目前，CTF比赛面临极大的AI冲击问题，传统的安全问题已经能通过AI agent得到解决，俗称“一把梭”，而出题人往往为了防止自己的题目被AI轻松解决，会采取各种措施来阻碍；渐渐的，这样措施往往成为正常解题选手的绊脚石，也让CTF这样的比赛氛围转化为与AI的斗智斗勇。
同时，对于选手而言，普通的AI解题工具（本体）可以分为下面大致几类：
1、在线聊天的大模型，比如网页版的ChatGPT、genmini、claude
2、集成于客户端环境的商业大模型agent应用，比如claude desktop；
3、集成于终端的大模型编程工具，比如gemini cli、claude code、codex；
4、集成于ide的编程agent平台，比如cursor、trae
5、自主研发、通过接头连接、可本地部署的agent智能体项目
搭配这些AI智能体的辅助解题策略/工具则可分为以下几类：
1、MCP工具，通过连接本地或远程服务器上的mcp接口来实现工具调用；
2、调用linux机器上的终端工具，如果是对于gemini cli、claude code、codex、cursor这类可以直接连接linux机器的ai工具，可以直接通过终端指令调用机器上的终端工具进行操作
3、skills，通过预设的skills文档为挑战任务预设背景和要求
4、rag知识库，针对上面所说的自主研发的agent项目，有的会使用其自行搭建的rag向量知识库进行知识获取。
然而，在真实的CTF比赛中，仅仅使用以上的AI本体工具和辅助技能，并不能达到很好的解题效果，主要可以归因为以下几点：
1、指令遵循度差，尤其在道德层面、调用工具和任务理解上尤为突出；
2、token有效使用率低；
3、容易在环境配置、网络问题等无关因素上浪费时间；
4、容易钻死角、思维不变通；
5、无法高效识别和搜集题目相关信息以及其相关漏洞方案；
6、上下文窗口太短，无法保持长期记忆；
7、知识及理解颗粒度不足，不足以精确理解和掌握题目要领；
8、缺乏任务规划和划分意识，不系统不严谨
9、专业性欠缺，大语言模型通病，缺乏针对性领域训练
10、套餐额度、api费用消耗大
11、容易出现大模型幻觉
12、知识缺失
13、大模型记忆遗忘
14、消极执行
对此，我们需要向目前现有的AI智能自动化渗透/CTFsolver项目学习，汇总、比较其方案，最终形成一个我们自己的方案，尽可能解决上述问题，然后开始构建我们自己专注于CTF比赛的智能体agent项目。
这里先给出一个汇集很多通过AI研究网络安全以及构建相关智能体的资料汇总网站，相当有用：
https://amanpriyanshu.github.io/Awesome-AI-For-Security/
相关专业研究和论文：
- Foundation-Sec 技术报告- Llama-3.1 网络安全应用领域适应性的详细方法。
- Primus Paper - 首个开源网络安全数据集集合，旨在解决关键的预训练语料库短缺问题。
- SecBench论文——用于LLM网络安全评估的具有空前规模的多维基准数据集。
- 纽约大学 CTF 基准测试论文- 首个专注于通过 CTF 挑战进行攻击性安全的可扩展基准测试。
- SECURE 论文- 以工业控制系统安全知识评估为目标的行业基准。
- CyberMetric Paper - 基于 RAG 的网络安全基准测试，包含涵盖多个知识领域的人工验证问题。
- SecLLMHolmes 论文- 全面分析揭示了 LLM 漏洞识别能力的显著不稳健性。
- LLM 攻击性安全基准测试- 对 LLM 驱动的攻击性安全工具的评估方法进行分析并提出建议。
- OffsecML 战术手册- 全面收集了攻击和对抗技术，并附有实际演示。
- MCP 安全检查清单- SlowMist 提供的基于 MCP 的 AI 工具的综合安全检查清单。
对于目前现有的AI智能自动化渗透/CTFsolver项目，大致可以分为以下几类：
1、llm驱动的自动渗透/CTFsolver智能体agent
2、内置提示词的MCP服务，部署在终端，依赖终端进行工具调用
3、预训练好的专注于渗透/网络安全的模型
现在我们大致列举以下项目进行研究：
该比赛只针对渗透测试，所以在CTF比赛中的运用可能更多仅局限于web方向，故该比赛的项目参考学习也将仅作用于web方向的功能开发，但是其各项目的智能体构建的方案方法有很大参考研究价值，务必认真学习。
比赛详情地址https://zc.tencent.com/competition/competitionHackathon?code=cha004
开源项目地址：https://github.com/passer-W/ctfSolver
主要思路设计：
开源项目地址：https://github.com/SanMuzZzZz/LuaN1aoAgent
主要思路和架构设计：
开源项目地址：https://github.com/chainreactors/tinyctfer
主要思路设计：
开源项目地址：https://github.com/m-sec-org/xbow-competition
具体思路架构设计：
https://github.com/yhy0/CHYing-agent
具体思路架构实现：
项目开源地址：https://github.com/GreyDGL/PentestGPT
项目详情网站：https://pentestgpt.com/
项目论文：https://www.usenix.org/system/files/usenixsecurity24-deng.pdf
开源项目地址：https://github.com/SWE-agent/SWE-agent
项目详情网站（包括安装、使用等详细内容）：https://swe-agent.com/
项目开源地址https://github.com/NYU-LLM-CTF/nyuctf_agents
项目开源地址：https://github.com/vxcontrol/pentagi
