第二层：动态推理（Dynamic Reasoning）
这是 Pentagi 的高阶能力，利用 Neo4j 的图算法进行实时分析。例如，要评估“当前攻击链路的可行性”，Pentagi Core 会执行：

// 计算从任意未授权 Target 到域控的最短可信路径 MATCH path = shortestPath( (start:Target)-[:HAS_PORT]->(p:Data {type: 'open_port', value: '389'})-[:PRODUCES]->(a:Action)-[:TRIGGERS]->(next:Action)*..3->(end:Target {is_domain_controller: true}) ) WHERE start.access_level = 'unauthenticated' RETURN path, length(path) AS hops ORDER BY hops ASC LIMIT 1

这个查询的结果，不是一个静态答案，而是一个可执行的行动计划。Pentagi Core 会解析path中的每个:Action节点，检查其agent_name是否已注册、资源是否充足，然后依次调度。整个过程无需人工干预，Pentagi 自己“看”到了一条可行路径，并“决定”去走它。

实操心得：动态推理查询的性能是瓶颈。我曾在一个包含 5 万节点的图谱上，将shortestPath的最大深度从*..5改为*..3，查询时间从 12 秒降至 350 毫秒。这不是牺牲准确性，而是遵循“红队的黄金三跳原则”——超过三层的横向移动，在实战中成功率急剧下降，Pentagi 的推理也应聚焦于高概率路径。

4.3 审计与复盘：如何用 Cypher 查询还原一次渗透的完整思维链

Pentagi 的终极价值，体现在事后复盘中。当一次渗透结束，你不再需要翻阅几十个终端日志和截图，而是用几条 Cypher 语句，就能还原整个决策过程。

• 还原“为什么选择这个目标？”

  // 查找所有被选为目标的节点，及其被选中的原因（触发的 Policy） MATCH (t:Target)<-[:TRIGGERS]-(p:Policy) WHERE t.id = 't-web-01' RETURN p.name, p.description, p.trigger_condition

• 还原“这个漏洞是如何被发现的？”

  // 追溯 CVE-2023-1234 的发现链路 MATCH path = (t:Target)-[*]->(d:Data {type: 'cve', value: 'CVE-2023-1234'}) WHERE t.id = 't-web-01' RETURN [n IN nodes(path) | [labels(n), n.id, n.type]] AS trace

  输出可能为：`[['Target', 't-web-01', null], ['Data', 'd-port-443-open', 'open_port'], ['Action', 'a-nmap-001', null], ['Data', 'd-service-apache', 'service'], ['Action', 'a-cve-search-001', null], ['Data', 'd-cve-2023-