能力标签
自动化SRC漏洞挖掘
🛠
AI工具

自动化SRC漏洞挖掘

基于 Python · 开源免费,本地部署,数据完全自主可控
英文名:AutoHunter
⭐ 20 Stars 🍴 7 Forks 💻 Python 📄 NOASSERTION 🏷 AI 8.0分
8.0AI 综合评分
SRC漏洞挖掘FOFA资产测绘LLM
✦ AI Skill Hub 推荐

自动化SRC漏洞挖掘 是 AI Skill Hub 本期精选AI工具之一。综合评分 8.0 分,整体质量较高。我们强烈推荐将其纳入你的 AI 工具库,帮助提升工作效率。

📚 深度解析

自动化SRC漏洞挖掘 是一款基于 Python 的开源工具,在 GitHub 上收获 0k+ Star,是SRC漏洞挖掘、FOFA资产测绘、LLM领域中的优质开源项目。开源工具的最大优势在于代码完全透明,你可以审计每一行代码的安全性,也可以根据自身需求进行二次开发和定制。

**为什么要使用开源工具而非商业 SaaS?**
对于个人开发者和有隐私需求的用户,本地部署的开源工具意味着数据不离本机,不受第三方服务商的数据政策约束。同时,开源工具通常没有使用次数限制和月度费用,一次安装即可长期使用,对于高频使用场景的总拥有成本(TCO)远低于订阅制商业工具。

**安装与环境准备**
自动化SRC漏洞挖掘 依赖 Python 运行环境。建议通过 pyenv(Python)或 nvm(Node.js)管理 Python 版本,避免全局环境污染。对于新手用户,推荐先创建虚拟环境(python -m venv venv && source venv/bin/activate),再安装依赖,这样即使出现问题也可以随时删除虚拟环境重新开始,不影响系统稳定性。

**社区与维护**
GitHub Issue 和 Discussion 是获取帮助的最快渠道。在提问前建议先检查 Closed Issues(已关闭的问题),大多数常见问题都已有解答。遇到 Bug 时,提供 pip list 的输出、完整错误堆栈和最小可复现示例,能显著提高开发者响应速度。AI Skill Hub 将持续追踪 自动化SRC漏洞挖掘 的版本更新,及时通知重要功能变化。

📋 工具概览

自动化SRC漏洞挖掘系统,FOFA资产测绘+LLM多worker自主挖掘/审核/情报沉淀

自动化SRC漏洞挖掘 是一款基于 Python 开发的开源工具,专注于 SRC漏洞挖掘、FOFA资产测绘、LLM 等核心功能。作为 GitHub 开源项目,它拥有活跃的社区支持和持续的版本迭代,代码完全透明可审计,支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流,都能提供稳定可靠的解决方案。

GitHub Stars
⭐ 20
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
NOASSERTION
AI 综合评分
8.0 分
工具类型
AI工具
Forks
7

📖 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」。

自动化SRC漏洞挖掘系统,FOFA资产测绘+LLM多worker自主挖掘/审核/情报沉淀

自动化SRC漏洞挖掘 是一款基于 Python 开发的开源工具,专注于 SRC漏洞挖掘、FOFA资产测绘、LLM 等核心功能。作为 GitHub 开源项目,它拥有活跃的社区支持和持续的版本迭代,代码完全透明可审计,支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流,都能提供稳定可靠的解决方案。

📌 核心特色
  • 开源免费,支持本地部署,数据完全自主可控
  • 活跃的 GitHub 开源社区,持续迭代更新
  • 提供详细文档和使用示例,新手友好
  • 支持自定义配置,灵活适配不同使用环境
  • 可作为基础组件集成进现有技术栈或进行二次开发
🎯 主要使用场景
  • 本地部署运行,保护数据隐私,满足合规要求
  • 自定义集成到现有系统,扩展技术栈能力
  • 作为开源基础组件进行商业化二次开发
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:pip 安装(推荐)
pip install autohunter

