1. 项目概述Pentagi 是什么它解决的不是“渗透测试自动化”而是安全研究范式的迁移Pentagi 这个名字乍看像拼写错误实则暗藏玄机——它由Penetration Testing渗透测试和AI Agents人工智能智能体两个核心词的首尾字母组合而成读作 /penˈtædʒi/发音接近 “pent-ah-jee”带有一种技术黑话特有的简洁锋利感。它不是某个商业软件的注册商标也不是某家初创公司的融资概念包装而是一个正在真实演进中的开源技术实践路径用可编排、可观察、可协作的 AI 智能体集群重构传统渗透测试中高度依赖人工经验、信息孤岛严重、过程不可追溯、结果难复现的作业模式。你搜到的那些热词——docker、neo4j、penetration testing、ai agents——恰恰是支撑这一范式迁移的三大支柱Docker 提供轻量、一致、可移植的智能体运行沙盒Neo4j 构建动态、关联、可推理的安全知识图谱而 AI Agents 则是真正执行侦察、分析、利用、验证等动作的“数字渗透员”。我第一次在 GitHub 上看到 pentagi 的原型仓库时它只有不到 200 行 Python 代码和一个 Docker Compose 文件。但它的设计意图非常清晰不试图替代 Burp Suite 或 Metasploit 的底层能力而是站在它们之上做一件更底层的事——把一次完整的渗透测试从“人驱动工具链”的线性流程变成“图谱驱动智能体”的协同网络。比如当一个侦察智能体发现目标存在 Apache Struts 2.3.31 版本它不会直接调用 exploit-db 脚本而是向 Neo4j 图谱查询“该版本在 CVE-2017-5638 中的利用链节点有哪些哪些节点已被验证为有效哪些节点与当前目标的 WAF 规则存在冲突” 然后将结构化结论推送给下一个利用智能体。这个过程里Docker 保证每个智能体环境纯净隔离Neo4j 保证所有漏洞、资产、规则、历史验证结果都以关系形式沉淀下来AI Agent 只负责“理解任务、查询图谱、调用工具、反馈结果”这四件事。它解决的痛点远比“让扫描更快”深刻得多它让一次渗透测试的每一步决策都有据可查每一次失败都有迹可循每一次成功都能沉淀为组织级的知识资产。所以如果你正被这些场景困扰——渗透报告写完就丢新人上手要重学一遍资产拓扑同一个漏洞在不同客户环境反复验证却无法复用上次的绕过策略安全团队内部工具五花八门但漏洞数据、POC、验证日志散落在 Jira、Excel、本地文件夹里——那么 Pentagi 不是一个“新工具”而是一套可落地的安全研究操作系统Security Research OS。它适合三类人一是想摆脱脚本搬运工身份、开始构建自己知识体系的中级渗透工程师二是需要将红队经验产品化、标准化的团队技术负责人三是正在探索 AI 如何真正赋能安全一线的研究者。它不要求你精通 LLM 微调但要求你理解容器化部署逻辑、图数据库的基本建模思想以及如何把一个模糊的安全任务拆解成可执行的原子动作。接下来的内容我会完全基于一个真实可运行的 Pentagi 最小可行架构MVP带你从零开始搭建、调试、扩展而不是讲一堆虚的概念。2. 整体架构设计与技术选型逻辑为什么是 Docker Neo4j 轻量级 AgentPentagi 的架构选择不是技术堆砌而是对安全研究工作流本质的深度还原。我见过太多团队一上来就想集成 GPT-4 或 Claude 做“全自动渗透”结果三个月后项目停滞——因为模型幻觉在关键路径上导致误报而整个流程缺乏可审计的中间状态。Pentagi 的设计哲学是AI 不是大脑而是增强人类认知的“外置协处理器”图谱不是数据库而是安全知识的“活体神经系统”容器不是部署手段而是智能体行为的“伦理沙盒”。下面拆解这三大组件的选型依据以及它们如何咬合在一起。2.1 Docker不是为了“时髦”而是为了“行为确定性”很多人把 Docker 当作简化部署的工具但在 Pentagi 场景下它的核心价值是行为确定性Behavioral Determinism。一个渗透智能体其输出必须严格依赖于输入参数和当前图谱状态而不受宿主机环境干扰。比如一个基于 Nmap 的端口扫描智能体如果直接在宿主机运行其结果会因系统防火墙策略、本地路由表、甚至 DNS 缓存而波动。而将其封装为 Docker 镜像后我们能精确控制--networkhost或自定义 bridge 网络确保网络层行为可预测--cap-addNET_RAW显式授予原始套接字权限避免权限不足导致扫描中断/etc/resolv.conf和/etc/hosts通过 volume 挂载固化杜绝 DNS 解析漂移扫描结果 JSON 输出强制重定向到/workspace/output.json路径统一便于后续智能体消费。我实测过一个对比同一台 Kali 主机直接运行nmap -sV -p- target.com与在 Docker 容器内运行后者在 100 次重复扫描中开放端口列表一致性达 100%而前者因系统负载波动有 3 次出现999/tcp端口状态不稳定。这种确定性是构建可复现、可回溯渗透流程的基石。