Nightcrawler：离线运行在手机的AI安全测试Agent

完全自主运行在智能手机上的渗透测试智能体

一个完全在智能手机上运行的自主渗透测试智能体。将手机放在网络上然后离开，它会发现主机、绘制服务地图、发现漏洞并生成渗透测试报告——全程不需要云连接。

 ░█▄░█ █ █▀▀ █░█ ▀█▀ █▀▀ █▀█ ▄▀█ █░█░█ █░░ █▀▀ █▀█
 ░█░▀█ █ █▄█ █▀█ ░█░ █▄▄ █▀▄ █▀█ ▀▄▀▄▀ █▄▄ ██▄ █▀▄  v0.1.0

 AUTONOMOUS MOBILE PENTEST AGENT
 OnePlus 8 · NetHunter · LFM2.5-1.2B · OpenCL GPU

渗透测试（pentesting）是通过模拟攻击来测试计算机网络安全的做法——需要得到网络所有者的明确许可。专业的渗透测试人员被聘用来在真正的攻击者之前发现漏洞。

Nightcrawler 在手机上实现了这一过程的自动化。它使用一个小型 AI 模型（LFM2.5-1.2B-Instruct-Heretic，12 亿参数）在手机的 GPU 上本地运行，用来决定下一步该做什么——应该探测哪台主机、使用哪个工具、查找什么。不需要互联网连接或云 API。

▶️ 在 Instagram 上观看 Nightcrawler 的实际演示

WiFi 入侵（可选）

如果在没有 WiFi 的情况下部署，它可以自主使用外部 USB WiFi 适配器破解 WPA2 网络

侦察

使用隐蔽扫描发现网络上的设备

枚举

探测发现的服务（web 服务器、文件共享、SSH、DNS 等）

利用

测试已知漏洞和默认凭证

报告

生成结构化的渗透测试报告，包含发现和修复建议

该智能体的运作方式像一个耐心的人工渗透测试人员——它在主机间轮换，每次只执行一个小操作，逐渐在数小时内建立知识库。这使得它比传统漏洞扫描工具（一次性轰炸所有主机）更难被检测。

┌──────────────────────────────────────────────────────────┐
│                   PHONE (OnePlus 8)                       │
│                                                           │
│  ┌─────────────┐     ┌──────────────────┐                │
│  │  LFM2.5     │     │  Agent Loop      │                │
│  │  1.2B model │◄───►│  (main.py)       │                │
│  │  on GPU     │     │  Decides what     │                │
│  │  (:8080)    │     │  to do next       │                │
│  └─────────────┘     └────────┬─────────┘                │
│                               │                           │
│                      ┌────────▼─────────┐                │
│                      │  Scope Proxy     │  ← Safety layer │
│                      │  Validates every │    Blocks out-  │
│                      │  command before  │    of-scope     │
│                      │  execution       │    actions      │
│                      └────────┬─────────┘                │
│                               │                           │
│                      ┌────────▼─────────┐                │
│                      │  Kali MCP Server │  ← Runs the    │
│                      │  nmap, curl,     │    actual       │
│                      │  smbclient, ...  │    commands     │
│                      └──────────────────┘                │
│                                                           │
│  ┌──────────────────┐  ┌──────────────────┐              │
│  │  Web Dashboard   │  │  SQLite DB       │              │
│  │  (:8888)         │  │  Hosts, vulns,   │              │
│  │  Monitor & steer │  │  creds, commands │              │
│  └──────────────────┘  └──────────────────┘              │
└──────────────────────────────────────────────────────────┘