# 方式二:虚拟环境安装(推荐生产环境)
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install autohunter

# 方式三:从源码安装(获取最新功能)
git clone https://github.com/StanleyNull/AutoHunter
cd AutoHunter
pip install -e .

# 验证安装
python -c "import autohunter; print('安装成功')"
📋 安装步骤说明
  1. 访问 GitHub 仓库页面
  2. 按照 README 文档完成依赖安装
  3. 根据系统环境完成初始化配置
  4. 参考官方示例或文档开始使用
  5. 遇到问题可在 GitHub Issues 中查找解答
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
# 命令行使用
autohunter --help

# 基本用法
autohunter input_file -o output_file

# Python 代码中调用
import autohunter

# 示例
result = autohunter.process("input")
print(result)
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
# autohunter 配置文件示例(config.yml)
app:
  name: "autohunter"
  debug: false
  log_level: "INFO"

# 运行时指定配置文件
autohunter --config config.yml

# 或通过环境变量配置
export AUTOHUNTER_API_KEY="your-key"
export AUTOHUNTER_OUTPUT_DIR="./output"
📑 README 深度解析 真实文档 完整度 56/100 含工作流图 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

<img src="assets/banner.png" alt="AutoHunter" width="880">

功能亮点

🤝 **多 Agent 协同**Collector / Worker / Reviewer / 通杀 / 扩大危害 全流水线自动跑
🌙 **24×7 无人值守**挂机过夜,重启自动续跑;你醒来只做复审决策
🔧 **真实工具链挖洞**容器内置 nmap · nuclei · sqlmap · httpx · whatweb,LLM 真实发包/执行,不是纸上谈兵
🧪 **极理性 AI 初审**只认「实际可利用 + 实锤危害」,过滤半成品,减少无效人工复审
🏫 **归属离线反查**按 IP/域名离线查所属高校,自动填报告归属单位 + EduSRC 提交 JSON
💥 **通杀 Hunter**出洞后自动分析能否「一打一片」,实打多个同款站点验证
🧠 **情报沉淀复用**验证过的凭证/端点/指纹入全局情报库,后续 Worker 直接复用
🛡️ **内置 WAF + 鉴权**应用层 WAF 默认开启,多角色访问令牌(全权/只读/观摩)
💾 **数据库备份**设置页一键下载/恢复 SQLite(在线一致快照),可选打包工作目录,服务器定时留快照

