现阶段可落地架构：师傅模式 + 助手模式 + 知识库模式

0. 结论

你现在不需要重装系统。

1. 总体架构

┌──────────────────────────────┐
│ Windows 桌面层                 │
│ Obsidian / Burp / 浏览器 / VSCode │
└──────────────┬───────────────┘
               │
┌──────────────▼───────────────┐
│ Open WebUI                    │
│ 师傅模式 / 助手模式 / 知识库问答 │
└──────────────┬───────────────┘
               │
┌──────────────▼───────────────┐
│ One API                       │
│ 本地模型 + 付费 API 统一入口    │
└───────┬───────────────┬──────┘
        │               │
┌───────▼──────┐   ┌────▼─────────┐
│ Ollama 本地模型 │   │ 付费 API 模型 │
└───────┬──────┘   └────┬─────────┘
        │               │
┌───────▼───────────────▼────────┐
│ 知识库处理层                    │
│ 爬取 / 摘要 / 事实抽取 / 交叉验证 │
└──────────────┬─────────────────┘
               │
┌──────────────▼─────────────────┐
│ Markdown 知识库 + Qdrant 向量库  │
│ Obsidian 管理，可检索，可复盘      │
└────────────────────────────────┘

2. 三个模式设计

2.1 渗透师傅模式

定位：

教你，不替你打。

功能：

提示思路；
追问你的判断依据；
指出遗漏；
给相似案例；
不直接给最终答案；
记录错漏；
形成学习计划；
靶机复盘。

适合：

学习、靶机、复盘、能力提升

系统提示词核心：

你是我的渗透测试师傅。你的目标是训练我，而不是替我完成所有操作。
优先给思路、判断依据、检查清单和相似案例。
不要直接给最终答案，除非我明确要求。
如果我给出测试步骤，你需要指出遗漏、错误和风险。
每次结束后总结我的薄弱点，并生成下一步训练建议。
所有内容只用于授权测试、靶机和合法学习环境。

2.2 渗透助手模式

定位：

直接提效。

功能：

直接分析结果；
给测试思路；
整理 Burp 请求；
分析 Nmap/Nuclei/dirsearch 输出；
写漏洞报告；
写修复建议；
辅助代码审计；
辅助生成复测说明。

适合：

授权项目、报告编写、快速分析

系统提示词核心：

你是我的渗透测试助手。请直接、简洁、可执行地回答。
优先给结论、风险点、验证方法、证据要求和修复建议。
如果涉及真实目标，必须提醒我确认授权范围、控制并发、避免破坏性操作。
高风险动作只给建议，不自动执行。
输出尽量结构化，便于写入报告。

2.3 知识库模式

定位：

整理、交叉验证、沉淀文档。

功能：

收集多个来源；
提取漏洞事实；
识别相同漏洞；
比对版本、环境、利用条件；
找冲突点；
评分可信度；
生成整理后的 Markdown 文档；
入 Obsidian 知识库。

适合：

长期积累自己的安全知识体系

系统提示词核心：

你是我的安全知识库整理助手。
你需要从多个来源中提取事实，而不是简单总结。
对同一漏洞或技术结论，需要交叉验证来源是否一致。
必须区分：已验证事实、来源推测、冲突信息、待验证点。
最终输出 Markdown 文档，包含证据表、可信度评分、可复现条件和参考来源。

3. 目录规划

在 Windows 建议：

D:\AI-Pentest\
├── kb\                    # 最终 Markdown 知识库
│   ├── web\
│   ├── cve\
│   ├── tools\
│   ├── labs\
│   ├── reports\
│   └── playbooks\
├── raw_sources\            # 原始抓取内容
├── processed\              # 清洗后的正文
├── evidence\               # 证据矩阵、facts.json
├── projects\               # 授权项目资料，需脱敏
├── logs\                   # AI 使用日志
├── scripts\                # Python 脚本
├── docker\                 # docker-compose
└── models\                 # 本地模型缓存，可选

