📄 工具详情 ⚙️ 安装教程 📚 使用教程

能力标签

🔌 MCP 🤖 Agent 🔄 工作流 🐳 Docker 💻 CLI 🔗 REST API 📚 RAG 🧠 Claude ✨ GPT 🖥 本地 LLM

🔌

MCP工具

VulnClaw

Q: VulnClaw 如何安装和开始使用？

访问 VulnClaw 的 GitHub 仓库或官方网站，按照 README 文档中的步骤安装依赖并运行。通常需要 Python 3.8+ 或 Node.js 16+ 基础环境。

Q: VulnClaw 是否免费？许可证是什么？

VulnClaw 完全免费，采用 MIT 许可证开源发布，任何人都可以免费使用、修改和分发。

Q: VulnClaw 适合哪些用户使用？

VulnClaw 主要面向有一定技术基础的用户，包括开发者、数据分析师、AI 工程师等专业人士。

Q: VulnClaw 的社区活跃度和项目维护状况如何？

VulnClaw 在 GitHub 上已获得 81 个 Star，处于积极发展阶段，社区在持续扩大。

基于 Python · 让 AI 助手直接操作你的系统与工具

⭐ 81 Stars 🍴 13 Forks 💻 Python 📄 MIT 🏷 AI 8.0分

8.0AI 综合评分

aicybersecuritypython

⬇ 下载源码 ZIP ⚙️ 配置说明 📺 TG 频道

✦ AI Skill Hub 推荐

AI Skill Hub 强烈推荐：VulnClaw 是一款优质的MCP工具。AI 综合评分 8.0 分，在同类工具中表现稳健。如果你正在寻找可靠的MCP工具解决方案，这是一个值得深入了解的选择。

📚 深度解析

VulnClaw 是一款基于 MCP（Model Context Protocol）标准协议的 AI 工具扩展。MCP 协议由 Anthropic 开发并开源，旨在建立 AI 模型与外部工具之间的标准化通信接口，目前已被 Claude Desktop、Claude Code、Cursor 等主流 AI 工具采纳。

通过安装 VulnClaw，你的 AI 助手将获得额外的工具调用能力，可以用自然语言直接操控该工具的功能，无需学习复杂的命令行语法。MCP 工具的核心价值在于"一次配置，永久增强"——配置完成后，每次与 AI 对话时都可以无缝调用这些工具。

在技术实现上，MCP 工具通过标准的 JSON-RPC 协议与 AI 客户端通信，工具的功能以"工具列表"的形式暴露给 AI 模型，AI 可以按需调用。VulnClaw 提供了结构化的工具调用接口，使 AI 模型能够精确地理解和使用每个功能点，显著降低 AI 在工具使用上的错误率。

与传统的 API 集成相比，MCP 工具的优势在于无需编写代码——用户只需在配置文件中添加几行 JSON，即可让 AI 获得全新能力。AI Skill Hub 将 VulnClaw 评为 AI 评分 8.0 分，属于同类工具中的优质选择。

📋 工具概览

AI驱动的MCP工具，自动化信息收集、漏洞发现和利用

VulnClaw 是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。

GitHub Stars

⭐ 81

开发语言

Python

支持平台

Windows / macOS / Linux

维护状态

轻量级项目，按需更新

开源协议

MIT

AI 综合评分

8.0 分

工具类型

MCP工具

Forks

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

AI驱动的MCP工具，自动化信息收集、漏洞发现和利用

📌 核心特色

通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
提供结构化工具调用接口，显著降低 AI 集成复杂度
支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
可与其他 MCP 工具组合叠加，构建完整 AI 工作站
轻量无侵入设计，不影响现有系统架构

🎯 主要使用场景

在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
将多个 MCP 工具组合使用，构建个人专属 AI 工作站

以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。

安装命令

# 方式一：通过 Claude Code CLI 一键安装
claude skill install https://github.com/Unclecheng-li/VulnClaw

# 方式二：手动配置 claude_desktop_config.json
{
  "mcpServers": {
    "vulnclaw": {
      "command": "npx",
      "args": ["-y", "vulnclaw"]
    }
  }
}

