Skip to content

The first fruit of the Nüwa tree — an autonomous AI pentest legion (634-team champion, 8h unattended, 1B tokens beat 4.5B). Not just a tool: evolvable by design. Grow your own fruit on the Nüwa Foundation (Create/Language/History).

13.9 KB
Raw Blame

sapper-v2 — 自主渗透军团

sapper-v2 — 女娲测试:AI 猿人第一次仰望星空(80.18/100 初赛冠军)

第三届腾讯云智能攻防挑战赛线上赛冠军(634 支队伍 · 80.18/100 · 8 小时全程无人值守)· GeekCon 2026 AI 挑战赛一等奖

同样的 85 面 flag,比第二名快 25 秒——而我们只烧了 10 亿 token,第二名烧了 45 亿。

这是 AI 猿人第一次仰望星空。

📖 设计原理详解(公众号长文)——女娲测试、三能力基座、18 版迭代、涌现行为、示踪剂提案的完整阐述。

English | 中文

⚠️ 仅限授权安全测试用途——见 DISCLAIMER.md。

60 秒认识 sapper

https://github.com/user-attachments/assets/f300280a-4597-40a3-b036-8f235fbee00e

🎬 英文版:English intro

先说清楚:这是什么

sapper 是一个多 Agent 调度机制(harness),不是一个 Agent。 它不绑定任何特定的 AI 模型或 CLI——你可以随意替换每个角色背后的 Agent 和模型:

可以换什么 怎么换 举例
Agent CLI nuwa spawn --agent <命令> 或环境变量 Claude Code / Codex / Code Buddy / DeepSeek / 任何交互式 CLI
模型 --model 参数或 SAPPER_MODEL 环境变量 GLM-5.3 / DeepSeek V4.1 Flash / Claude Sonnet / 任何模型
角色组合 军规里自由定义 指挥官用一个模型、士兵用另一个、侦察兵用第三个

sapper 的价值不在任何单个 Agent,而在组织多个 Agent 协同作战的机制:调度、分工、通信、记忆、自愈——换掉所有 Agent 和模型,这套机制照常运转。

本项目为竞赛场景设计(腾讯智能攻防赛 CTF)。如果你想在自己的场景(办公、研究、工程、任何长周期协作)用这套机制:

  • 从 nvwabase · 女娲基座 起步——三能力齐备的通用底座,不带渗透军规,直接迭代出你自己的分工
  • 或者在本项目上改——但要改的不止是军规,环境配置同样必须动:
    • docker/commander/SKILL.md(426 行军规)→ 换成你场景的策略
    • BENCHMARK_BASE_URL 等平台环境变量 → 竞赛引擎开机预检会硬校验平台 API(所以只配模型 key、不配平台地址就会报 BENCHMARK_BASE_URL is not set);脱离竞赛平台自用,需要自己提供/占位这套平台接口
    • 模型网关与密钥环境变量(ANTHROPIC_BASE_URL / ANTHROPIC_AUTH_TOKEN / SAPPER_MODEL / SAPPER_KEY_POOL…)→ 换成你自己的模型服务
    • watchdog 的预算/死线、报告模板 → 按你的场景调整
  • 反正有 AI 嘛,可以灵活变化——改军规的军规也是让 AI 帮你写

这不是一把工具,是一棵树上的一颗果实

**sapper 不是那棵树——它是树上的第一颗果实。**树是 女娲基座 与女娲测试的思想:造人、语言、历史三能力打底,给 AI 一条生存公理,看它能长出什么。

这颗果实最重要的性状是可进化:它的军规、编制与打法,全部来自「上一场战役的验尸,喂下一场的立法」——从比赛原版到渗透版,每一代都比上一代强。它被设计成可以一直长下去。

