📄 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🧠 Claude✨ GPT🖥 本地 LLM🕸 采集
暗月AI
⚙️
Agent工作流

暗月AI

基于 Python · 无代码搭建完整 AI 自动化流程
英文名：Dark-Moon
⭐ 388 Stars 🍴 69 Forks 💻 Python 📄 GPL-3.0 🏷 AI 8.0分
8.0AI 综合评分
AI安全自动化测试网络安全
⬇ 下载源码（GPL） ⚙️ 配置说明 📺 TG 频道
✦ AI Skill Hub 推荐

暗月AI 是 AI Skill Hub 本期精选Agent工作流之一。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

暗月AI 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。

暗月AI 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 8.0 分，是同类 Agent 工作流中的精选推荐。

📋 工具概览

自动化AI渗透测试引擎，持续进行攻防安全测试

暗月AI 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
⭐ 388
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
GPL-3.0
AI 综合评分
8.0 分
工具类型
Agent工作流
Forks
69

📖 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AI渗透测试引擎，持续进行攻防安全测试

暗月AI 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
# 方式一：pip 安装（推荐）
pip install dark-moon

# 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 dark-moon

# 方式三：从源码安装（获取最新功能）
git clone https://github.com/ASCIT31/Dark-Moon
cd Dark-Moon
pip install -e .

# 验证安装
python -c "import dark_moon; print('安装成功')"
📋 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
# 命令行使用
dark-moon --help

# 基本用法
dark-moon input_file -o output_file

# Python 代码中调用
import dark_moon

# 示例
result = dark_moon.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
# dark-moon 配置文件示例（config.yml）
app:
  name: "dark-moon"
  debug: false
  log_level: "INFO"

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

# 或通过环境变量配置
export DARK_MOON_API_KEY="your-key"
export DARK_MOON_OUTPUT_DIR="./output"
📑 README 深度解析 真实文档 完整度 55/100 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

DarkMoon Logo

Architecture Overview

User ──> DarkmoonCLI ──> OpenCode (AI Brain) ──> MCP (Security Gatekeeper) ──> Docker Toolbox (Real Tools)
sequenceDiagram participant U as User participant O as OpenCode participant A as AI Agent participant M as MCP Darkmoon participant T as Docker Toolbox U->>O: User prompt O->>A: Delegate task A->>M: MCP function call M->>T: Execute real tool T-->>M: Results M-->>A: Structured output A-->>O: Next decision O-->>U: Summary / result

The AI reasons and plans. The MCP controls what can be executed. The Toolbox runs isolated tools inside Docker. The AI never directly touches the system, this is security by design.

Note: For the full architecture breakdown (deployment diagrams, network flows, security boundaries), see Full Documentation, Architecture.

---

📊 Benchmark: 57 real vulnerabilities on OWASP Juice Shop

Real, reproducible black-box run against OWASP Juice Shop on a local LLM (nothing leaves your infrastructure):

MetricResult
Vulnerabilities found**57** (8 critical / 24 high / 21 medium / 4 low)
Wall-clock time**28.5 min**
Proof-of-exploitationper finding
LLMlocal (Ollama / llama.cpp)

Reproduce it and compare tools yourself: ASCIT31/Darkmoon-Benchmarks.

Prerequisites

  • Docker & Docker Compose
  • An LLM API key (OpenRouter, Anthropic, OpenAI, or local models)
Note: GPU configuration, NVIDIA driver troubleshooting, and advanced environment setup are covered in the Full Documentation, GPU Troubleshooting.

Installation

1. Clone the repository

git clone https://github.com/ASCIT31/Dark-Moon.git
cd Dark-Moon

2. Configure your LLM provider

install.sh handles provider configuration interactively, no need to edit docker-compose.yml:

./install.sh           # skip form if .opencode.env already configured
./install.sh --init    # force reconfiguration (cloud or local model)
./install.sh --help    # show usage

Supports cloud providers (Anthropic, OpenAI, OpenRouter…) and local models (Ollama, llama.cpp).

Note: For full details on environment variables and local model setup, see the Full Documentation, Environment Variables.

3. Build and launch

./install.sh  # Clean install with full stack reset

4. Run your first assessment

./darkmoon.sh "TARGET: example.com"

5. Monitor in real-time

./darkmoon.sh --log <session_id>
Note: Real-time session logs display every command executed by the MCP server. See Full Documentation, Session Logs for details.

---

Quick Start

📖 Documentation Guide

DarkMoon's Full Documentation covers everything you need to operate the platform. Here is a quick reference to the most important sections:

TopicWhat You'll FindLink
**GPU & Driver Setup**NVIDIA troubleshooting for Docker, WSL, and native Linux[GPU Guide](docs/full.md#ii2--darkmoon--gpu-troubleshooting-guide-official)
**Environment Variables**LLM provider configuration, API keys, model selection[Environment Config](docs/full.md#ii3-configuration-of-environment-variables-in-docker-compose)
**Startup & Build**install.sh behavior, docker compose build, stack management[Build & Launch](docs/full.md#ii6-build-and-launch-darkmoon)
**Scope & Flags**TARGET syntax, bug bounty mode, FOCUS/EXCLUDE, credentials[Scope Definition](docs/full.md#ii7c-launch-darkmoon-with-tui-console)
**Assessment Workflow**Step-by-step: discovery, fingerprinting, agents, reporting[Assessment Engine](docs/full.md#ii7d-how-to-use-the-darkmoon-assessment-engine)
**Real-Time Session Logs**Monitor commands executed by the MCP server live[Session Logs](docs/full.md#ii7e-step-1--start-an-assessment)
**AI Agents**Agent structure, lifecycle, how to create or modify agents[AI Agents](docs/full.md#v-ai-agents)
**Architecture**Deployment diagrams, security boundaries, execution flow[Architecture](docs/full.md#iv-architecture)
**Toolbox**Complete tool list, adding tools, Docker image internals[Toolbox](docs/full.md#vi-toolbox)
**MCP Workflows**Workflow structure, creating custom workflows, best practices[MCP Workflows](docs/full.md#vii-mcp-workflows)
**Available Tools List**Full table of 50+ tools with paths and sources[Tools List](docs/full.md#vi10-toolbox-list)
**Training Labs**Recommended vulnerable labs to train DarkMoon[Pentester Labs](docs/full.md#vi11-bonus-pentester-lab-to-train-darkmoon)