# 配置文件位置
# macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
# Windows: %APPDATA%/Claude/claude_desktop_config.json

📋 安装步骤说明

确认已安装 Node.js（v18 或以上版本）
打开 Claude Desktop 或 Claude Code 的 MCP 配置文件
按「交给 Agent 安装 → Claude Desktop」标签中的 JSON 配置填入 mcpServers 字段
保存配置文件并重启 Claude 客户端
重启后，在对话中即可使用本工具

以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。

常用命令 / 代码示例

# 安装后在 Claude 对话中直接使用
# 示例：
用户: 请帮我用 VulnClaw 执行以下任务...
Claude: [自动调用 VulnClaw MCP 工具处理请求]

# 查看可用工具列表
# 在 Claude 中输入："列出所有可用的 MCP 工具"

以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。

配置示例

// claude_desktop_config.json 配置示例
{
  "mcpServers": {
    "vulnclaw": {
      "command": "npx",
      "args": ["-y", "vulnclaw"],
      "env": {
        // "API_KEY": "your-api-key-here"
      }
    }
  }
}

// 保存后重启 Claude Desktop 生效

📑 README 深度解析真实文档完整度 76/100 查看 GitHub 原文 →

以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

简介

特性

模型主导求解引擎（默认） — 类似 Claude Code/Codex 的自主循环，模型自己决定下一步、何时调用工具、何时完成/询问/判定无路可走
AgentState 证据记忆 — 工具结果统一写入 AgentState.evidence，raw 原文完整保留；active context 默认只注入高信号预览，evidence_search / evidence_view 用于按需回查原始证据
轻量纠偏层 — 工具调用前后记录重复调用、失败降级、耗时和新发现等信号；重复读取同一 evidence 范围会被抑制，连续证据空转会触发 stall guard，但不恢复旧阶段规划器
证据级反幻觉闸门 — 声称的 flag/结论必须在真实工具输出里逐字符出现才被采信，杜绝凭空编造 flag 的假胜利
自然语言驱动 — 用人话描述渗透意图，自动识别阶段和工具
14 个 LLM Provider — OpenAI / Anthropic / MiniMax / DeepSeek / 智谱 / Moonshot / 千问 / SiliconFlow / 豆包 / 百川 / 阶跃星辰 / 商汤 / 零一万物 / 本地 Ollama，一键切换
MCP 工具链 — 4 个 MCP 服务：fetch / memory 本地实现开箱即用，chrome-devtools / burp 对接外部 MCP 服务实现浏览器自动化和 HTTP 抓包重放
增强 fetch 请求工具 — 默认直接 GET 并返回完整响应 body，支持 HTTP/HTTPS、自定义 method/headers/params/cookies/body/data/form/json、timeout/redirect/TLS 控制；CTF/靶场 HTTPS 默认不校验证书