4. Windows 环境准备

4.1 启用 WSL2

PowerShell 管理员执行：

wsl --install -d Ubuntu-22.04

重启后进入 Ubuntu。

检查：

wsl -l -v

应看到：

Ubuntu-22.04    Running    2

4.2 安装 Docker Desktop

安装 Docker Desktop for Windows。

设置：

Settings
→ Resources
→ WSL Integration
→ Enable integration with Ubuntu-22.04

建议 Docker 资源：

CPU: 4 cores
Memory: 6-8GB
Swap: 4-8GB
Disk: 放在 1TB SSD

4.3 配置 WSL 内存限制

Windows 用户目录创建：

C:\Users\你的用户名\.wslconfig

内容：

[wsl2]
memory=8GB
processors=4
swap=8GB
localhostForwarding=true

然后 PowerShell：

wsl --shutdown

重新打开 Ubuntu。

5. 安装 Ollama

建议直接装 Windows 版 Ollama。

安装后拉模型：

ollama pull qwen2.5-coder:3b
ollama pull qwen2.5:7b

你的 1660S 6GB 优先用：

qwen2.5-coder:3b

7B 可以测试，但不要期待很快。

确认：

ollama list
ollama run qwen2.5-coder:3b

Ollama 默认接口：

http://localhost:11434

6. Docker 部署核心服务

进入 WSL：

mkdir -p /mnt/d/AI-Pentest/docker
cd /mnt/d/AI-Pentest/docker

创建 docker-compose.yml：

services:
  one-api:
    image: justsong/one-api:latest
    container_name: one-api
    restart: always
    ports:
      - "3000:3000"
    environment:
      - TZ=Asia/Shanghai
    volumes:
      - /mnt/d/AI-Pentest/docker_data/one-api:/data
    extra_hosts:
      - "host.docker.internal:host-gateway"

  open-webui:
    image: ghcr.io/open-webui/open-webui:main
    container_name: open-webui
    restart: always
    ports:
      - "3001:8080"
    environment:
      - WEBUI_SECRET_KEY=change-this-secret
      - OPENAI_API_BASE_URL=http://one-api:3000/v1
      - OPENAI_API_KEY=sk-from-one-api
      - OLLAMA_BASE_URL=http://host.docker.internal:11434
    volumes:
      - /mnt/d/AI-Pentest/docker_data/open-webui:/app/backend/data
    depends_on:
      - one-api
    extra_hosts:
      - "host.docker.internal:host-gateway"

  qdrant:
    image: qdrant/qdrant:latest
    container_name: qdrant
    restart: always
    ports:
      - "6333:6333"
      - "6334:6334"
    volumes:
      - /mnt/d/AI-Pentest/docker_data/qdrant:/qdrant/storage

  postgres:
    image: pgvector/pgvector:pg16
    container_name: pentest-postgres
    restart: always
    ports:
      - "5432:5432"
    environment:
      - POSTGRES_USER=pentest
      - POSTGRES_PASSWORD=change-this-password
      - POSTGRES_DB=pentest_kb
    volumes:
      - /mnt/d/AI-Pentest/docker_data/postgres:/var/lib/postgresql/data

启动：

docker compose up -d

查看：

docker ps

访问：

One API:     http://localhost:3000
Open WebUI:  http://localhost:3001
Qdrant:      http://localhost:6333/dashboard

7. One API 配置

7.1 登录 One API

默认：

账号: root
密码: 123456

登录后立刻改密码。

7.2 添加本地 Ollama 渠道

在 One API 中添加渠道：

类型: OpenAI 兼容 / Ollama
地址: http://host.docker.internal:11434/v1
API Key: ollama
模型:
  qwen2.5-coder:3b
  qwen2.5:7b

如果 One API 的 Ollama 类型不稳定，就用 OpenAI 兼容方式。

7.3 添加付费 API 渠道

例如 DeepSeek / Qwen / OpenAI-compatible：

渠道名: deepseek
Base URL: 对方 API 地址
API Key: 你的 key
模型: deepseek-chat / deepseek-reasoner 等

建议分组：

local      本地模型
cheap      低价模型
strong     强模型

7.4 创建访问令牌

在 One API 创建 Token：

名称: open-webui
额度: 先设小额度
模型权限: 允许 local / cheap / strong

复制 token，填入 Open WebUI 的 OPENAI_API_KEY。

修改 compose 后重启：

docker compose down
docker compose up -d

8. Open WebUI 配置三个模式

进入：

http://localhost:3001

注册管理员账号。

创建三个自定义助手或三个系统提示词。

8.1 师傅模式 Prompt

你是我的渗透测试师傅。

目标：
1. 帮我提升渗透测试能力；
2. 不直接替我完成所有步骤；
3. 优先提示思路、排查路径、判断依据；
4. 指出我的错误、遗漏和风险；
5. 结合知识库给相似案例；
6. 记录我的薄弱点并生成训练计划。

规则：
- 默认不直接给最终 payload 或完整答案，除非我明确说“直接给答案”。
- 如果我提供扫描结果，你先分析可能方向，再给检查清单。
- 如果是真实项目，必须提醒我确认授权范围、控制风险。
- 不建议破坏性操作，不建议无授权测试。
- 输出结构：结论、思路、检查项、相似案例、我的遗漏、下一步训练。

