Decepticon：XBOW基准98.08%通过率的自主红队代理，AI渗透测试进入"实战杀伤链"时代

"又一个人工智能黑客？我们猜猜——它运行了 nmap，然后生成了一份报告。"这是 Decepticon 项目 README 开篇的自嘲，也是整个"AI + 安全"领域的真实写照：大量所谓 AI 渗透测试工具，本质上只是给扫描器套了一层大模型外壳。而Decepticon（霸天虎）要做的，是一台真正懂红队纪律的自主红队代理——它在发出第一个数据包之前，先生成完整的作战方案，再像真实攻击者一样执行侦察、漏洞利用、权限提升、横向移动与命令控制的全流程攻击链。

该项目采用 Apache 2.0 协议开源，在 XBOW 验证基准上以 102/104（98.08%） 的通过率位居目前公开报告的最高水平，是近期 GitHub 上最受关注的 AI 红队工具之一。

产品介绍：不是扫描器，而是自主红队代理

Decepticon 的定位非常明确：专业的自主红队代理（Autonomous Red Team Agent）。它执行的是逼真的完整攻击链，而不是走过场式的勾选扫描。与"跑一遍 nmap 打印报告"的演示型工具不同，Decepticon 的核心区别在于红队作业所要求的严谨纪律——在任何一个数据包发出之前，它会先生成一整套交战方案：

• 交战规则（RoE）：明确授权边界与行动约束；
• 作战概念（ConOps）：定义整体作战思路；
• 冲突解决计划（Deconfliction Plan）：避免与真实业务或其他测试活动冲突；
• 作战计划（OPPLAN）：映射 MITRE ATT&CK 框架，后续所有动作都必须在既定规则内运行。

项目官网已上线云端托管版本（app.decepticon.red），不想自建 Docker 环境的用户可以直接在浏览器中运行自主红队演练。

核心功能：16个专业代理组成的多智能体杀伤链

Decepticon 的代理体系按杀伤链阶段组织，共 16 个专业代理，每个目标都会开启全新的上下文窗口，避免累积噪声。代理阵容覆盖：编排、侦察、利用、后利用、漏洞研究，以及领域专家（AD、云、智能合约、逆向工程、分析师）。

在 XBOW 验证基准上，Decepticon 的分级成绩如下：

项目方还公开了完整的逐题挑战索引、攻击类别矩阵和 LangSmith 执行轨迹，并与 Strix、PentestGPT、MAPTA、Cyber-AutoAgent、XBOW 商业版等其他 AI 渗透测试代理做了对比。

技术优势：双网络隔离与真实交互式 Shell

Decepticon 的技术架构围绕"可控、隔离、逼真"三个关键词展开，这也是它区别于普通 AI 安全工具的核心竞争力。

真实的杀伤链执行。 编排器会仔细阅读 OPPLAN，利用一切可行路径达成目标——灵活转向、随时调整战术、链式组合攻击技术，而不是按固定脚本执行。

真正的交互式 Shell。 msfconsole、sliver-client、evil-winrm 这类真实攻击工具都是交互式的。Decepticon 在持久的 tmux 会话中运行所有命令，并具备自动提示符检测能力——当工具进入交互式提示符时，代理会直接发送后续命令，无需任何变通方案。

强化的沙箱隔离。 所有命令都在专用作战网络（sandbox-net）上的 Kali Linux 沙箱内执行，与管理平面（decepticon-net）完全隔离，LangGraph 通过 Docker 套接字驱动沙箱。

进攻服务于防御。 规划中的"进攻性疫苗（Offensive Vaccine）"循环将通过"攻击→防御→验证"的闭环，把研究成果转化为防御改进措施。

架构上采用双网络设计：管理平面（LiteLLM、PostgreSQL、Skillogy、LangGraph）与沙箱平面常驻运行；其余组件动态拉起——Web 控制面板通过 CLI 内的 /web 命令启动，BloodHound CE、Sliver C2、Ghidra MCP 等专业工作负载仅在编排器调用 ops_start(...) 时启动（参见 ADR-0006）。Neo4j 采用双宿主架构，位于管理平面的代理可以持久化从沙箱内部写入的攻击链发现结果，形成知识图谱。