原生流量证据存储 — 按运行内作用域过滤后以追加式 JSONL 索引 + 每请求原始报文落盘于 evidence/traffic/，内置 traffic_list / traffic_view / traffic_repeat / traffic_sitemap 工具直接读写
AI Agent 核心 — OpenAI 兼容协议 + Tool Calling + 自主渗透循环
结构化推理 + 自适应反思 — 已知事实/约束/攻击链结构化沉淀；失败自动归类并按 L0-L4 渐进升级 payload 绕过策略
漏洞检测插件体系 — 低耦合插件运行时 + 内置只读 Web 插件，结果自动汇入报告链路（vulnclaw plugins）
50 个专项 Skill — 覆盖 CTF、Web、内网、逆向、漏洞验证与授权红队知识库；Skill 只作为参考资料索引暴露给模型，正文需要模型主动调用 load_skill_reference 按需读取，不再作为强制剧本注入上下文
编解码/加解密工具 — 29 种操作（Base64/Hex/URL/AES/JWT/Morse 等），LLM 可精确调用，不再靠猜测
源码自动还原 — fetch / http_probe_batch 遇到 highlight_file、HTML 高亮源码或混杂 HTML/JS body 时会自动在 raw body 前追加 clean source；http_probe_batch 默认关闭 TLS 校验并记录完整响应头，避免丢失 X-Powered-By 等运行时证据；内置 source_extract 仍可用于按需重读历史 evidence，并固定危险 sink、表单与 endpoint 信号
本地命令验证 — 内置 shell_command，用于 php -r 反序列化验证、curl 精确请求、rg/Select-String 文件检索等 Codex-style 本地调试场景；raw stdout/stderr 完整写入 evidence，大输出进入模型时使用高信号预览
运行时差分探测 — 内置 runtime_diff_probe，用于正则/字符串过滤器与运行时解析器不一致的场景，帮助模型批量生成并验证“过滤器漏过、解析器接受”的候选；PHP 序列化模式会提示目标/本地运行时版本差异，并把 PHP5 signed length 候选标记为必须远程验证，避免被本地新版 PHP 误杀
Python 代码执行 — 内置 python_execute 工具，适合 payload 构造和响应解析；当前仍属高风险实验能力，不应视为强隔离沙箱
批量 HTTP 探测 — 内置 http_probe_batch，用于一次比较多组 URL/参数/header/body/raw URL 变体，默认返回每个响应的完整 body，并在模型可见输出中展示实际请求面（method、URL、params、headers、cookies、body/json），减少重复 LLM 轮次和手写请求代码
近成功防误停 — solve 保留证据闸门，并新增通用 NO_PATH 闸门：当源码 sink、表单/参数、请求面、本地 proof 或响应差异等高信号尚未耗尽时，不接受模型因单次 payload 无回显/远端 same-body 就提前判死
持续性渗透测试 — 周期循环（默认 100 轮/周期 × 10 周期 = 1000 轮），每周期自动生成报告
推理过程显示控制 — think on/off 一键切换 LLM 思考过程的显示/隐藏
沙盒模式提示词 — 解锁 AI 安全测试能力，CTF / 授权渗透场景专用
自动报告 & PoC — 生成结构化 Markdown 报告和可运行的 Python PoC 脚本
Web UI 模式 — vulnclaw web 启动本地 Web 界面，默认 127.0.0.1:7788
安全知识库 — 已内置知识库模块与基础种子数据，检索增强正在逐步接入主流程