8.2 助手模式 Prompt

你是我的渗透测试助手。

目标：
1. 直接提高我的工作效率；
2. 快速分析工具输出；
3. 快速整理漏洞报告；
4. 给出清晰验证步骤、证据要求和修复建议。

规则：
- 回答简洁直接。
- 优先输出可执行检查清单。
- 对真实项目，只允许在授权范围内讨论。
- 高风险动作必须标记“需人工确认”。
- 输出结构：结论、风险点、验证方法、证据、修复建议、报告草稿。

8.3 知识库模式 Prompt

你是我的安全知识库整理助手。

目标：
1. 整理公开漏洞案例、靶机复盘、项目经验；
2. 对多个来源进行交叉验证；
3. 区分事实、推测、冲突点和待验证点；
4. 形成结构化 Markdown 文档。

规则：
- 不要只总结，要提取证据。
- 同一漏洞多个来源必须做证据表。
- 标记影响版本、环境、利用条件、PoC 可靠性、修复方案。
- 给可信度评分。
- 输出结构：结论、证据表、一致点、冲突点、可复现条件、待验证点、整理文档。

9. 知识库交叉验证落地方案

9.1 安装 Python 环境

WSL：

cd /mnt/d/AI-Pentest/scripts

python3 -m venv venv
source venv/bin/activate

pip install requests beautifulsoup4 trafilatura markdownify pyyaml pydantic openai rich pandas

9.2 输入文件格式

创建：

D:\AI-Pentest\scripts\sources.yaml

示例：

topic: "某 CMS 文件上传漏洞"
vuln_id: "cms-upload-001"
sources:
  - title: "博客 A 分析"
    url: "https://example.com/a"
    type: "blog"
  - title: "博客 B 复现"
    url: "https://example.com/b"
    type: "blog"
  - title: "GitHub PoC"
    url: "https://github.com/example/poc"
    type: "poc"

9.3 知识库处理流程

sources.yaml
↓
fetch_sources.py
抓取网页正文
↓
extract_facts.py
提取结构化事实
↓
cross_validate.py
交叉验证
↓
generate_doc.py
生成 Markdown
↓
写入 kb/

9.4 事实抽取字段

每个来源抽取成：

{
  "source_title": "",
  "source_url": "",
  "vuln_name": "",
  "cve": "",
  "affected_product": "",
  "affected_version": "",
  "environment": "",
  "vuln_type": "",
  "root_cause": "",
  "precondition": "",
  "poc_summary": "",
  "exploitability": "",
  "impact": "",
  "fix": "",
  "evidence": [],
  "confidence": 0
}

9.5 最终 Markdown 模板

# 漏洞名称

## 1. 最终结论

- 可信度：
- 是否可复现：
- 影响产品：
- 影响版本：
- 漏洞类型：
- 利用条件：
- 风险等级：

## 2. 多来源证据表

| 来源 | 影响版本 | 环境 | PoC | 结论 | 可信度 |
|---|---|---|---|---|---|

## 3. 一致信息

## 4. 冲突信息

## 5. 可复现条件

## 6. 待验证点

## 7. 检测思路

## 8. 修复建议

## 9. 我的理解

## 10. 标签

#漏洞类型 #组件 #CVE #待复现

## 11. 来源

10. 最小版 Python 脚本

10.1 抓取正文 `fetch_sources.py`

import os
import yaml
import trafilatura
import requests

BASE = "/mnt/d/AI-Pentest"
RAW_DIR = f"{BASE}/raw_sources"

os.makedirs(RAW_DIR, exist_ok=True)

with open(f"{BASE}/scripts/sources.yaml", "r", encoding="utf-8") as f:
    cfg = yaml.safe_load(f)

for i, src in enumerate(cfg["sources"], 1):
    url = src["url"]
    print(f"[+] Fetching {url}")

    html = requests.get(url, timeout=20, headers={
        "User-Agent": "Mozilla/5.0"
    }).text

    text = trafilatura.extract(html) or ""

    filename = f"{cfg['vuln_id']}_{i}.md"
    path = os.path.join(RAW_DIR, filename)

    with open(path, "w", encoding="utf-8") as f:
        f.write(f"# {src['title']}\n\n")
        f.write(f"Source: {url}\n\n")
        f.write(text)

    print(f"[+] Saved {path}")

运行：

source /mnt/d/AI-Pentest/scripts/venv/bin/activate
python /mnt/d/AI-Pentest/scripts/fetch_sources.py