---

Use Cases

DarkMoon is designed as a versatile security testing platform for:

  • 🔒 Security teams, run continuous automated penetration testing across your infrastructure
  • ⚙️ DevSecOps pipelines, integrate AI-driven security research into CI/CD workflows
  • 🎯 Bug bounty hunters, accelerate ethical hacking with autonomous target analysis
  • 🔬 Security researchers, explore attack surfaces with an AI cybersecurity platform that adapts in real time
  • 🎓 Training & education, learn offensive security with guided, reproducible assessments

---

Example Prompts

```bash

🆚 How DarkMoon compares

**DarkMoon**strixshannonPentAGI
Runs on **local LLM** (data never leaves)✅❌ cloud❌ cloudpartial
Privacy Gateway (local tokenization)✅❌❌❌
Active Directory + Kubernetes✅❌❌partial
Proof-of-exploitation✅✅✅✅
Open source✅ GPL-3.0✅✅✅

Compiled from public repos/docs (2026-08); corrections welcome via PR.

🎯 aiskill88 AI 点评 A 级 2026-06-18

高质量的自动化AI安全测试工具

📚 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
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
  • 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）
  • MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
  • 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
  • Python 依赖冲突：建议用 venv / uv 隔离环境
部署方案
  • Docker：Dark-Moon 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
Dark-Moon 中文教程Dark-Moon 安装报错怎么办Dark-Moon MCP 配置Dark-Moon Docker 部署Dark-Moon Agent 工作流Dark-Moon 与同类工具对比Dark-Moon 最佳实践Dark-Moon 适合谁用

⚡ 核心功能

👥 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
⭐ 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
  • 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）
  • MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
  • 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
  • +GPL-3.0 协议，可免费商用
  • +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

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

⚠️ GPL 3.0 — 强 Copyleft，衍生作品须开源，含专利保护条款，不可闭源使用。

🔗 相关工具推荐

LangChain AI开发框架
Agent工作流
ai-agents-for-beginners Agent工作流
微软官方开源项目，提供12堂系统课程学习AI智能体框架。涵盖工作流设计、RAG检索增强、多智能体协作等核心技能。适合AI
n8n AI工作流自动化
Agent工作流
LangFlow 可视化AI开发
Agent工作流
📰 相关 AI 新闻
AI 前沿资讯：How many tabs do you currently…
AI 资讯 · 知识关联
ChatGPT 最新动态与实用技巧
AI 资讯 · 知识关联
AI Agent 自主化能力最新进展
AI 资讯 · 知识关联
Anthropic Claude 最新进展
AI 资讯 · 知识关联
🍿 AI 圈相关吃瓜
配了5个 MCP 工具，Claude 一个都没用
AI 圈观察
AutoGPT 自主完成了任务：把我的文件夹全部重命名了
AI 圈观察
Filesystem MCP 帮 Claude 找文件，找了整个 node_modules
AI 圈观察
🗺️ 相关解决方案
mcp
mcp-server-setup
agent
ai-agent-workflow
workflow
ai-workflow-templates
docker
docker-deploy
🧩 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
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。
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
LEANN AI技能包
MCP · Agent · 工作流
Augustus
LLM安全测试框架，检测prompt注入、越狱等
客户支持聊天机器人
基于检索增强的全生产就绪AI客户支持系统
赛博宇宙
Agent · 工作流 · CLI

❓ 常见问题 FAQ

Dark-Moon 是一款Python开发的AI辅助工具。开源AI工作流：Autonomous AI pentesting engine performing continuous offensive security across 。⭐388 · Python 主要应用场景包括：自动化安全测试和漏洞检测。
💡 AI Skill Hub 点评

经综合评估，暗月AI 在Agent工作流赛道中表现稳健，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。

⬇️ 获取与下载
⬇ 下载源码（GPL）
⚠️ 本工具使用 GPL-3.0 协议。您可以自由下载和使用，但衍生作品必须以相同协议开源，不可商业闭源。使用前请确认符合协议要求。
📚 深入学习 暗月AI
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 Dark-Moon
原始描述 开源AI工作流：Autonomous AI pentesting engine performing continuous offensive security across 。⭐388 · Python
Topics AI安全自动化测试网络安全
GitHub https://github.com/ASCIT31/Dark-Moon
License GPL-3.0
语言 Python
🔗 原始来源
🐙 GitHub 仓库  https://github.com/ASCIT31/Dark-Moon 🌐 官方网站  https://dark-moon.org/

收录时间：2026-06-18 · 更新时间：2026-06-20 · License：GPL-3.0 · 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 →