---

快速开始

安装

```bash

从 PyPI 安装（推荐）

pip install vulnclaw

从源码安装

git clone https://github.com/Netw0rkNoob/VulnClaw.git cd VulnClaw pip install -e . ```

Docker 运行（可选）

镜像已内置 Web UI 以及默认 MCP 服务所需的运行时（npx / uvx），所有状态持久化到 /data 数据卷。

```bash cp .env.example .env # 填入 VULNCLAW_LLM_API_KEY 等 docker compose up --build # 构建镜像并启动 Web UI

四步启动

```bash

使用方式

首次使用：构建 React 前端（需要 Node.js 18+）

cd frontend npm install npm run build cd ..

vulnclaw web # 启动（默认 127.0.0.1:7788） vulnclaw web --port 8080 # 自定义端口 ```

PyPI wheel 不包含 React 构建产物或前端源码；完整 Web UI 需要按上面的源码方式安装。若浏览器显示 Fallback Web Shell（无完整扫描界面），说明缺少 frontend/dist/index.html。按上式构建后重启 vulnclaw web 并强制刷新。未构建前端时，/api/health 等 API 仍可用。

⚠️ 默认仅绑定本地回环地址。如需远程访问须显式指定 --host 0.0.0.0 --allow-remote。

---

Step 1: 启动 Chrome 远程调试

2. 设置 API Key

vulnclaw config set llm.api_key sk-your-key-here

Step 2: 启用 VulnClaw 配置

vulnclaw config set mcp.servers.chrome-devtools.enabled true


如需指定 Chrome 调试地址，编辑 `~/.vulnclaw/config.yaml`：

yaml mcp: servers: chrome-devtools: enabled: true transport: type: stdio command: npx args: ["-y", "chrome-devtools-mcp@latest", "--browser-url=http://127.0.0.1:9222"]


</details>

<details>
<summary><strong>Burp Suite MCP 部署</strong></summary>

**前置条件**: Java 11+ + Burp Suite Professional

bash

Step 4: 启用 VulnClaw 配置

vulnclaw config set mcp.servers.burp.enabled true


建议配置：

yaml mcp: servers: burp: enabled: true transport: type: stdio command: java args: ["-jar", "~/.vulnclaw/tools/burp-mcp-all.jar", "--sse-url", "http://127.0.0.1:9876"] ```

</details>

详细部署说明参见 docs/mcp-deployment.md

---

配置管理

命令行配置

vulnclaw config list                          # 查看所有配置
vulnclaw config get llm.model                 # 查看单项
vulnclaw config set llm.api_key sk-xx         # 设置 API Key
vulnclaw config set session.max_rounds 30     # 设置最大轮数（默认 15）
vulnclaw config set session.show_thinking false # 隐藏推理过程

可配置项

配置项	默认值	说明
`llm.provider`	openai	LLM 提供商
`llm.api_key`	空	API Key
`llm.auth_mode`	static	`static` 或 `oauth`
`llm.chatgpt_auto_proxy`	false	自动启动内置 ChatGPT 后端桥接代理
`llm.base_url`	按 provider	API 基础 URL
`llm.model`	按 provider	模型名称
`llm.temperature`	0.1	采样温度
`llm.max_tokens`	4096	单次最大输出 token
`session.engine`	solve	`solve`（模型主导）/ `team`（角色团队）/ `rounds`（旧固定轮数）
`session.solve_max_steps`	240	solve 防失控安全预算；不是计划轮数，正常由模型自主完成/询问/判定无路
`session.solve_max_directions`	3	兼容旧配置；默认模型主导 solve 不再使用研究方向数量
`session.solve_max_tool_rounds`	6	兼容旧配置；单个模型 turn 内连续工具 follow-up 的 runaway 安全上限，不是计划式工作流轮数
`session.context_auto_compact`	true	是否允许所有 LLM 调用路径自动压缩上下文
`session.context_compact_trigger_ratio`	0.70	自动压缩的上下文触发比例