完整系统设计见 docs/ARCHITECTURE.md。

特性

完全自主——运行期间无人工干预

100% 本地推理——AI 在手机的 GPU 上运行，不需要云

范围强制——双层防御防止超范围操作

隐蔽优先——扫描速率慢、主机轮换、掩护流量、仅使用 nmap -T2

27 个利用剧本——自动执行的多步攻击链

24,956 条 CVE 数据库——版本感知的漏洞匹配

Web 仪表板——实时监控、主机管理、C2 控制

WiFi 破解模式——使用 USB 适配器的自主 WPA2 破解（Pwnagotchi 启发）

被动发现——mDNS/NBNS/DHCP/ARP 广播的后台捕获

多网络——数据按网络隔离，通过 MAC 键控主机存活 DHCP 变更

自我修复——垃圾检测、上下文重置、看门狗、卡死检测

训练捕获——记录成功交互供未来模型微调

报告生成——可下载的渗透测试报告，包含漏洞、利用链和修复步骤

完整特性参考见 docs/FEATURES.md。

需求

带有 Kali NetHunter 的 Android 手机（在 OnePlus 8、Snapdragon 865 上测试）

通过 Magisk 获得 Root 访问权限

12GB+ RAM（模型使用约 1.3GB，Android 使用约 4GB，剩余供工具使用）

用于离线 WiFi 破解模式的 USB WiFi 适配器（推荐 Ralink RT3572）

支持监听模式的自定义内核（build guide）

NVIDIA AGX 用于通过 Tailscale 卸载到更大的模型

所有推理通过 Adreno 650 GPU 上的 OpenCL 执行：

注意：Android 在电池供电时会限流 GPU（6 倍减速）。Nightcrawler 包含一个 GPU 调速守护程序，可强制最大性能并在 ≤15% 电量时自动降流。

快速开始

# 1. Install (inside Kali NetHunter chroot)
bash INSTALL.sh

# 2. Wait for llama-server to start (~5 min after boot)
curl -s http://127.0.0.1:8080/health  # Should return {"status":"ok"}

# 3. Start all services
bash scripts/run-36h.sh

# 4. Open the web dashboard (from any device on your Tailscale network)
# https://<your-tailscale-hostname>:8888

干运行（不执行真实命令）

NC_DRY_RUN=1 python3 main.py

这使用了一个 mock Kali 服务器，你可以在不执行真实网络命令的情况下测试智能体循环。

手动启动（如果不使用 tmux 启动器）

kali-server-mcp --port 5000 &
python3 scope_proxy.py --config config.yaml --port 8800 --upstream http://127.0.0.1:5000 &
bash scripts/webui-daemon.sh start
python3 main.py &

在部署前编辑 config.yaml：

mission:
  id: "CLIENT-YYYY-XXX"           # Your engagement ID
  scope:
    networks: ["auto"]             # "auto" = detect from wlan0 at startup
    excluded_hosts: ["auto"]       # "auto" = gateway + self IP
    excluded_ports: [502, 503]     # SCADA/ICS ports to never touch
  authorization: "ROE-YYYY-XXX.pdf"
  max_runtime_hours: 0             # 0 = no limit