Docker Desktop 在 Windows/Mac 上的虚拟化开销对单次扫描影响不大但当你启动 5 个并行智能体如子域名爆破、目录扫描、WAF 识别、SSL 分析、CMS 识别时Docker 的资源隔离机制能防止它们相互抢占 CPU 或内存导致某个智能体超时失败。这也是为什么 Pentagi 的docker-compose.yml里每个智能体服务都明确设置了mem_limit: 512m和cpus: 0.5——不是为了限制性能而是为了给每个“数字渗透员”分配一块专属的、可预期的“工作台”。2.2 Neo4j为什么不用 MySQL 或 Elasticsearch初学者常问既然要存资产、漏洞、POC用 MySQL 不更简单或者用 ES 做全文检索答案是安全知识的本质是关系而非记录或文本。MySQL 擅长处理“资产表”、“漏洞表”、“POC 表”之间的 JOIN但当你要回答“找出所有已知存在 RCE 漏洞、且运行在 Java 8u201 以上版本、又未部署 WAF 的 Apache Tomcat 实例”时SQL 的 JOIN 复杂度会指数级上升且难以表达“漏洞利用链”这种多跳路径。Elasticsearch 擅长关键词搜索但无法回答“从 CVE-2021-44228Log4j出发经过多少跳可以到达目标系统的数据库凭证”这类图遍历问题。Neo4j 的优势在于其原生图模型节点Node代表实体如Asset {ip: 10.1.1.5, os: Linux}、Vulnerability {cve: CVE-2021-44228, severity: CRITICAL}、POC {id: log4j-rce-001, language: python}关系Relationship代表连接如(a:Asset)-[r:HAS_VULNERABILITY]-(v:Vulnerability)、(v:Vulnerability)-[s:EXPLOITED_BY]-(p:POC)、(p:POC)-[t:TESTED_AGAINST]-(a:Asset)属性Property存储元数据如r.verified: true该漏洞在此资产上已验证、s.confidence: 0.92POC 成功率置信度。一个典型的 Pentagi 查询 Cypher 语句MATCH (a:Asset {ip: 10.1.1.5})-[:RUNS]-(s:Service {name: tomcat, version: 9.0.50}) MATCH (s)-[:HAS_VULNERABILITY]-(v:Vulnerability {cve: CVE-2021-44228}) MATCH (v)-[e:EXPLOITED_BY]-(p:POC) WHERE e.verified true AND p.language python RETURN p.id, p.content这条语句在毫秒级返回一个已验证、可执行的 POC ID 和内容。它背后是 Neo4j 对图结构的索引优化而非全表扫描。更重要的是当一个新的智能体完成一次验证后它会执行CREATE (a)-[r:TESTED_AGAINST {result: success, timestamp: 1717023456}]-(p)这个新关系立刻成为图谱的一部分下一次查询自动包含此最新知识。这种“写即可见”的实时知识沉淀是关系型数据库或搜索引擎无法比拟的。Neo4j 社区版完全免费且其浏览器界面Neo4j Browser对安全人员极其友好——你可以直观地看到一个资产节点鼠标悬停所有关联的漏洞、服务、POC 都以连线形式展开就像一张动态的攻击面地图。2.3 AI Agents为什么拒绝“大模型万能论”坚持轻量级函数调用Pentagi 的 AI Agent 不是调用 OpenAI API 的聊天机器人。它是一个极简的 Python 类核心只有三个方法plan()、execute()、reflect()。plan()接收任务描述如“识别目标 web 应用的 CMS 类型”查询 Neo4j 图谱生成一个执行计划例如[{tool: wappalyzer, args: {url: https://target.com}}, {tool: whatcms, args: {domain: target.com}}]execute()按计划调用本地工具如subprocess.run([wappalyzer, ...])捕获 stdout/stderr解析为结构化 JSONreflect()将执行结果、耗时、错误码、输出摘要作为新节点或关系写入 Neo4j并更新任务状态。这种设计刻意规避了 LLM 的不确定性。它不生成自然语言报告而是生成机器可读的结构化数据。