---

快速开始

[!TIP] 全程基于 Docker + Docker Compose v2,任意装得上 Docker 的系统都能跑。生产环境推荐 Linux(2C4G 起步,磁盘 ≥ 20G)。

```bash

1. 装 Docker(官方一键脚本,已装可跳过)

curl -fsSL https://get.docker.com | sh && sudo systemctl enable --now docker sudo usermod -aG docker $USER && newgrp docker # 免 sudo,重登生效

2. 拉代码 + 一键部署(交互式引导:填 LLM/FOFA Key → 自动生成令牌 → 构建启动)

git clone https://github.com/StanleyNull/AutoHunter.git autohunter && cd autohunter bash scripts/install.sh


引导脚本会:检查 Docker → 引导填 **LLM API Key**(必填)、**FOFA Key**(推荐)→ 自动生成高强度访问令牌 → 构建镜像并启动 → 打印访问地址和令牌。

> 首次构建会编译前端 + 安装挖洞工具,约 **5–15 分钟**,请耐心等待。构建完浏览器访问 `http://<服务器IP>:18800/`,用打印出的令牌登录。

**开放端口**(默认 18800,云服务器还需在厂商安全组放行):
bash sudo ufw allow 18800/tcp # Ubuntu/Debian sudo firewall-cmd --permanent --add-port=18800/tcp && sudo firewall-cmd --reload # CentOS/RHEL

<details>
<summary><b>🪟 Windows(Docker Desktop + WSL2)</b></summary>

<br>

1. 管理员 PowerShell 装 WSL2:**必须装一个 Linux 发行版**(推荐 Ubuntu)。执行 `wsl --install`(或 `wsl --install -d Ubuntu`),装完重启。只开 Docker Desktop 自带的 `docker-desktop` 不够。
2. 装 [Docker Desktop](https://www.docker.com/products/docker-desktop/),安装勾选 “Use WSL 2 based engine”。打开 **Settings → Resources → WSL Integration**,打开集成并**勾选 Ubuntu**。
3. 在 **Ubuntu 终端**(不要用空的 WSL 壳)里:
   
bash git clone https://github.com/StanleyNull/AutoHunter.git autohunter && cd autohunter bash scripts/install.sh
4. 访问 `http://localhost:18800/`。

> 💡 代码放在 **WSL 文件系统内**(如 `~/autohunter`)比放 `C:\` 挂载盘性能好很多。只用 PowerShell 的话走下方手动部署。
>
> 国内拉 `node` / `python` 基础镜像失败时,在 Docker Desktop → Docker Engine 自行配置 `registry-mirrors`(第三方加速地址经常失效,不要写死进项目)。
>
> 仓库脚本已强制 LF。若你是从 zip 解压到 Windows 再 build,镜像构建时会自动去掉 `\r`,不必再手动 dos2unix。

</details>

<details>
<summary><b>🍎 macOS(Docker Desktop)</b></summary>

<br>

1. 装 [Docker Desktop for Mac](https://www.docker.com/products/docker-desktop/)(Apple Silicon / Intel 均支持)并启动。
2. `git clone https://github.com/StanleyNull/AutoHunter.git autohunter && cd autohunter && bash scripts/install.sh`
3. 访问 `http://localhost:18800/`。

</details>

<details>
<summary><b>🔧 手动部署(不用 install.sh)</b></summary>

<br>
bash cp .env.example .env

运维与长期运行

常用命令

docker compose logs -f autohunter     # 实时日志
docker compose restart autohunter     # 重启
docker compose down                    # 停止(数据保留在 volume)
docker compose up -d --build           # 更新代码后重建

数据持久化在 Docker volume:ah_data(SQLite + 漏洞证据)、ah_work(Worker 临时工作区)。升级/重启不丢数据。

备份 / 迁移:设置页「数据备份」可导出一致的 SQLite 快照(可选打包工作目录)并上传恢复,这是主路径。服务器默认不自动堆快照;若点「在服务器覆盖留一份」,只覆盖 data/backups/autohunter-latest.db.gz 这一份,空间不够会拒绝以免把库盘写满。不要用 cp autohunter.db 当备份——WAL 模式下直接拷文件很容易拷到半截库。

开机自启docker compose up -d 的容器默认 restart: unless-stopped,崩溃/重启会自动拉起。若想托管给 systemd:

<details> <summary><b>systemd unit 示例</b></summary>

<br>

sudo tee /etc/systemd/system/autohunter.service >/dev/null <<EOF
[Unit]
Description=AutoHunter
Requires=docker.service
After=docker.service

[Service]
Type=oneshot
RemainAfterExit=yes
WorkingDirectory=$(pwd)
ExecStart=/usr/bin/docker compose up -d --build
ExecStop=/usr/bin/docker compose down

[Install]
WantedBy=multi-user.target
EOF

