能力标签
对手图谱
⚙️
Agent工作流

对手图谱

基于 HTML · 无代码搭建完整 AI 自动化流程
英文名:adversarygraph
⭐ 8 Stars 🍴 2 Forks 💻 HTML 📄 NOASSERTION 🏷 AI 8.5分
8.5AI 综合评分
ai-securityatt-ck-navigatorattack-mapping
✦ AI Skill Hub 推荐

AI Skill Hub 强烈推荐:对手图谱 是一款优质的Agent工作流。AI 综合评分 8.5 分,在同类工具中表现稳健。如果你正在寻找可靠的Agent工作流解决方案,这是一个值得深入了解的选择。

📚 深度解析

对手图谱 是一套完整的 AI Agent 自动化工作流方案。随着 AI 能力的不断提升,基于 Agent 的自动化工作流正在成为提升个人和团队效率的核心方式。区别于传统的 RPA 自动化(模拟鼠标键盘操作),AI Agent 工作流通过理解任务意图、动态规划执行路径,能够处理更复杂的非结构化任务。

对手图谱 工作流的设计遵循"最小配置,最大复用"原则:核心逻辑已经封装好,用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制,在网络波动或 API 限速等情况下仍能稳定运行,适合作为生产环境的自动化基础设施。

在实际部署时,建议先在测试环境中运行 3-5 次,验证各个环节的输出结果符合预期,再部署到生产环境。AI Skill Hub 评分 8.5 分,是同类 Agent 工作流中的精选推荐。

📋 工具概览

AI驱动的MITRE ATT&CK威胁情报平台

对手图谱 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排,将复杂的多步骤任务拆解为清晰的自动化流程,实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成,适合构建数据处理管线、业务自动化和 AI 辅助决策系统。

GitHub Stars
⭐ 8
开发语言
HTML
支持平台
Windows / macOS / Linux
维护状态
轻量级项目,按需更新
开源协议
NOASSERTION
AI 综合评分
8.5 分
工具类型
Agent工作流
Forks
2

📖 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MITRE ATT&CK威胁情报平台

对手图谱 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排,将复杂的多步骤任务拆解为清晰的自动化流程,实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成,适合构建数据处理管线、业务自动化和 AI 辅助决策系统。

📌 核心特色
  • 可视化 Agent 工作流编排,无需编写复杂代码
  • 支持多步骤自动化任务链,实现全流程无人值守
  • 与外部 API、数据库和第三方服务无缝集成
  • 内置错误处理与自动重试机制,保障稳定运行
  • 提供可复用的自动化模板,快速在同类场景部署
🎯 主要使用场景
  • 自动化日常重复性工作,将精力集中于创造性任务
  • 构建数据采集 → 处理 → 输出的完整自动化管线
  • 实现跨平台、跨系统的数据流转和业务协同
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
# 克隆仓库
git clone https://github.com/anpa1200/adversarygraph
cd adversarygraph

# 查看安装说明
cat README.md

# 按 README 完成环境依赖安装后即可使用
📋 安装步骤说明
  1. 访问 GitHub 仓库获取工作流文件
  2. 在对应平台(Dify / Flowise / Make 等)中找到「导入工作流」功能
  3. 上传工作流文件
  4. 按照提示配置必要的环境变量和 API Key
  5. 运行测试确认流程正常后投入使用
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
# 查看帮助
adversarygraph --help

# 基本运行
adversarygraph [options] <input>

# 详细使用说明请查阅文档
# https://github.com/anpa1200/adversarygraph
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
# adversarygraph 配置说明
# 查看配置选项
adversarygraph --config-example > config.yml

# 常见配置项
# output_dir: ./output
# log_level: info
# workers: 4

# 环境变量(覆盖配置文件)
export ADVERSARYGRAPH_CONFIG="/path/to/config.yml"
📑 README 深度解析 真实文档 完整度 26/100 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。

AdversaryGraph

AdversaryGraph AI banner

Self-hosted AI-assisted CTI-to-detection workbench for ATT&CK mapping, hypothesis-driven threat hunting, Threat Radar early warning, Evidence-to-Detection Graph reasoning, IOC enrichment, CVE Library correlation, malware-analysis triage, asset attack-surface review, Attack Simulation, and SIEM validation.

CI Candidate Security policy Roadmap License

Latest stable release: v7.0.0.

Current source candidate: v8.0.0-beta.1. This manual-testing prerelease adds the deterministic Report Review Gate, durable research/workflow authority, transactional outbox and receipt fencing, formal Alembic migration gates, promotion-bound downstream evidence, and end-to-end worker/orchestrator integration. See the v8 beta release notes, release summary, and release readiness guide.