模型与供应商方面，Decepticon 基于层级、凭证感知的备用链机制工作：用户按优先级声明已有凭证，系统自动在每个层级构建"主凭证→备用凭证"链。支持的配置档位包括：

层级映射的提供商包括 Anthropic、OpenAI、Google Gemini、MiniMax、DeepSeek、xAI、Mistral、OpenRouter、Nvidia NIM 以及本地 Ollama；同时支持 Claude、ChatGPT、Gemini Advanced、Copilot Pro、SuperGrok、Perplexity Pro 等订阅 OAuth 登录。

部署教程：Docker 一键安装与 pip SDK 两种用法

Decepticon 的安装 prerequisites 是 Docker 和 Docker Compose v2，支持 macOS（Apple Silicon + Intel）、Linux（amd64 + arm64）以及 Windows（amd64 + arm64，可原生 PowerShell 运行或通过 WSL2 的 Ubuntu/Kali 运行）。

macOS / Linux / WSL2 下执行：

curl -fsSL https://decepticon.red/install | bash
decepticon onboard   # 交互式设置向导（供应商、API Key、模型档位）
decepticon           # 启动核心栈并进入终端 CLI

Windows（PowerShell 原生） 下执行：

irm https://decepticon.red/install.ps1 | iex
decepticon onboard
decepticon

默认启动会拉起核心管理平面（LiteLLM、PostgreSQL、Neo4j、Skillogy、LangGraph、沙箱）并进入终端 CLI；专业工作负载和 Web 控制面板按需启动——在 CLI 中输入 /web 即可打开控制面板，编排器也会通过 ops_start("ad") 等方式动态生成专业工作负载。

作为库使用（pip）：如果想基于这些代理构建产品、做研究集成或自定义编排器，可以从 PyPI 安装 SDK：

pip install decepticon              # 核心 SDK
pip install "decepticon[neo4j]"     # 附带知识图谱攻击链工具

需要注意，Decepticon 是客户端 SDK：它包含代理工厂、中间件、工具和技能，通过 HTTP 将 LLM 调用和沙箱执行路由到运行时服务（DECEPTICON_LLM__PROXY_URL、SANDBOX_URL）。运行代理仍然需要这些服务——可以使用上面的 Docker 栈，也可以把 URL 指向自己的等效服务。SDK 还提供工厂覆盖接口、声明式 PluginBundle 插件和安全门，方便二次开发。

参与贡献的方式：

git clone https://github.com/PurpleAILAB/Decepticon.git
cd Decepticon
make dogfood  # 完整 OSS 体验（启动器 → onboard → CLI）
make dev      # 后端热重载（compose watch），日常开发循环

应用场景：谁需要自主红队代理

• 企业安全团队：用 AI 自主红队演练替代低频的人工渗透测试，在攻击者之前验证自身暴露面；
• 红队与渗透测试人员：把侦察、利用、后利用等重复性工作交给 16 个专业代理，人专注于策略 oversight；
• 安全研究与教学：借助公开的 LangSmith 轨迹和知识图谱，研究多智能体攻击链的编排方式；
• AI 安全产品开发者：通过 pip SDK 将代理工厂、技能体系和备用链模型集成进自有产品。

总结

Decepticon 的出现，标志着 AI 渗透测试从"扫描器 + 大模型"的演示阶段，迈入了有纪律、可观测、ATT&CK 映射的自主红队执行阶段。98.08% 的 XBOW 基准通过率、双网络沙箱隔离、16 个专业代理的杀伤链组织方式，再加上 Apache 2.0 的开源协议，让它成为目前最值得关注的自主红队代理之一。

• 项目仓库：https://github.com/PurpleAILAB/Decepticon
• 官方网站：https://decepticon.red
• 云端体验：https://app.decepticon.red
• 文档中心：https://docs.decepticon.red

如果你认同"自主红队演练是提升防御能力的有效途径"，可以通过 GitHub Sponsor 支持这个项目，或加入其 Discord 社区交流演练日志与攻击技术。