model:
  local:
    ctx_size: 8192
    port: 8080

动态范围检测意味着在网络之间移动时无需更改配置——智能体在启动时从 wlan0 读取当前子网。

文件结构

nightcrawler/
├── main.py                  # Entry point
├── config.yaml              # Mission scope + model config
├── scope_proxy.py           # Scope enforcement proxy
├── INSTALL.sh               # Installer
│
├── agent/                   # Core agent logic
│   ├── loop.py              # Decision loop + error recovery
│   ├── planner.py           # Phase state machine (recon → exploit)
│   ├── llm_client.py        # LLM API client (llama.cpp / remote)
│   ├── db.py                # SQLite backend (hosts, vulns, creds)
│   ├── host_memory.py       # Per-host observations + auto-tagging
│   ├── cve_db.py            # 24,956-entry CVE database
│   ├── attack_planner.py    # Strategic directives for exploit phase
│   ├── output_parser.py     # Extract structured data from tool output
│   ├── offline_manager.py   # WiFi breach pipeline state machine
│   ├── net_detect.py        # Auto-detect network from wlan0
│   ├── cover_traffic.py     # Stealth blending with realistic web traffic
│   ├── passive_capture.py   # Background tcpdump for broadcast traffic
│   └── ...
│
├── proxy/                   # Scope enforcement components
│   ├── scope.py             # IP/port/host validation
│   ├── rate_limiter.py      # Command rate limiting + jitter
│   └── command_filter.py    # Destructive command blocklist
│
├── webui/                   # Web dashboard (Flask)
│   ├── server.py            # API + stealth middleware
│   └── templates/index.html # Dashboard UI
│
├── data/                    # Static data files
│   ├── cve_exploits.json    # CVE→exploit command mappings
│   └── playbooks.json       # 27 multi-step attack playbooks
│
├── prompts/                 # LLM prompt templates (hot-reloadable)
├── scripts/                 # Operational scripts (start, stop, watchdogs)
├── tests/                   # Test suites (API, UI, offline mode)
├── kernels/                 # WiFi driver modules + kernel docs
├── simulation/              # Dry-run mock server
├── docs/                    # Architecture, GPU setup, features
├── logs/                    # Runtime data (gitignored)
└── models/                  # Model files (gitignored)

智能体如何工作

智能体使用一个简单但有效的循环：

选择目标——加权随机选择（70% 已知端口的主机，30% 新发现）

构建上下文——将主机内存、网络观察和阶段指导注入 prompt

询问 LLM——模型输出 REASONING: ... COMMAND: ...

验证——范围代理检查命令是否在范围内且不具有破坏性

执行——命令通过 Kali MCP 服务器运行

学习——输出解析器提取发现，更新主机内存

重置上下文——清除对话，保持持久内存，重复

1.2B 模型的命令成功率约为 50%（这是其大小固有的）。智能体通过以下方式进行补偿：

垃圾检测——5 连击重置，使用不同的 few-shot 示例

重复检测——强制工具/目标多样化

基于时间的卡死检测——5 分钟后停止强制上下文重置

直接剧本执行——多步攻击绕过 LLM 直接执行

仪表板

:8888 处的仪表板提供实时监控和控制：

实时源——每个命令、发现和智能体决定

主机卡片——可点击的卡片显示端口、服务、漏洞

网络地图——交互式力导向图（拖动、缩放、平移）

漏洞详情——CVE 标签、利用链、修复步骤

C2 控制——标记/黑名单主机、强制阶段、暂停/继续、注入命令

离线模式——Pwnagotchi 启发的 WiFi 攻击 UI，带动画面孔

仪表板采用隐蔽过滤：它欺骗 nginx 标头并对来自目标网络的连接返回空 404。

结果

来自 72+ 小时的跨多个网络的自主运行：

每个网络发现 30+ 台主机

自主执行 2,000+ 命令

发现多个服务中的 10+ 个漏洞

通过直接执行 6+ 个剧本

整个过程中智能体内存稳定在 35-50MB（无泄漏）

贡献

欢迎贡献！详见 CONTRIBUTING.md 的指南。

需要帮助的领域

模型微调——将命令格式合规率从约 50% 提升到 85% 以上

新剧本——为更多服务添加利用链

CVE 数据库——扩大覆盖范围超出当前的 24,956 条条目

适配器支持——测试更多 USB WiFi 芯片组

文档——教程、不同手机的设置指南

测试——更多测试覆盖，特别是边界情况

开始使用

# Clone the repo
git clone https://github.com/garagehq/nightcrawler.git
cd nightcrawler

# Dry-run mode (no real commands, no hardware needed)
NC_DRY_RUN=1 python3 main.py

# Run tests
python3 -m pytest tests/

免责声明

此工具仅用于授权渗透测试。在部署 Nightcrawler 之前，你必须从网络所有者处获得书面许可（Rules of Engagement）。未经授权针对你不拥有或没有测试权限的网络使用是违法的。

许可证

MIT——详见 LICENSE。

如果你喜欢这个项目，可以给我买杯咖啡 ☕：

buymeacoffee.com/cyrilengmann