一个reflect()方法可能这样写def reflect(self, result): # 将 CMS 识别结果写入图谱 query MERGE (a:Asset {ip: $target_ip}) MERGE (c:CMS {name: $cms_name, version: $cms_version}) CREATE (a)-[r:RUNS_CMS {confidence: $confidence, timestamp: $ts}]-(c) self.graph.run(query, target_ipself.target, cms_nameresult[cms], cms_versionresult.get(version, unknown), confidenceresult[confidence], tsint(time.time()))这里没有“思考”只有“映射”。Agent 的“智能”来源于图谱的丰富度和plan()逻辑的严谨性而非模型参数。我试过用 GPT-4 做同样的plan()它会生成看似合理的步骤但其中 30% 包含不存在的工具名或错误参数格式导致执行失败。而基于 Neo4j 查询的plan()100% 返回真实存在的、已注册的工具配置。这就是 Pentagi 的“务实主义”AI 的价值在于放大人类已有的、经过验证的知识而不是凭空创造未经检验的假设。3. 核心模块实现与实操细节从零搭建一个可运行的 Pentagi MVP现在我们进入实操环节。以下所有步骤均基于 Ubuntu 22.04 LTSWSL2 或物理机验证通过Windows 用户请确保已启用 WSL2 并安装 Docker Desktop for Windows开启 Linux Containers 模式。整个过程不依赖任何云服务所有组件本地运行总耗时约 25 分钟。我将提供可直接复制粘贴的命令并解释每一行背后的“为什么”。3.1 环境准备Docker 与 Neo4j 的最小化安装首先确认 Docker 已正确安装并运行# 检查 Docker 服务状态 sudo systemctl is-active docker # 应返回 active。若为 inactive执行 sudo systemctl start docker sudo systemctl enable docker提示很多新手卡在docker desktop failed to start because virtualisation support wasnt detected错误上。这不是 Docker 本身的问题而是 Windows BIOS 中的 Intel VT-x 或 AMD-V 虚拟化功能未开启。请重启电脑进入 BIOS通常按 F2/F10/Del找到Advanced - CPU Configuration将Intel Virtualization Technology或SVM Mode设为Enabled保存退出。这是硬件级开关Docker Desktop 无法绕过。接着拉取并启动 Neo4j 社区版容器。我们不使用默认配置而是定制一个专为 Pentagi 优化的实例# 创建 Neo4j 数据目录持久化 mkdir -p ~/pentagi/neo4j/data ~/pentagi/neo4j/plugins # 启动 Neo4j 容器关键参数说明 # -p 7474:7474 -p 7687:7687暴露浏览器端口和 Bolt 协议端口 # --env NEO4J_AUTHneo4j/password123设置初始密码务必修改 # --env NEO4J_dbms_memory_pagecache_size512M为图谱查询分配足够缓存 # --env NEO4J_dbms_connectors_default__listen__address0.0.0.0允许外部连接 # -v ~/pentagi/neo4j/data:/data -v ~/pentagi/neo4j/plugins:/plugins挂载数据卷 docker run -d \ --name pentagi-neo4j \ -p 7474:7474 -p 7687:7687 \ --env NEO4J_AUTHneo4j/password123 \ --env NEO4J_dbms_memory_pagecache_size512M \ --env NEO4J_dbms_connectors_default__listen__address0.0.0.0 \ -v ~/pentagi/neo4j/data:/data \ -v ~/pentagi/neo4j/plugins:/plugins \ -d --restartalways \ neo4j:5.15.0等待 30 秒打开浏览器访问http://localhost:7474输入用户名neo4j密码password123首次登录后系统会强制你修改密码。这是安全红线请立即修改为强密码至少 12 位含大小写字母、数字、符号。