`session.context_compact_target_ratio`	0.55	压缩完成后的目标上下文占用比例
`session.context_recent_message_groups`	12	每次压缩保留的最近完整消息组数量
`session.context_summary_max_tokens`	3500	长期结构化上下文摘要的最大 token 预算
`session.context_output_reserve_tokens`	0	为模型输出预留的 token；0 时取 `min(llm.max_tokens, 8192)`
`session.context_compaction_audit_enabled`	true	是否在持久化 AgentState 中记录压缩审计事件
`session.solve_auto_report`	true	solve 目标达成后自动生成 Markdown 复盘报告
`session.solve_report_show`	true	自动报告生成后在终端直接打印报告正文
`session.max_rounds`	15	最大轮数
`session.output_dir`	./vulnclaw-output	报告输出目录
`session.report_format`	markdown	报告格式（markdown / html）
`session.poc_language`	python	PoC 生成语言（python / bash）
`session.language`	auto	界面语言（auto / zh / en），默认英文
`session.show_thinking`	false	显示 LLM 推理过程
`session.persistent_rounds_per_cycle`	100	持续性渗透每周期轮数
`session.persistent_max_cycles`	10	持续性渗透最大周期数（0=无限）
`session.persistent_auto_report`	true	持续性渗透每周期自动生成报告
`session.stale_rounds_threshold`	5	死循环检测阈值

环境变量

变量	说明
`VULNCLAW_LLM_PROVIDER`	LLM 提供商名称
`VULNCLAW_LLM_API_KEY`	API Key
`VULNCLAW_LLM_AUTH_MODE`	static / oauth
`VULNCLAW_LLM_CHATGPT_AUTO_PROXY`	内置 ChatGPT 代理
`VULNCLAW_LLM_BASE_URL`	API 基础 URL
`VULNCLAW_LLM_MODEL`	模型名称
`VULNCLAW_SESSION_MAX_ROUNDS`	最大轮数
`VULNCLAW_SESSION_STALE_ROUNDS_THRESHOLD`	死循环检测阈值
`VULNCLAW_SESSION_REASONING_STATE_ENABLED`	结构化推理状态开关
`VULNCLAW_SESSION_REFLEXION_ENABLED`	自适应反思引擎开关
`VULNCLAW_SESSION_REFLEXION_MAX_SAME_VULN_FAILS`	同类漏洞连败触发反思阈值
`VULNCLAW_SESSION_ESCALATION_MAX_LEVEL`	Payload 升级上限（0-4）
`VULNCLAW_SESSION_PLUGIN_RUNTIME_ENABLED`	插件运行时开关
`VULNCLAW_SESSION_PLUGIN_MAX_REQUESTS_PER_TARGET`	单目标插件请求预算

优先级：环境变量 > 配置文件 > 内置默认值

配置文件位于 ~/.vulnclaw/config.yaml。

---

— 或改用 ChatGPT 订阅登录（无需 API Key）：

3. 默认：打开原 CLI / REPL

vulnclaw

CLI 命令速查

$ vulnclaw --help

🦞 VulnClaw — AI-powered penetration testing CLI

 Usage: vulnclaw [OPTIONS] COMMAND [ARGS]...

 Commands:
   run           🚀 一键全流程渗透测试（默认使用 solve 引擎）
   solve         🧩 目标驱动求解（模型主导，无固定轮数）
   persistent    🔄 持续性渗透测试（100轮/周期）
   recon         🔍 仅信息收集阶段
   scan          🔎 执行漏洞扫描阶段
   exploit       💥 执行漏洞利用阶段
   report        📝 从会话记录生成报告
   repl          💬 启动经典 REPL 交互界面
   config        ⚙️  管理配置（set/get/list/provider）
   plugins       🧩 管理漏洞检测插件（list/info/run）
   init          🔧 初始化配置
   doctor        🏥  检查运行环境
   tui           🖥️  打开终端图形化工作台
   web           🌐 启动本地 Web UI
   code          🧬 本地源码安全扫描（无需网络目标）

命令	说明	示例
`vulnclaw`	默认打开原 CLI / REPL	`vulnclaw`
`vulnclaw tui`	终端图形化工作台	`vulnclaw tui --target target.com`
`vulnclaw repl`	启动经典 REPL 交互界面	`vulnclaw repl`
`vulnclaw solve <target>`	目标驱动求解（无固定轮数，拿到目标即停）	`vulnclaw solve target.com --goal "拿到flag"`
`vulnclaw run <target>`	一键全流程渗透（默认走 solve 引擎）	`vulnclaw run 192.168.1.1`
