重要声明：本文仅用于技术讨论与学习，因使用文中信息而造成的任何直接或间接后果及损失，均由使用者本人承担，文章作者不为此承担任何责任。
Provena 是一套基于 Pi Agent 驱动的 自主红队AI系统，目标是真正做到无人值守自动完成各种渗透任务。
工具开源地址： https://github.com/youki992/Provena
功能与使用准备
运行环境要求
先看 Windows 平台下的运行要求：
模型配置
编辑 config.yaml，只需要改下面这几行：
这个配置走 OpenAI 兼容协议，base_url 填网关地址，api_key 和 model 对应你自己的模型信息。如果还没有合适的模型网关，可以试试 RouteFast.ai 这类 API 中转服务，拿到地址和 key 直接填入即可。
内置工具
工具内置了代码审计和静态分析相关的多类组件：
常用命令
run 命令常用参数
chat 命令常用参数
chat 交互会话
通过 CLI 进行对话式交互：
实际对话测试中，直接询问内置工具：
工具架构
┌──────────────────────┐
│ 模型（Pi harness） │ 只做决策：下一步干什么
└──────────┬───────────┘
│ 工具调用
┌──────────▼───────────┐
│ Provena 内核 │ 执行 · 采集证据 · 记账 · 出报告
│ ① 工具执行器 + RBAC │
│ ② FGS 图（只追加） │ ← 唯一的"记忆"
│ ③ 人机协同（HITL） │
│ ④ 报告（md/json/sarif）│
└──────────────────────┘
模型主要负责决定“下一步执行什么”，而 Provena 则负责裁定“能不能做”以及“把步骤记录清楚”。
设计上并不指望模型本身完全可靠，所以把可靠性放在了架构层：决策过程外置成图，结论必须靠证据生成，缺少证据就不算完成目标。
┌──────────┐
│ origin │ 起点
└────┬─────┘
│ motivates
┌────▼─────┐
│ goal │ 本次目标
└────┬─────┘
┌───────────┼────────────┐
┌────▼────┐ ┌────▼────┐ ┌────▼─────┐
│ step │ │ step │ │ sub_goal │ ← 运行时临时拆的子目标
└────┬────┘ └────┬────┘ └────┬─────┘
│ │ │
┌────▼────┐ ┌────▼─────┐ │
│ fact │ │ finding │◄─────┘
│ 客观观测 │ │ 待确认线索 │
└─────────┘ └──────────┘
节点状态：pending → active → confirmed / completed / blocked / abandoned
另有 intent / hint 两类节点
Java 代码审计流程
以 Java代码审计 为例，从 jar 文件开始：
.jar
│ jar-list 列条目（不解压）
▼
条目列表
│ jar-extract 抽目标 .class / 资源文件
├──────────────────────────────┐
▼ ▼
cfr 反编译 直接 read/grep
→ 可读 Java 源码 （web.xml、.properties、
│ mybatis 映射）
▼
joern-parse --language JAVASRC
│
▼
CPG（代码属性图）
│ joern-scan（官方查询库已内置，离线可用）
▼
完整 source→sink 路径 → 置信度可升到 dataflow_reachable
获取与历史成果
内测版本地址： https://wiki.freebuf.com/societyDetail/articleDetail?society_id=184&article_id=230351
历史审计能力参考：
类似红队与代码审计工具的讨论，可以在 云栈社区 找到更多同好交流。 | 
发表于 14 小时前
|
查看: 3|
回复: 0