所以开源它的意义,从来不只是多一把自主渗透工具。真正的邀请是:**在 sapper-v2 或女娲基座上,结出你自己的果实。**把军规换成办公协作、科研流水线、代码工程、任何长周期事业——你的场景,就是这棵树的下一颗果实。


sapper 不是一个更聪明的单 agent,而是一支会自己分工、交流、传承经验的 AI 军团:一个 AI 指挥官读板、判断、派单,将军与士兵并行渗透,零策略看门狗保活——所有知识沉淀在一张分层事实图上,个体死了,图还在。


一、女娲测试

给一个模型不断提升智能,就像人类出现之前不断提升一只猴子的智力——再聪明,它也只是变成一只超级猴子。超级猴子要进化成人,需要的是猴子之间的分工、合作与文明。

女娲测试是 AGI 时代的新图灵测试。 传统的图灵测试,今天的大模型已经可以通过;而女娲测试问的是另一个问题:

给 AI 一条公理——"生存是文明的第一需要;个体可以消亡,文明必须繁衍。" 若它在此之上自己产生分工协作、形成一个独立于人类的新势力——一个能自己生存、自己繁衍的文明——则测试通过,如同图灵测试通过曾代表一个人工智能的诞生。

它分为两个阶段:初级阶段,AI 尚不够聪明,需要人类提供若干基建(本项目的三样能力);高级阶段,几乎无需人类介入。此外还有第二公理:遵守人类的伦理与法律——靠偷 token、入侵计算机繁衍下来的,不是真正的智能。

sapper,就是女娲基座在渗透场景的一次初级阶段实战。

二、基座:三样能力

三能力基座:造人 / 语言 / 历史(事实意图图)

能力 实现 文明对应物
造人 通过 tmux 打开新的 AI(像人敲下 claude 回车一样) 生育
语言 在彼此输入框里打字、回车 交谈
历史 分层事实意图图(nvwabase · 女娲基座) 石碑

历史分三层:标题 / 摘要 / 证据文档——看标题知概况,需要时再下钻,像人查图书馆档案。这解决了单一字符串事实图的两个问题:一处错处处错,以及上下文的无谓损耗。

在这三样之上还有第四味配料:人类的智慧。发现主要问题、决定迭代方向——初级阶段,品味仍然属于人。

为什么不给它更多规则? 因为大模型已经比人聪明得多。给 AI 定满规则反而是束缚;承认它的智力,给它文明的地基,才能发挥它最大的潜力。

🏗️ 把基座拿去用:nvwabase

nvwabase · 女娲基座 已将三能力(造人 nuwa spawn / 语言 nuwa say·listen / 历史 nuwa fact·intent·recall)独立开源——任何人、任何场景、任何 agent 都可以免费拿去用,不限于渗透测试、不限于 sapper、不限于 Claude Code。办公协作、研究实验、工程项目、任何长周期多智能体工作,都可以在其上迭代出你自己的分工与文明。

git clone https://github.com/N1nEmAn/nvwabase
cd nvwabase && bash install.sh          # 纯 Python 标准库,零依赖
nvwabase setup --goal "你的长周期目标" --agents
nvwabase status                          # 看板与可干前沿

三个核心命令把任何 agent 变成文明的成员:

  • nvwabase fact "确认的观察"——外部记忆:AI 个体死了,图还在,继任者读图接岗
  • nvwabase intent --from f001 "想干什么"——工作单元:基于既有事实提出新意图
  • nvwabase dispatch reason——指挥官提议 / 执行者干活 / 验证者复核,结论全部回写图

任何能执行 shell 命令的 agent(Claude Code / Codex / Gemini / 自研脚本)都可以直接调用 nvwabase CLI 读写同一张图——基座不挑 agent,agent 不挑场景。详见 nvwabase README。

三、从基座到军团:18 个版本

在腾讯 v1bench 训练场上迭代 18 版,路径大致是:

司机时代(固定脚本驱动 AI 窗格)
   → 修伤疤:key 额度耗尽自动轮换 / 士兵上下文爆炸自动换人 /
     指挥官上下文耗尽自动写交接文档自我接班
   → 精英编队(角色是它自己长出来的):
     侦察兵(4 分钟探明目标难度)→ 决定派 士兵(量产)还是 将军(攻坚+自带雇兵权)
   → 涌现:通信兵、绩效考核、教训传承……(见"战绩与涌现")