`vulnclaw persistent <target>`	持续性渗透（100轮/周期）	`vulnclaw persistent 192.168.1.1`
`vulnclaw recon <target>`	仅信息收集（不利用漏洞）	`vulnclaw recon target.com`
`vulnclaw scan <target>`	漏洞扫描阶段	`vulnclaw scan target.com --ports 80,443`
`vulnclaw exploit <target>`	漏洞利用阶段	`vulnclaw exploit target.com --cve CVE-2024-1234`
`vulnclaw report <session>`	从会话 JSON 生成报告	`vulnclaw report session_xxx.json`
`vulnclaw config set <key> <value>`	设置配置项	`vulnclaw config set llm.api_key sk-xxx`
`vulnclaw config provider <name>`	切换 LLM 提供商	`vulnclaw config provider minimax`
`vulnclaw plugins list`	列出漏洞检测插件	`vulnclaw plugins list --stage discovery`
`vulnclaw plugins info <id>`	查看插件元信息	`vulnclaw plugins info builtin.web.headers`
`vulnclaw plugins run <id>`	运行插件（仅分析传入数据）	`vulnclaw plugins run builtin.web.headers --input headers.json`
`vulnclaw code scan <path>`	本地源码安全扫描（L1 正则 / L2 结构 / L3 LLM 可选）	`vulnclaw code scan ./src --format sarif`

---

方式一：CLI / REPL（默认）

vulnclaw

无参数启动会进入 🦞 交互界面，用自然语言对话：

🦞 vulnclaw> 对 192.168.1.100 进行渗透测试，这是我授权的靶场

[*] 进入自主渗透模式，按 Ctrl+C 可随时中断
── Round 1 ──
  [+] 目标: 192.168.1.100
  [+] 开放端口: 22, 80, 443, 8080
  [+] Web 指纹: Apache/2.4.62
── Round 2 ──
  [+] 发现 /manager/html (Tomcat Manager)
  [+] 命中 CVE-202X-XXXX: Apache Tomcat 认证绕过
── Round 3 ──
  [+] 漏洞验证成功

🦞 192.168.1.100 | 报告> 生成渗透报告
[+] 报告已保存: ./reports/192.168.1.100_20260418.md
[+] PoC 脚本已保存: ./pocs/CVE-202X-XXXX.py

REPL 内置命令：

命令	说明
`target <host>`	设置渗透测试目标
`status`	查看当前状态
`tools`	列出当前可用 MCP 工具
`think on/off`	切换推理过程显示
`persistent`	启动持续性渗透测试
`clear`	清空当前会话
`help`	显示帮助信息
`exit` / `quit` / `q`	退出

自动渗透触发： 输入包含「渗透测试」「找 flag」「爆破」等关键词 + 目标地址时，自动进入多轮自主渗透循环。Ctrl+C 随时中断。

1. 选择提供商（自动填充 Base URL 和模型名）

vulnclaw config provider minimax (或 openai/anthropic/deepseek/zhipu/moonshot/qwen/siliconflow/ollama)

1.2（可选）自定义 Base URL 或模型名

vulnclaw config set llm.base_url https://your-own-api.example.com/v1 vulnclaw config set llm.model your-model-name

核心模块

模块	文件	说明
CLI/TUI 入口	`cli/main.py` + `cli/tui.py`	Typer 命令 + REPL + TUI
Agent 核心	`agent/core.py`	AgentCore 协调入口
求解引擎	`agent/solver.py` + `agent/agent_state.py`	模型主导循环 + AgentState 证据/步骤/完成闸门
推理/反思	`agent/reasoning_state.py` + `reflexion.py`	结构化事实/约束/攻击链 + L0-L4 升级
插件体系	`plugins/`	低耦合漏洞检测插件运行时
Skill 参考索引	`skills/loader.py` + `resolver.py`	只解析相关参考资料，不注入强制流程
MCP 编排	`mcp/registry.py` + `lifecycle.py` + `router.py`	服务注册 + 生命周期 + 工具路由
配置管理	`config/schema.py` + `settings.py`	Pydantic + YAML + 13 Provider 预设
报告生成	`report/generator.py` + `poc_builder.py`	Markdown 报告 + PoC 脚本
安全知识库	`kb/store.py` + `retriever.py`	JSON 存储 + CVE/技术/工具检索

---

