做渗透测试的人，为什么需要一个漏洞管理平台？ARTEX项目分析

做渗透测试的时候，真正让人头疼的往往不是“找不到漏洞”，而是测试做到后面，突然不知道自己到底测了什么。

域名、子域名、IP、端口、站点、接口、漏洞、请求记录散落在不同工具里，发现一个问题还要自己截图、整理证据。目标一多，测试过程就很容易变成一堆零散的信息。

所以做渗透测试，除了扫描和漏洞验证，其实还需要解决一个问题：怎么把整个测试过程管理起来？

最近比较有意思的一个开源项目是 ARTEX，它是一套 AI 自主渗透测试系统，采用 Go + Next.js 架构，把 AI Agent、资产管理、探索过程、工具调用、漏洞发现和人工审批放到了一起。

ARTEX 不只是一个“AI 扫描器”

如果把 ARTEX 简单理解成“让 AI 自动跑 Nmap”，其实有点低估这个项目了。

传统扫描器通常是输入目标，然后等待结果；ARTEX 更接近一个持续运行的 Agent 工作流：

目标
 ↓
资产发现
 ↓
AI 分析
 ↓
制定下一步计划
 ↓
调用工具
 ↓
获得结果
 ↓
更新资产 / 发现
 ↓
继续探索

所以它需要记录的东西，自然也不只是最后的漏洞。

ARTEX 有独立的任务管理，可以把一次测试作为完整任务保存下来。

任务执行过程中，Agent 的会话和工具调用也会被记录下来。

这点其实非常重要。

因为 AI 最终告诉你“这里可能存在一个漏洞”，并不能说明问题已经结束。你还需要知道它为什么得出这个结论、调用了什么工具、获得了什么结果，以及有没有足够的证据支撑。

资产和探索，是 ARTEX 比较有意思的地方

ARTEX 对资产进行了独立管理，可以记录 root domAIn、subdomAIn、IP、service、app、endpoint 等不同类型的资产，并处理资产之间的关联和去重。

除此之外，还有一个探索图。

它记录的不是简单的“扫描结果”，而是 AI 在测试过程中产生的目标、意图、事实和发现。

这也是 AI Agent 和传统自动化脚本比较明显的区别。

脚本一般按照固定流程执行，而 Agent 可以根据前面获得的信息决定下一步做什么。某个结果出现以后，可能产生新的资产、新的事实，然后继续触发下一轮探索。

ARTEX 的架构里，Planner 负责规划，Worker 负责执行，执行结果再重新写回系统。

简单理解就是：

Planner → 生成任务
   ↓
Worker → 执行工具
   ↓
产生新信息
   ↓
更新探索状态
   ↓
Planner 再判断下一步

漏洞发现以后，还需要管理什么？

安全测试最容易被忽略的一环，其实是复测。

漏洞发现以后，开发人员修复，测试人员还需要重新确认到底有没有修好。如果漏洞数量比较多，这件事本身就会变成一个工作量。

ARTEX 已经把漏洞复测纳入了测试流程，可以针对之前发现的问题重新发起复测，并记录“仍可复现、已修复、无法确认”等结果。

这样管理的就不再只是：

发现过哪些漏洞？

而是：

这个漏洞现在到底是什么状态？

这才更接近真正的漏洞生命周期管理。

AI 也不能完全放开跑

另一个比较值得注意的设计是人在环路。

ARTEX 还提供了拦截审批功能。

也就是说，AI 可以负责分析、规划和调用工具，但涉及需要人工确认的操作时，可以进入审批流程。

对于 AI 安全测试来说，这种设计其实比单纯追求“全自动”更加现实。

毕竟安全测试和普通自动化任务不一样，目标范围、操作权限以及测试行为都需要明确控制。

自己部署难不难？

ARTEX 支持 Docker Compose、一键安装、预编译版本和源码编译。

使用 Docker 部署的话，基本流程就是：

git clone https://github.com/Autumn-27/ARTEX.git
cd ARTEX
cp .env.example .env
Docker compose up -d

启动后访问：

http://localhost:8787

项目使用 PostgreSQL，AI 探索需要配置 LLM，目前支持 Anthropic 和 OpenAI。

如果准备放到 VPS 上运行，也不建议单纯按照“最低配置”来选机器。实际资源消耗还和 Agent 数量、并发任务、数据库规模以及工具运行情况有关。

自己学习的话，可以先从小规格 VPS 开始，根据实际运行情况再调整。

最后

所以回到最开始的问题：

做渗透测试的人，为什么需要一个漏洞管理平台？

因为当测试规模变大以后，真正需要管理的已经不只是漏洞。

还有资产、测试任务、Agent、工具调用、探索过程、流量、证据以及后续复测。

ARTEX 有意思的地方，也恰恰不是“AI 能不能找到一个漏洞”，而是它开始尝试把这些东西串成一个完整的安全测试工作流。

对于想研究 AI Agent + 网络安全 的人来说，这类项目比单纯的 AI 扫描器更值得关注。

需要注意的是，这类工具应当用于自己的实验环境、隔离靶场或明确获得授权的测试目标，不要直接对未知公网目标进行扫描或测试。

如果你准备自己搭建 AI 安全测试环境，可以根据实际需求选择云服务器：

1、薄荷云：https://www.boheidc.cn/aff/QOWYLYCV

2、源梦云：https://ym37.com/r/04542344

3、腾讯云：https://curl.qcloud.com/T7dJtWo1

4、阿里云：https://link.aitq.net/RcgjvF

5、雨云：https://www.rainyun.com/NTMwNDYw_