Pentest Swarm AI部署完整指南：Docker容器化、GitHub Actions集成与CI/CD持续AI渗透-开发者社区

Pentest Swarm AI部署完整指南：Docker容器化、GitHub Actions集成与CI/CD持续AI渗透

【免费下载链接】Pentest-Swarm-AIAutonomous penetration testing using a swarm of AI agents. Orchestrates recon, classification, exploitation, and reporting specialists with ReAct reasoning — supports bug bounty, continuous monitoring, and CTF modes. Built with Go and 7+ native security tools.项目地址: https://gitcode.com/gh_mirrors/pe/Pentest-Swarm-AI

Pentest Swarm AI是一个开源的自主 AI 渗透测试框架，由数十个 AI 智能体（侦察、分类、利用、报告专家）协同工作，自动发现并利用 Web 应用与 API 的真实漏洞。本文是一份面向新手的部署完整指南：从 Docker 容器化一键部署，到 GitHub Actions 集成，再到搭建 CI/CD 持续 AI 渗透测试流水线，三种方式带你 5 分钟上手 🐳

3种部署方式，总有一款适合你

部署方式	适用场景	需要API Key	难度
Docker 单容器	快速体验、单次扫描	可选（本地模型可免）	⭐
Docker Compose 全家桶	本地模型长期运行、零外部依赖	❌ 无需	⭐⭐
GitHub Actions	云端定时扫描、团队共享结果	✅（或用本地模型）	⭐⭐

所有方式都支持同一个核心命令：pentestswarm scan <目标> --scope <范围>。

方式一：Docker容器化部署（最快上手）

一行命令拉取镜像

项目官方镜像已内置 Go 编译的智能体主程序 + 16 余种原生安全工具（subfinder、nuclei、httpx、naabu 等），无需任何本地环境：

docker run --rm ghcr.io/armur-ai/pentestswarm:latest --help

镜像采用三阶段构建，原理可以在 Dockerfile 中看懂：

swarm-build：编译pentestswarm主程序（约 30 MB 的精简二进制）；
tools-build：用go install装齐 ProjectDiscovery 全家桶等 Go 安全工具；
runtime：精简 Debian 只保留运行时依赖，最终镜像约700 MB（对比 Kali 基础镜像约 3 GB）。

镜像默认以非 root 的pentester用户运行，报告输出目录为/reports——挂载宿主机目录即可持久化保存扫描报告（见 Dockerfile 运行用户配置）。

全家桶部署：本地模型 + 零 API Key

想要完全离线、零 API 成本？用项目自带的 Compose 编排一键拉起pentestswarm + PostgreSQL(pgvector) + Redis + Ollama 本地大模型四个服务：

docker compose -f deploy/docker-compose.yml up -d

编排文件 deploy/docker-compose.yml 的亮点：

健康检查：postgres 与 redis 就绪后 swarm 才启动（service_healthy依赖）；
本地推理：PENTESTSWARM_ORCHESTRATOR_PROVIDER: ollama指向容器内 Ollama，数据不出内网；
数据持久化：数据库与模型分别挂载到pgdata、ollama_models卷。

swarm 跑起来后，你可以在localhost:7777的 Web 仪表盘实时观察几十个智能体并发攻击攻击面的全过程：

方式二：GitHub Actions集成（免本地环境）

项目内置了一个复合 Action，在 CI 环境中自动完成：下载对应架构二进制 → 执行 swarm 扫描 → 输出 Markdown 报告 + SARIF 文件 → 按严重度阈值阻断流水线。

关键输入参数一览

完整定义见 deploy/github-action/action.yml：

参数	说明	默认值
`target`	扫描目标（域名/URL/CIDR）	必填
`scope`	授权范围（逗号分隔）	必填
`mode`	manual / bugbounty / asm / ctf	manual
`swarm`	是否启用蜂群调度器	false
`fail-on`	达到该严重度即失败任务	high
`dry-run`	只规划不执行利用命令	false
`version`	锁定版本，可复现结果	latest

接入只需一个 workflow 文件

参考 deploy/github-action/example-workflow.yml，核心逻辑分四步：

定时 + 手动双触发：cron: "0 2 * * 1"每周一凌晨自动跑，也可手动触发（定时任务定义）；
执行扫描：swarm: "true"开启蜂群并发，fail-on: high让高危发现直接红掉流水线；
产物归档：报告打包为 Artifact，团队成员随时可下载；
SARIF 入库：SARIF 结果直传仓库 Security 标签页的 Code Scanning，漏洞像代码告警一样被跟踪。

值得强调的是dry-run参数——新目标首次接入时开启它，AI 只输出攻击计划而不真正利用，非常适合先评审再放行。

方式三：源码构建与CI/CD持续AI渗透

一键克隆构建

没有 Docker 环境时，直接源码构建同样简单（scripts/install.sh 也可替代手动步骤）：

git clone https://gitcode.com/gh_mirrors/pe/Pentest-Swarm-AI cd Pentest-Swarm-AI make build # 编译主程序到 ./bin/pentestswarm make tools # 安装 subfinder/nuclei/httpx 等安全工具链 ./bin/pentestswarm doctor # 体检：Go/Docker/工具/模型配置一次查清

Makefile 还提供make dev（一键启动开发栈）与make test（带竞态检测的完整测试），方便二次开发。

把AI渗透变成持续安全能力

结合上文两种模式，可以搭出完整的 CI/CD 持续渗透流水线：

每次发版触发dry-run快速侦察，5 分钟内给出风险摘要；
每周定时swarm 全量扫描，报告归档 + SARIF 入库；
fail-on: high质量门禁：高危漏洞阻断发布，倒逼修复；
配置可用 config.yaml 生成器的pentestswarm init生成，并在 website/docs/configuration.md 中为每个智能体单独指定模型，控制成本。