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。
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。
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。
# 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')"
# 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)
# 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"
<img src="assets/banner.png" alt="AutoHunter" width="880">
| 🤝 **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 |
---
[!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
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
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
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
}
---
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>
---
| 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 auto | auto / 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。
---
高效的SRC漏洞挖掘工具,自动化程度高
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。
📄 NOASSERTION — 请查阅原始协议条款了解具体使用限制。
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。
| 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 |
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。