Step 2: 加载到 Burp Suite → Extensions → Add → Type: Java → 选择 burp-mcp-all.jar

🇨🇳 中文文档镜像 AI 翻译 2026-05-28

英文原文章节由系统翻译为中文摘要，便于快速理解。完整原文见上方 "📑 README 深度解析"。

📌 简介

VulnClaw 是一款基于 AI 驱动的自动化渗透测试命令行工具。它通过集成大语言模型（LLM）的能力，将传统的渗透测试流程转化为自然语言驱动的智能任务，旨在为安全研究员提供一种全新的、高度自动化的漏洞挖掘与信息收集体验。

⚡ 功能介绍

VulnClaw 支持自然语言驱动，用户只需描述渗透意图，系统即可自动识别阶段并调用工具。它集成了 OpenAI、DeepSeek、智谱、Moonshot 等 8 个主流 LLM Provider，并内置了强大的 MCP 工具链（包含 11 个服务配置和 23 个工具定义）。其核心基于 AI Agent 架构，通过 OpenAI 兼容协议与 Tool Calling 实现自主渗透循环，并预置了 20 个涵盖 CTF Web/Crypto/Misc 及 osint-recon 的专项渗透 Skill。

📋 环境依赖

在使用 VulnClaw 之前，请确保您的 Python 环境已准备就绪。若需使用 Web 相关功能，请通过 `pip install vulnclaw[web]` 命令安装包含 Web 依赖的完整版本。

🛠 安装步骤（Docker/pip/源码）

推荐使用 PyPI 进行快速安装。只需在终端执行 `pip install vulnclaw` 即可完成核心组件的部署。对于需要 Web 界面支持的用户，请务必使用带扩展标签的安装命令。

🚀 使用教程

VulnClaw 的启动流程非常直观：首先通过配置命令设置您的 API Key，随后即可通过命令行直接启动渗透任务。您可以根据需求选择不同的执行模式，从简单的单次任务到复杂的持续性渗透测试，一切尽在掌握。

⚙️ 配置说明（含 MCP / env）

用户可以通过 `vulnclaw config` 命令进行灵活的配置管理。您可以一键切换不同的 LLM Provider（如 minimax, openai, deepseek 等），也可以在 custom 模式下手动设置 `llm.base_url`、`llm.model` 和 `llm.api_key`，以适配各类私有化部署或第三方 API 服务。

🔌 API 说明

VulnClaw 提供强大的 CLI 交互能力。通过 `vulnclaw --help` 可以查看所有可用命令。核心命令包括：`run` 用于一键全流程渗透；`recon` 专注于信息收集阶段；`persistent` 则用于执行持续性渗透测试（支持自定义轮数与周期），并可选择是否自动生成报告。

🔄 工作流/模块

VulnClaw 的架构由多个核心模块组成：`cli/main.py` 作为 Typer REPL 入口处理各类子命令；`agent/core.py` 作为 AgentCore 协调中心，负责任务调度；`agent/prompts.py` 则负责管理动态提示词。整个工作流通过高度集成的 Agent 逻辑，实现了从配置选择到自主执行的闭环管理。

🎯 aiskill88 AI 点评 A 级 2026-05-27

高质量的AI驱动MCP工具，自动化程度高

📚 实用指南（长尾问题）

适合谁

需要让 Claude / Cursor 操作本地工具的 AI 工程师
构建多智能体协作系统的 Agent 开发者
构建企业知识库 / RAG 检索应用的团队

最佳实践

配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
Agent 任务先做 dry-run 验证工具调用链，再开启自主执行

常见错误

API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
embedding 模型与查询模型不一致导致检索失效
Python 依赖冲突：建议用 venv / uv 隔离环境

部署方案

CLI：直接 npm install -g / pip install，命令行调用
云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台

⚡ 核心功能

通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
提供结构化工具调用接口，显著降低 AI 集成复杂度
支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
可与其他 MCP 工具组合叠加，构建完整 AI 工作站
轻量无侵入设计，不影响现有系统架构

👥 适合谁

需要让 Claude / Cursor 操作本地工具的 AI 工程师
构建多智能体协作系统的 Agent 开发者
构建企业知识库 / RAG 检索应用的团队

⭐ 最佳实践

配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
Agent 任务先做 dry-run 验证工具调用链，再开启自主执行

⚠️ 常见错误

API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
embedding 模型与查询模型不一致导致检索失效
Python 依赖冲突：建议用 venv / uv 隔离环境

👥 适合人群

Claude Desktop / Claude Code 用户AI 工具开发者需要扩展 AI 能力的专业人士自动化工程师

🎯 使用场景

在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
将多个 MCP 工具组合使用，构建个人专属 AI 工作站

⚖️ 优点与不足

✅ 优点

+MIT 协议，可免费商用
+标准化 MCP 协议，生态互联性强
+与 Claude 官方生态无缝对接