The beta is not the latest stable release and is not a production-readiness claim. Immutable beta artifacts exist only after the protected v8.0.0-beta.1 tag workflow builds, scans, publishes, and verifies the complete image family and attaches adversarygraph-images.env. After manual acceptance, stability fixes and a fresh full gate will produce a separate immutable v8.0.0 commit and tag; the beta tag will never be moved.

MalwareGraph dependency security notice

On 2026-08-08, development builds exposed a high-severity denial-of-service advisory in nanoid (GHSA-2v37-7h3g-55p8) and an affected PostCSS pin (GHSA-fxqj-rqcc-2cmp). Pull request #30, included in v7, updates nanoid to 3.3.18 and PostCSS to 8.5.26 while retaining npm audit --audit-level=high as a blocking image-build check.

Older source Dockerfiles resolve MalwareGraph from a moving upstream branch, so tag history alone cannot prove the dependency contents of a locally rebuilt image. Current-source operators should pull the release commit, rebuild MalwareGraph without cache, and retain the successful audit output:

git pull --ff-only origin main
docker compose build --no-cache malwaregraph
docker compose up -d malwaregraph

The client now uses React Router 7, and the reviewed lockfile passes the required npm audit. Treat that as point-in-time release evidence and repeat the audit for every candidate; see Security Policy.

Quick Start

git clone https://github.com/anpa1200/adversarygraph.git
cd adversarygraph
cp .env.example .env

Edit .env and set strong local secrets. AI features are optional for the base platform. To use them, configure an approved local OpenAI-compatible endpoint or an operator-approved cloud provider as described in the relevant guide.

docker compose config --quiet
docker compose pull
docker compose up -d --build
./scripts/selftest.sh

This checkout is a source-build installation. Its custom adversarygraph-*:local-scan images are built locally; docker compose pull only refreshes pinned third-party runtime images and intentionally skips those build targets. Do not replace the custom image variables with mutable latest tags. A prebuilt production deployment from current-development source requires all eight immutable image digests from the exact release's adversarygraph-images.env attachment; the historical v6.0.0 release does not contain that complete artifact set. The eighth family is the isolated scanner MCP image. Use a manifest only after the matching tag workflow publishes and verifies that complete artifact set. The self-test waits up to fifteen minutes for first-boot ATT&CK/ATLAS reference ingestion; override this with SELFTEST_TIMEOUT when operating across a slower network.

Open:

  • Frontend: http://localhost:3000
  • API liveness: http://localhost:3000/api/health
  • API readiness: http://localhost:3000/api/ready
  • API docs: http://localhost:3000/docs

The default Compose deployment binds the public UI and reference docs to localhost and keeps the API, Redis, malware-analysis service, and lab fixtures on the internal Compose network. Local configuration is stored in .env; the default persistent database is ${ADVERSARYGRAPH_DB_DIR:-./data/postgres}. See local storage and permissions before deleting data directories or Docker volumes.

🇨🇳 中文文档镜像 AI 翻译 2026-06-18
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

AdversaryGraph 是一个基于 AI 驱动的威胁情报(CTI)转检测工作台。它专门用于 MITRE ATT&CK 映射与检测缺口分析(Detection-gap analysis),旨在帮助安全分析师通过 AI 技术将非结构化的威胁情报高效转化为结构化的攻击图谱,从而识别防御体系中的薄弱环节。

⚡ 功能介绍

本项目提供强大的可视化与分析能力:Navigator 模块支持完整的 ATT&CK/ATLAS 矩阵(涵盖 Enterprise, Mobile, ICS 等),并利用 D3.js 实现缩放与双层着色功能;Threat Actor Library 内置了 MITRE ATT&CK 威胁组织、别名及战役(Campaign)关系库;AI Analysis 模块支持上传 PDF/DOCX/TXT 或直接粘贴文本,通过流式 LLM 提取关键信息。

📋 环境依赖

在开始使用前,请确保您的系统已安装 Docker 及 Docker Compose (v2)。此外,您需要准备一个云端 LLM 供应商的 API key(如 Claude 或 OpenAI),或者配置一个支持 OpenAI 兼容协议的本地 LLM 端点(如 Ollama 或 vLLM)以实现本地化部署。

🛠 安装步骤(Docker/pip/源码)

项目采用容器化部署方式。首先通过 git clone 克隆仓库并进入目录,随后通过复制 .env.example 生成配置文件。最后使用 Docker Compose 进行环境构建与启动,确保所有依赖服务(包括数据库与 API 服务)能够自动编排运行。

🚀 使用教程

项目提供 Quick Start 快速入门指南。用户可以通过 Navigator 界面进行交互式探索,利用 AI 分析功能处理威胁情报文档,并结合 Reference Book 进行精确的 TTP 交叉引用,实现从情报输入到检测映射的完整闭环。