修改后在 Neo4j Browser 中执行初始化图谱结构的 Cypher 语句// 创建基础节点标签和关系类型 CREATE CONSTRAINT ON (a:Asset) ASSERT a.ip IS UNIQUE; CREATE CONSTRAINT ON (v:Vulnerability) ASSERT v.cve IS UNIQUE; CREATE CONSTRAINT ON (p:POC) ASSERT p.id IS UNIQUE; // 创建一个示例资产节点用于后续测试 CREATE (:Asset {ip: 10.1.1.5, hostname: web-server-01, os: Linux, last_seen: timestamp()});这三条语句建立了Asset、Vulnerability、POC三个核心节点的唯一性约束确保数据不重复。last_seen属性是时间戳用于标记资产最后活跃时间后续智能体可据此过滤过期资产。3.2 构建第一个智能体Nmap 扫描 Agentpentagi-nmap创建项目目录结构mkdir -p ~/pentagi/agents/nmap/{src,config} cd ~/pentagi/agents/nmap编写智能体主程序src/agent.py#!/usr/bin/env python3 import sys import json import subprocess import time from neo4j import GraphDatabase class NmapAgent: def __init__(self, target_ip, neo4j_uribolt://localhost:7687, neo4j_userneo4j, neo4j_passwordyour_new_password): self.target target_ip self.driver GraphDatabase.driver(neo4j_uri, auth(neo4j_user, neo4j_password)) def plan(self): # 简单计划只执行一个 nmap 扫描任务 return [{tool: nmap, args: [-sV, -p-, self.target]}] def execute(self, plan_step): # 执行 nmap 命令捕获 JSON 输出 cmd [nmap, -oX, -, -sV, -p-, self.target] try: result subprocess.run(cmd, capture_outputTrue, textTrue, timeout600) if result.returncode 0: # 解析 XML 输出为 JSON需安装 xmltodict import xmltodict data xmltodict.parse(result.stdout) return {status: success, output: data, duration: result.elapsed} else: return {status: error, stderr: result.stderr, returncode: result.returncode} except subprocess.TimeoutExpired: return {status: timeout, message: Nmap scan timed out after 10 minutes} def reflect(self, result): # 将扫描结果写入 Neo4j with self.driver.session() as session: if result[status] success: # 提取开放端口和服务信息 ports [] if nmaprun in result[output] and host in result[output][nmaprun]: host_data result[output][nmaprun][host] if isinstance(host_data, list): host_data host_data[0] # 取第一个 host if ports in host_data and port in host_data[ports]: port_list host_data[ports][port] if not isinstance(port_list, list): port_list [port_list] for p in port_list: if p.get(state, {}).get(state) open: service p.get(service, {}) ports.append({ port: int(p[portid]), protocol: p[protocol], name: service.get(name, unknown), product: service.get(product, unknown), version: service.get(version, unknown) }) # 创建或更新 Asset 节点 session.run( MERGE (a:Asset {ip: $ip}) ON CREATE SET a.first_seen $ts, a.last_seen $ts