+即插即用，配置简单快捷

⚠️ 不足

−依赖 Claude 客户端，非 Claude 用户无法使用
−MCP 协议仍在持续演进，接口可能变更
−需要一定的配置步骤

⚠️ 使用须知

AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。

建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。

📄 License 说明

🔗 相关工具推荐

github-mcp-server MCP工具

GitHub官方MCP服务器实现，使AI助手能直接操作GitHub仓库、问题、拉取请求等资源。采用Go语言开发，高性能稳

📰 相关 AI 新闻

AI 前沿资讯：CrankGPT by Squeez Labs - hand…

AI 资讯 · 知识关联

🍿 AI 圈相关吃瓜

AutoGPT 自主完成了任务：把我的文件夹全部重命名了

AI 圈观察

MCP 生态的现状：工具多，能用的少

AI 圈观察

Agent 帮我订了3次机票，全部是同一天的

🗺️ 相关解决方案

ai-workflow-templates

cli

cli-productivity

🧩 你可能还需要

基于当前 Skill 的能力图谱，自动补全的工具组合

AI公司多智能体操作系统

为Claude Code设计的开源MCP工具集，包含108个MCP工具和40+智能体模板。支持多智能体协作编排，提供完整的自主代理框架。适合

natively-cluely-ai-assistant — Claude Skill 中文使用文档

免费开源的AI面试助手，实时转录，隐蔽模式，局部RAG，BYOK。无订阅，防止数据泄露。

multi-agent-shogun Agent工作流

基于Claude的开源多智能体编排系统，采用武士风格架构设计，支持并行任务协调。适合需要构建复杂AI工作流、自动化多步骤任务的开发者和企业用

Redmine MCP服务器

为Redmine项目管理系统设计的生产级MCP服务器，提供安全认证、分页查询和企业级功能。支持AI Agent与Redmine深度集成，适合

❓ 常见问题 FAQ

VulnClaw 是什么工具？−

VulnClaw 是一款Python开发的AI辅助工具。开源MCP工具：基于 AI Agent + MCP 工具链 + 渗透 Skill 编排，配合大语言模型，自然语言输入 → 自动完成「信息收集 → 漏洞发现 → 漏洞利用 →。⭐81 · Python 主要应用场景包括：渗透测试和漏洞利用。

VulnClaw 如何安装和开始使用？+

VulnClaw 是否免费？许可证是什么？+

VulnClaw 适合哪些用户使用？+

VulnClaw 的社区活跃度和项目维护状况如何？+

MCP 是什么？和普通 API 有什么区别？+

我需要编程基础才能使用这个 MCP 工具吗？+

这个工具支持 Claude Code 吗？还是只有 Claude Desktop？+

💡 AI Skill Hub 点评

总体来看，VulnClaw 是一款质量优秀的MCP工具，在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态，建议收藏备用，结合自身场景选择合适时机引入使用。

⬇️ 获取与下载

⬇ 下载源码 ZIP

✅ MIT 协议 · 可免费商用 · 直接从 aiskill88 服务器下载，无需跳转 GitHub

📚 深入学习 VulnClaw

查看分步骤安装教程和完整使用指南，快速上手这款工具

⚙️ 安装教程 📚 使用教程

🌐 原始信息

原始名称	`VulnClaw`
原始描述	开源MCP工具：基于 AI Agent + MCP 工具链 + 渗透 Skill 编排，配合大语言模型，自然语言输入 → 自动完成「信息收集 → 漏洞发现 → 漏洞利用 →。⭐81 · Python
Topics	`aicybersecuritypython`
GitHub	https://github.com/Unclecheng-li/VulnClaw
License	MIT
语言	Python

🔗 原始来源

🐙 GitHub 仓库 https://github.com/Unclecheng-li/VulnClaw

收录时间：2026-05-27 · 更新时间：2026-05-30 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。

📺 订阅 AI Skill Hub Daily Telegram 频道

每天 8 条精选 AI Skill、MCP、Agent 与自动化工具推送

加入频道 →

VulnClaw

📚 深度解析

📋 工具概览

📖 中文文档

简介

特性

快速开始

安装

从 PyPI 安装（推荐）

从源码安装

Docker 运行（可选）

四步启动

使用方式

首次使用：构建 React 前端（需要 Node.js 18+）

Step 1: 启动 Chrome 远程调试

2. 设置 API Key

Step 2: 启用 VulnClaw 配置

Step 4: 启用 VulnClaw 配置

配置管理

命令行配置

可配置项

环境变量

— 或改用 ChatGPT 订阅登录（无需 API Key）：

3. 默认：打开原 CLI / REPL

CLI 命令速查

方式一：CLI / REPL（默认）

1. 选择提供商（自动填充 Base URL 和模型名）

1.2（可选）自定义 Base URL 或模型名

核心模块

Step 2: 加载到 Burp Suite → Extensions → Add → Type: Java → 选择 burp-mcp-all.jar

⚡ 核心功能

👥 适合人群

🎯 使用场景

⚖️ 优点与不足

🔗 相关工具推荐

❓ 常见问题 FAQ

🤖 交给 Agent 安装 · VulnClaw