项目详情网站：https://pentagi.com/
项目地址（暂未开源）：https://github.com/n-WN/SubgroupX
项目论文：https://arxiv.org/abs/2601.09129
项目开源地址：https://github.com/NoDataFound/hackGPT
项目网站：https://hackgpt.com/
项目开源地址：https://github.com/ipa-lab/hackingBuddyGPT
项目开源地址：https://github.com/msoedov/agentic_security/
详情网站：https://agentic-security.vercel.app/
几乎是最广受好评的mcp自动渗透ai工具，需要在kali Linux机器上部署服务端提供MCP服务接口，连接后利用kali中的工具进行渗透，优点和缺点都在于工具集很大，但是架构设计同样可圈可点。
项目网站：https://www.hexstrike.com/
开源地址：https://github.com/0x4m4/hexstrike-ai
似乎是专注于CTF解题的MCP项目，但是无论从影响力还是项目体量、设计上都不如Hexstrike项目，唯一的优势是对CTF的专注性。
项目开源地址：https://github.com/foxibu/ctf-solver
项目开源地址：https://github.com/Clouditera/SecGPT
我已经将部分上述所提到的项目完全下载到了本地，可供详细的代码查阅，有助于对项目架构的理解
将统一存放在：
kali linux目录：
/mnt/e/LunaticCTFer/ReferenceProject/<project>
对应windows目录：
E:\LunaticCTFer\ReferenceProject\<project>
在学习上述相关研究项目的基础上，我们要思考我们要构建的agent服务应该以何种形式呈现、需要具备哪些功能，以及要达成什么目标，做出详细指示之后，再思考如何在这些项目中进行学习然后进行具体的构建和开发。
同时，项目应提供两种形式来进行使用，即通过调用API的自主agent智能体和通过MCP接口调用的MCP工具服务；两种形式允许拥有不同的处理逻辑和代码，各自承担的职责也不同。
对于agent智能体而言，其目标定位如下：
一个部署于linux机器上，具备完整前后端呈现、处理逻辑、知识库、工具调用等功能的专注于CTF解题的agent智能体，通过调用联网大模型或本地大模型的API完成模型调用
应该具备以下功能：
1、通过API调用模型，对于联网大模型，要支持调用绝大多数联网大模型的API格式，包括OpenAI、Anthropic、Deepseek等以及各类基于API中转服务的API；对于本地大模型，也要有规范的调用模式；
2、能够通过Anthropic格式的mcp json文件简单标准化配置，连接上MCP服务，调用MCP工具；
3、能够使用rag知识库服务快速检索本地知识库；
4、有内置提示词类似skills的功能，无需大模型越狱或背景介绍
5、能够调用agent所在终端的任何工具，调用前需要经过许可，同时有选择always allow的选项
6、能够访问、控制、读取、修改本地文件目录和文件的权限
7、有预设好的标准工作流程，只需要提供少数题目信息后启动，自动完成整套解题工作流程，工作流程视题型而定，等待后序的具体架构设计。
粗略、不严谨来说，工作流程、或者说具体的架构设计中都应该要包括但不限于以下几点（无顺序，只是泛泛而谈）：
任务识别，场景建立
连接rag知识库服务
查找资料、漏洞相似度匹配漏洞，POC找寻和变迁利用
挖掘题目内容和题目信息搜集
及时、高效处理包括但不限于环境配置、指令执行、上下文窗口、网络配置等非题目相关因素的错误问题
深刻理解题目，长思考链
维持/共享记忆
AI工具防沉迷
AI路径依赖防固化
自动选择调用模型，并路由匹配
及时反思思路，评估思路合理性可行性
决策层，负责搜集处理资料和信息以及总体思路策划
执行层，负责工具调用和执行具体决策
监督层：监督执行情况和反应，检测处理突发错误和长时间卡壳，防止钻死角或绕弯，及时制止并触发反思，同时也要负责记录解题流程的进行、思路节点、相关文件情况
解题过程中的文件处理规范
解题完成/失败后的报告/Writeup攥写规范
……
8、具备前后端界面，前后端由docker部署搭建，可通过前后端完成全部操作，包括配置模型并检查、发布删除修改任务、查看任务流程图和任务详情、对具体步骤交互进行修改调整等功能
……
对于MCP服务而言，其与agent相互独立，其实也可以视为该大项目下的一个子项目，目标定位如下：
一个部署于linux机器上的mcp服务端，具备终端服务界面呈现、管理kali linux内工具、能够读取并协调管理与其同属于一个MCP配置文件中其余MCP工具、内置提示词和skills、在成熟agent（如claude code）解题过程中充当任务调度枢纽和监督管理器等功能的服务
应该具备以下功能：
1、根据标准化的MCP协议提供服务和接口，方便配置；
2、能够读取检查情况，并管理其同级（即同一MCP配置文档内）的其他MCP服务工具，当agent遇到某种情况激活对应场景时，能够及时反映给agent提醒其调用对应其他MCP工具；
3、同上，也应该对所在终端机器拥有完全控制权，能够检查、管理、调度终端内的工具，执行指令；能够让agent通过其服务调用工具执行指令，也在场景激活时提醒其调用
4、内置场景、知识、提示词、skills一类的类似物，协助Agent迅速上手适应题目场景，并同时提供监管agent是否按照预想执行和调用工具、是否卡壳（卡在某一过程长时间陷入死角）、是否存在如网络配置、环境配置、指令错误等突发性情况并及时解决，不要耽误太多时间
5、规范记录思路、流程节点和相关文件关系，规范化解题中产生的文件处理，规范化解题完成/失败后的wp/报告攥写
……