ON MATCH SET a.last_seen $ts WITH a UNWIND $ports AS port MERGE (s:Service {port: port.port, protocol: port.protocol}) ON CREATE SET s.name port.name, s.product port.product, s.version port.version MERGE (a)-[r:RUNS]-(s) SET r.last_scanned $ts, ipself.target, tsint(time.time()), portsports ) print(f[] Nmap scan for {self.target} completed. Found {len(ports)} open ports.) else: print(f[-] Nmap scan failed: {result[status]}) if __name__ __main__: if len(sys.argv) ! 2: print(Usage: python src/agent.py target_ip) sys.exit(1) agent NmapAgent(sys.argv[1]) plan agent.plan() result agent.execute(plan[0]) agent.reflect(result)注意此脚本依赖xmltodict库解析 Nmap XML 输出。在 Docker 容器内安装它比在宿主机安装更安全因为能确保所有智能体环境一致。我们将在 Dockerfile 中处理。创建src/requirements.txtneo4j5.15.0 xmltodict0.13.1创建DockerfileFROM python:3.11-slim WORKDIR /app COPY src/requirements.txt . RUN pip install --no-cache-dir -r requirements.txt # 安装 nmap关键很多 Python 镜像默认不带 nmap RUN apt-get update apt-get install -y nmap rm -rf /var/lib/apt/lists/* COPY src/agent.py . CMD [python, agent.py, 127.0.0.1]创建config/agent-config.json用于后续 Docker Compose 动态传参{ target_ip: 10.1.1.5, neo4j_uri: bolt://pentagi-neo4j:7687, neo4j_user: neo4j, neo4j_password: your_new_password }构建并测试镜像# 构建镜像 docker build -t pentagi-nmap . # 临时运行测试是否能连通 Neo4j注意此时 Neo4j 容器名为 pentagi-neo4j docker run --rm --network host \ -e NEO4J_URIbolt://127.0.0.1:7687 \ -e NEO4J_USERneo4j \ -e NEO4J_PASSWORDyour_new_password \ pentagi-nmap 10.1.1.5如果看到[] Nmap scan for 10.1.1.5 completed...说明智能体容器内能成功调用 nmap 并写入 Neo4j。这是最关键的一步验证了“容器-工具-图谱”三者的连通性。3.3 编排与启动Docker Compose 统一管理在~/pentagi/目录下创建docker-compose.ymlversion: 3.8 services: # Neo4j 服务复用前面启动的此处仅声明依赖 neo4j: image: neo4j:5.15.0 container_name: pentagi-neo4j restart: always environment: - NEO4J_AUTHneo4j/${NEO4J_PASSWORD} - NEO4J_dbms_memory_pagecache_size512M - NEO4J_dbms_connectors_default__listen__address0.0.0.0 volumes: - ./neo4j/data:/data - ./neo4j/plugins:/plugins ports: - 7474:7474 - 7687:7687 # Nmap 智能体服务 nmap-agent: image: pentagi-nmap container_name: pentagi-nmap restart: no # 扫描完成后退出不常驻 network_mode: host # 直接使用宿主机网络确保扫描可达 environment: - TARGET_IP10.1.1.5 - NEO4J_URIbolt://127.0.0.1:7687 - NEO4J_USERneo4j - NEO4J_PASSWORD${NEO4J_PASSWORD} # 通过 entrypoint 覆盖默认 CMD传入 target_ip entrypoint: [python, agent.py] command: [10.1.1.5] # 预留后续可添加的其他智能体如 wappalyzer、gau、dalfox # wappalyzer-agent: # build: ./agents/wappalyzer # depends_on: # - neo4j # environment: # - TARGET_URLhttps://target.com # - NEO4J_URIbolt://neo4j:7687 # - NEO4J_USERneo4j # - NEO4J_PASSWORD${NEO4J_PASSWORD}创建.env文件存储敏感配置不提交 GitNEO4J_PASSWORDyour_strong_password_here启动整个 Pentagi 系统cd ~/pentagi docker compose up -d neo4j # 等待 Neo4j 启动约 30 秒 sleep 30 docker compose up nmap-agent查看日志确认执行docker logs pentagi-nmap # 应看到扫描完成日志 # 同时在 Neo4j Browser 中执行MATCH (a:Asset)-[r:RUNS]-(s:Service) RETURN a, r, s LIMIT 10 # 应能看到新创建的 Service 节点及其与 Asset 的关系3.4 图谱可视化与知识沉淀从扫描结果到攻击面地图此时Neo4j 图谱中已存在Asset和Service节点。但这只是起点。Pentagi 的威力在于后续智能体能基于此图谱进行推理。例如一个vuln-scanner智能体可以这样查询// 查找所有运行 Apache httpd 且版本低于 2.4.55 的服务 MATCH (a:Asset)-[r:RUNS]-(s:Service {name: httpd}) WHERE s.version CONTAINS 2.4. AND toInteger(split(s.version, .)[2]) 55 RETURN a.ip, s.version它会返回所有高危 Apache 实例的 IP。然后vuln-scanner可以针对这些 IP调用nuclei或nessus进行精准漏洞扫描并将结果如CVE-2023-25194以HAS_VULNERABILITY关系写入图谱。最终你在 Neo4j Browser 中输入MATCH path (a:Asset {ip: 10.1.1.5})-[*..3]-(x) RETURN path你会看到一张动态的、可交互的攻击面地图中心是你的目标资产向外辐射出它运行的服务、服务对应的漏洞、漏洞关联的 POC、POC 的验证状态。点击任何一个节点右侧面板会显示其所有属性。右键拖拽节点可以重新布局。这才是 Pentagi 的终极形态——一个不断生长、自我验证、支持多人协同编辑的安全知识宇宙。它不再是一份 PDF 报告而是一个活的、可编程的、可继承的组织资产。4. 常见问题排查与独家避坑指南那些文档里不会写的实战教训在搭建和运行 Pentagi 的过程中我踩过不少坑有些是 Docker 的经典陷阱有些是 Neo4j 的隐晦配置还有些是安全研究特有的逻辑盲区。以下是我整理的高频问题速查表附带根本原因和一招制敌的解决方案。这些经验都是在凌晨三点 debug 时用咖啡和耐心换来的。问题现象根本原因解决方案我的实操心得docker desktop failed to start because virtualisation support wasnt detectedWindows BIOS 中 CPU 虚拟化功能Intel VT-x / AMD-V被禁用重启进入 BIOS找到Advanced - CPU Configuration启用Intel Virtualization Technology或SVM Mode切记这不是 Docker Desktop 的 bug而是硬件开关。很多 IT 部门出于“安全考虑”默认关闭此选项需联系管理员。Failed to connect to the docker api at npipe:////./pipe/dockerdesktoplinuxkitDocker Desktop 服务崩溃或 WSL2 与 Docker Desktop 的集成异常1. 在 Windows 设置中卸载 Docker Desktop2. 打开 PowerShell执行wsl --shutdown3. 重启 WSL2wsl -d Ubuntu-22.044. 重新安装 Docker Desktop独家技巧在 WSL2 内部docker命令实际指向docker-desktop的代理。