⚙️ 配置说明(含 MCP / env)

部署前需编辑 .env 文件以配置环境变量。您可以填入 ANTHROPIC_API_KEY、OPENAI_API_KEY 或 GEMINI_API_KEY 等云端密钥。若使用本地模型,请配置 LOCAL_LLM_BASE_URL(例如指向 host.docker.internal:11434)并设置相应的 MODEL 名称,以确保容器内服务能正确访问本地 LLM。

🔌 API 说明

AdversaryGraph 集成了 Anomaly Detection Atlas 作为独立的 Docker 服务。通过侧边栏的 Reference Book,用户可以访问完整的文档站点,系统会自动加载 ttp-reference-index.json 实现与原文段落或表格的精确匹配。此外,系统提供 API 接口(如 /api/sync/trigger)用于触发数据同步任务。

🎯 aiskill88 AI 点评 A 级 2026-06-18

高质量的AI安全工作流平台

📚 实用指南(长尾问题)
适合谁
  • 构建多智能体协作系统的 Agent 开发者
最佳实践
  • 生产部署优先使用 Docker Compose 隔离依赖,并挂载 volume 持久化数据
  • 本地部署优先选 GGUF 量化模型,节省显存并保持响应速度
  • 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)
  • 容器内无法访问宿主机 localhost — 使用 host.docker.internal
  • 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
部署方案
  • Docker:adversarygraph 提供官方镜像,docker compose up 一键启动
  • CLI:直接 npm install -g / pip install,命令行调用
  • 本地部署:CPU 8GB 起,GPU 推荐 16GB+ 显存
  • 云端托管:可放在 Vercel / Railway / Fly.io 等 PaaS 平台
相关搜索
adversarygraph 中文教程adversarygraph 安装报错怎么办adversarygraph Docker 部署adversarygraph Agent 工作流adversarygraph 与同类工具对比adversarygraph 最佳实践adversarygraph 适合谁用

⚡ 核心功能

👥 适合谁
  • 构建多智能体协作系统的 Agent 开发者
⭐ 最佳实践
  • 生产部署优先使用 Docker Compose 隔离依赖,并挂载 volume 持久化数据
  • 本地部署优先选 GGUF 量化模型,节省显存并保持响应速度
  • 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)
  • 容器内无法访问宿主机 localhost — 使用 host.docker.internal
  • 显存不足直接 OOM — 优先降低 context 或换更小的量化模型

👥 适合人群

自动化工程师和运维人员项目经理和业务分析师希望减少重复性工作的专业人士数字化转型团队

🎯 使用场景

  • 自动化日常重复性工作,将精力集中于创造性任务
  • 构建数据采集 → 处理 → 输出的完整自动化管线
  • 实现跨平台、跨系统的数据流转和业务协同

⚖️ 优点与不足

✅ 优点
  • +大幅减少重复性人工操作
  • +可视化流程,清晰直观
  • +可扩展性强,支持复杂场景
⚠️ 不足
  • 初始配置和调试需投入一定时间
  • 强依赖外部服务的稳定性
  • 复杂场景需具备一定技术基础
⚠️ 使用须知

该工具使用 NOASSERTION 协议,商用场景请仔细阅读协议条款,必要时咨询法律意见。

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

📄 NOASSERTION — 请查阅原始协议条款了解具体使用限制。

🔗 相关工具推荐

📰 相关 AI 新闻
🍿 AI 圈相关吃瓜
🗺️ 相关解决方案
🧩 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

❓ 常见问题 FAQ

adversarygraph 是一款HTML开发的AI辅助工具。开源AI工作流:AI-powered MITRE ATT\&CK threat intelligence platform — D3.js navigator, APT com。⭐8 · HTML 主要应用场景包括:威胁情报分析。
💡 AI Skill Hub 点评

总体来看,对手图谱 是一款质量优秀的Agent工作流,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
📚 深入学习 对手图谱
查看分步骤安装教程和完整使用指南,快速上手这款工具
🌐 原始信息
原始名称 adversarygraph
原始描述 开源AI工作流:AI-powered MITRE ATT\&CK threat intelligence platform — D3.js navigator, APT com。⭐8 · HTML
Topics ai-securityatt-ck-navigatorattack-mapping
GitHub https://github.com/anpa1200/adversarygraph
License NOASSERTION
语言 HTML
🔗 原始来源
🐙 GitHub 仓库  https://github.com/anpa1200/adversarygraph 🌐 官方网站  https://1200km.com/threatmapper/

收录时间:2026-06-18 · 更新时间:2026-06-20 · License:NOASSERTION · 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 →