sudo systemctl daemon-reload && sudo systemctl enable --now autohunter

</details>

反向代理 + HTTPS(可选,生产推荐):前面挂 Nginx/Caddy 做域名 + TLS,把 AUTOHUNTER_HOST_PORT 只绑 127.0.0.1 不对公网直接暴露。Caddy 示例:

hunt.example.com {
    reverse_proxy 127.0.0.1:18800
}

---

编辑 .env:至少填 LLM_API_KEY;建议填 FOFA_KEY 和 AUTOHUNTER_API_TOKEN

vim .env

docker compose up -d --build docker compose logs -f autohunter # 看启动日志 ```

启动后访问 http://<服务器IP>:18800/,用 .env 里设置的 AUTOHUNTER_API_TOKEN 登录。

</details>

---

必填与推荐配置

变量必填说明获取方式
LLM_API_KEY✅ **必填**大模型 API Key,平台核心[DeepSeek](https://platform.deepseek.com/) / OpenAI / Claude / 通义 / Kimi 等
LLM_BASE_URL默认 DeepSeek模型接口地址(OpenAI 兼容一般含 /v1默认 https://api.deepseek.com/v1
LLM_MODEL默认 deepseek-chat模型名(推荐支持 tool calling;不支持也能用,见 AUTOHUNTER_TOOL_COMPAT按厂商填写
LLM_PROTOCOL默认 autoauto / openai_chat / anthropic_messages控制台「设置」也可改
AUTOHUNTER_TOOL_COMPAT默认 auto工具调用兼容:auto 原生优先、硬报错自动切提示词模拟;prompt 强制模拟(哑模型用);native 仅原生模型不支持 function calling 时改 prompt
FOFA_KEY⭐ 推荐资产测绘,自动搜集目标[FOFA 个人中心](https://fofa.info/)
FOFA_BASE_URL可选自定义 FOFA API 端点(私有/镜像/代理)默认 https://fofa.info
AUTOHUNTER_API_TOKEN⭐ 强烈建议控制台全权限令牌,**不设则任何人可访问**install.sh 自动生成,或自填随机串
AUTOHUNTER_HOST_PORT默认 18800对外访问端口按需
其余参数(Worker 预算、并发、超时、WAF 等)都有合理默认,见 .env.example 注释按需微调。 也支持不填 .env、直接在控制台「设置」页填 LLM/FOFA Key——存进数据库,优先级高于 .env

---

🎯 aiskill88 AI 点评 A 级 2026-07-02

高效的SRC漏洞挖掘工具,自动化程度高

📚 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
  • 跨境业务、多语言内容运营团队
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
  • 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
  • Python 依赖冲突:建议用 venv / uv 隔离环境
部署方案
  • Docker:AutoHunter 提供官方镜像,docker compose up 一键启动
  • 云端托管:可放在 Vercel / Railway / Fly.io 等 PaaS 平台
相关搜索
AutoHunter 中文教程AutoHunter 安装报错怎么办AutoHunter Docker 部署AutoHunter Agent 工作流AutoHunter 与同类工具对比AutoHunter 最佳实践AutoHunter 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
  • 跨境业务、多语言内容运营团队
⭐ 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
  • 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
  • Python 依赖冲突:建议用 venv / uv 隔离环境

👥 适合人群

AI 技术爱好者研究人员和学生开发者和工程师技术创业者

🎯 使用场景

  • 本地部署运行,保护数据隐私,满足合规要求
  • 自定义集成到现有系统,扩展技术栈能力
  • 作为开源基础组件进行商业化二次开发

⚖️ 优点与不足

✅ 优点
  • +完全开源免费,无授权费用
  • +本地部署,数据完全自主可控
  • +开发者社区支持,遇问题可查可问
⚠️ 不足
  • 安装和初始配置可能需要一定技术基础
  • 功能完整性通常不如成熟商业产品
  • 技术支持主要依赖开源社区,响应速度不稳定
⚠️ 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

📚 相关教程推荐
📰 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

AutoHunter 是一款Python开发的AI辅助工具。开源AI工具:自动化 SRC 漏洞挖掘系统:FOFA 资产测绘 + LLM 多 worker 自主挖掘/审核/情报沉淀。Powered By StanleyNull。⭐20 · Python 主要应用场景包括:SRC漏洞自动化挖掘。
💡 AI Skill Hub 点评

经综合评估,自动化SRC漏洞挖掘 在AI工具赛道中表现稳健,质量优秀。如果你已有明确的使用需求,可以直接上手体验;如果还在评估阶段,建议对比同类工具后再做决策。

📚 深入学习 自动化SRC漏洞挖掘
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 AutoHunter
原始描述 开源AI工具:自动化 SRC 漏洞挖掘系统:FOFA 资产测绘 + LLM 多 worker 自主挖掘/审核/情报沉淀。Powered By StanleyNull。⭐20 · Python
Topics SRC漏洞挖掘FOFA资产测绘LLM
GitHub https://github.com/StanleyNull/AutoHunter
License NOASSERTION
语言 Python
🔗 原始来源
🐙 GitHub 仓库  https://github.com/StanleyNull/AutoHunter

收录时间:2026-07-02 · 更新时间:2026-07-03 · 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 →