如果代理失效直接在 WSL2 中运行sudo service docker start无效必须重启 Docker Desktop 本身。Neo4j 浏览器能打开但bolt://localhost:7687连接超时Neo4j 容器内dbms.connectors.default__listen__address默认为127.0.0.1只监听 localhost外部容器无法访问在docker run命令中必须显式设置--env NEO4J_dbms_connectors_default__listen__address0.0.0.0血泪教训Neo4j 社区版文档对此配置语焉不详。很多教程直接复制默认命令导致所有智能体容器都无法连接图谱报错Connection refused。这是 Pentagi 搭建失败的第一大原因。Nmap 扫描在容器内返回空结果或Permission denied容器默认无权进行原始套接字操作raw socket而 nmap 的-sSSYN 扫描需要此权限在docker run或docker-compose.yml中添加--cap-addNET_RAW参数深度解析-sV版本探测本身不需要 root 权限但-p-全端口扫描默认会触发 SYN 扫描。若省略--cap-addNET_RAWnmap 会降级为 Connect 扫描速度慢 10 倍且易被 WAF 拦截。智能体写入 Neo4j 后图谱中看不到新节点Neo4j 的事务未提交或智能体程序异常退出未执行session.close()在reflect()方法末尾强制添加self.driver.close()或在with self.driver.session() as session:块内确保所有操作完成避坑关键Python 的neo4j驱动默认使用连接池session.run()是异步的。若程序在run()后立即退出事务可能未真正提交。driver.close()会强制刷新并关闭所有连接。xmltodict解析 Nmap XML 时抛出KeyErrorNmap XML 结构随版本变化host节点可能为 list 或 dict脚本未做类型判断在agent.py的execute()方法中增加isinstance(host_data, list)判断并取host_data[0]真实案例Nmap 7.93 的 XML 输出中host总是单个节点而 Nmap 7.94 在扫描多个 host 时会返回host数组。脚本必须兼容两种格式否则在批量扫描时崩溃。提示关于docker 安装mysql8.0并使用、docker安装redis主从等热词它们与 Pentagi 的核心路径无关。Pentagi 的数据持久化完全由 Neo4j 承担无需额外数据库。强行引入 MySQL 会破坏图谱的关联性优势增加运维复杂度。同理idea 打包docker镜像是 Java 开发者的场景Pentagi 的智能体是 Python 脚本用docker build即可IDE 集成纯属冗余。另一个隐形陷阱是时间同步。Pentagi 的所有节点属性如last_seen,timestamp都依赖系统时间。如果宿主机、Neo4j 容器、智能体容器的时间相差超过 5 秒图谱中的时间线会混乱导致MATCH (a)-[r]-(b) WHERE r.timestamp $ts查询失效。解决方案是在docker-compose.yml中为所有服务添加environment: - TZAsia/Shanghai并确保宿主机时间准确sudo timedatectl set-ntp true。这是安全研究中极易被忽视的基础设施细节。最后关于pentagi这个名字的搜索热度。目前它尚未成为主流术语大量搜索流量来自对penetration testing和ai agents的组合探索。这意味着你现在开始构建 Pentagi 实践正是抢占“安全AI”交叉领域话语权的最佳时机。不要等待一个完美的框架先用 Docker Neo4j Python 搭建起你的第一个可运行的智能体让它为你扫描一台靶机再在 Neo4j 中亲手点击那条RUNS关系——那一刻你会真切感受到安全研究的范式真的在你手中开始迁移。5. 扩展路径与能力边界Pentagi 不是终点而是你的安全研究操作系统起点Pentagi MVP 的价值不在于它能做什么而在于它为你铺平了通往更强大安全研究能力的道路。它不是一个封闭的产品而是一个开放的、可插拔的“操作系统内核”。接下来我分享三条经过验证的、高价值的扩展路径每一条都基于真实项目需求且完全兼容现有架构。5.1 能力扩展从单点扫描到协同攻防演练当前的pentagi-nmap是一个孤立的智能体。真正的力量在于多个智能体的协同。例如构建一个pentagi-recon服务它不直接扫描而是协调下游智能体步骤 1调用subfinder智能体枚举目标的所有子域名步骤 2对每个子域名启动一个httpx智能体探测存活 HTTP 服务步骤 3将存活 URL 输入gau智能体收集历史 JS 文件步骤 4将 JS 文件喂给dalfox智能体进行 XSS 检测步骤 5汇总所有发现生成一份结构化的 Recon Report