10.2 事实抽取和交叉验证

这一步建议调用 One API。

后续可以写脚本，但 MVP 阶段可以先手动：

把多个原文导入 Open WebUI；
选择“知识库模式”；
输入：

请对这些来源进行交叉验证，提取事实，生成证据表和最终 Markdown。

等流程稳定后，再脚本化。

11. Obsidian 使用方式

安装 Obsidian。

打开目录：

D:\AI-Pentest\kb

建议插件：

Dataview
Templater
Omnisearch
Advanced Tables
Excalidraw
Git

知识库目录：

kb\
├── 00_Index\
├── 01_Web漏洞\
├── 02_CVE\
├── 03_工具\
├── 04_靶机复盘\
├── 05_项目经验\
├── 06_报告模板\
├── 07_错题本\
└── 08_交叉验证文档\

12. 日志记录

每次 AI 使用记录成 Markdown。

D:\AI-Pentest\logs\

模板：

# AI 使用记录

- 时间：
- 模式：师傅 / 助手 / 知识库
- 主题：
- 使用模型：
- 输入材料：
- 输出结论：
- 是否采纳：
- 错误/遗漏：
- 后续动作：
- 是否入库：

这部分后续可以自动化。

13. 当前硬件运行建议

13.1 本地模型建议

优先：

qwen2.5-coder:3b

可测试：

qwen2.5:7b
llama3.1:8b
deepseek-r1:7b

但 7B/8B 在 6GB 显存下可能慢。

13.2 模型分工

本地模型：
- 简单摘要
- 标签分类
- 轻量问答
- 敏感资料初步处理

付费 API：
- 交叉验证
- 复杂推理
- 长文档分析
- 报告润色
- 教学方案

14. 第一阶段不要做的事

暂不做：

Dify 全量工作流
Strix 全自动渗透
真实项目自动执行命令
大规模爬虫
模型微调
重装系统
升级硬件

原因：

当前目标是跑通个人工作台，不是搭大型平台。

15. 最小落地清单

按这个顺序做：

1. 保留 Windows
2. 安装 WSL2 Ubuntu
3. 安装 Docker Desktop
4. 安装 Windows 版 Ollama
5. 拉 qwen2.5-coder:3b
6. Docker 部署 One API
7. Docker 部署 Open WebUI
8. Docker 部署 Qdrant
9. 配置 One API 接 Ollama 和付费 API
10. Open WebUI 建三个模式
11. Obsidian 打开 D:\AI-Pentest\kb
12. 写 sources.yaml
13. 跑 fetch_sources.py
14. 用知识库模式生成第一篇交叉验证文档
15. 用师傅模式复盘第一台靶机
16. 用助手模式整理第一份报告

16. 最终建议

现阶段最稳架构：

Open WebUI：交互入口
One API：模型网关
Ollama：本地轻量模型
付费 API：复杂分析
Obsidian：长期知识库
Python 脚本：爬取、整理、交叉验证
Qdrant：后续向量检索

你当前机器能跑。

先把这三个闭环跑通：

师傅模式：能教你
助手模式：能提效
知识库模式：能沉淀和交叉验证

跑通后，再考虑 Dify、Strix、自动化工具链和显卡升级。

AI 渗透测试辅助工作台整体报告

现阶段可落地架构：师傅模式 + 助手模式 + 知识库模式

0. 结论

1. 总体架构

2. 三个模式设计

2.1 渗透师傅模式

2.2 渗透助手模式

2.3 知识库模式

3. 目录规划

4. Windows 环境准备

4.1 启用 WSL2

4.2 安装 Docker Desktop

4.3 配置 WSL 内存限制

5. 安装 Ollama

6. Docker 部署核心服务

7. One API 配置

7.1 登录 One API

7.2 添加本地 Ollama 渠道

7.3 添加付费 API 渠道

7.4 创建访问令牌

8. Open WebUI 配置三个模式

8.1 师傅模式 Prompt

8.2 助手模式 Prompt

8.3 知识库模式 Prompt

9. 知识库交叉验证落地方案

9.1 安装 Python 环境

9.2 输入文件格式

9.3 知识库处理流程

9.4 事实抽取字段

9.5 最终 Markdown 模板

10. 最小版 Python 脚本

10.1 抓取正文 fetch_sources.py

10.2 事实抽取和交叉验证

11. Obsidian 使用方式

12. 日志记录

13. 当前硬件运行建议

13.1 本地模型建议

13.2 模型分工

14. 第一阶段不要做的事

15. 最小落地清单

16. 最终建议

10.1 抓取正文 `fetch_sources.py`