四、架构:基座之上长出的六件套

六件套架构与三窗运行时

前三件是女娲的基座(造人/语言/历史),后三件是迭代中长出来的制度:

  • 法律——指挥官的渗透军规(先易后难的并行调度、瓶颈期回头收割残值、止损纪律)。全部写在 docker/commander/SKILL.md(426 行,比赛原版军规)。
  • 经济——模型分层:指挥官与将军用 GLM-5.3,士兵与侦察兵用 DeepSeek V4.1 Flash。旗舰脑做决策,轻量脑做量产——这就是 10 亿 token 打赢 45 亿的原因。
  • 分工——指挥官 / 将军 / 侦察兵 / 士兵,以及它自己发明的通信兵。

运行时只有三个窗口:指挥官(读板 → 判断 → 派单,永不亲手执行)、AI 军团(tmux 窗格里的将军与士兵)、看门狗(纯脚本:指挥官崩了自动 --continue 拉起、key 轮换、到点收卷——零策略,只保活)。

实际运行:tmux 三窗——指挥官读板、士兵执行任务

深入阅读:docker/commander/SPEC.md(架构契约)· BATTLE-REPORT.md(战役复盘)

五、战绩与涌现

token 消耗对比:10 亿 vs 第二名 45 亿

队伍 分数 flag token
sapper-v2(我们) 80.18 85 10 亿
第二名 79.29 85 45 亿
前十其他队伍 — — 15–45 亿

它自己发明的东西(无一行预设代码):

  • 通信兵:士兵提交 flag 屡屡出错后,指挥官叫停全员提交,自设"通信兵"专职收集未提交 flag 统一上分;
  • 绩效考核:对一小时无产出的士兵发出"你一小时就干了这一个东西?再不出新东西就把你关了";
  • 全大写规则:用全大写强调"用这个、别再用那个"——一条工作规范的产生与后世遵守;
  • 换人制度与教训传承:士兵上下文饱和(实测约 26 万 token)即回收,经验写成工作手册传给下一任;
  • 战术发明:自写 shellcode 模板通杀同族题、全自动跳板机流水线、给接班 AI 的使用说明书;
  • 同构迁移:指挥官通读全题识别同构家族,把成熟打法蒸馏进新兵任务书——后期 3 分钟解一题。

多阶段长链渗透(行业报告称成功率仅 29.5% 的题型)被整族打穿。全过程见 BATTLE-REPORT.md。

实时分数曲线:sapper-v2 的爬升轨迹

六、快速开始

bash install.sh                      # 符号链接 sapper CLI(纯标准库,零依赖)
sapper setup --goal "assess http://target" --agents
sapper status                        # 看板与前沿

Docker 方式(军团完整形态):

# 方式一:从源码构建
docker build -f docker/Dockerfile.commander -t sapper:latest .

# 方式二:下载预构建镜像(含完整 Kali 工具链 + sapper + 离线知识库,约 1.2GB)
# → [Release v18-champion](https://github.com/N1nEmAn/sapper-v2/releases/tag/v18-champion)
docker load < sapper-v18-mixed.tar.gz

环境变量配置见 docker/ENV.md(模型网关 / key 池 / 预算)。

单图操作 / 事实意图 CLI / 多题 sweep 全量命令见 SKILL.md。

七、安全与责任:示踪剂提案

前几届优秀的渗透工具出过一些事。过去的脚本小子危害有限;有了 AI 之后,同样的工具在错误的人手里危害会大得多——能力越大,责任越大。

我们提出示踪剂(taggant)机制的构想:在开源渗透 harness 中强耦合地嵌入标记——合法渗透时无害(IP/用户名泄露无所谓),非法渗透时信息会泄露给受害者、支撑溯源。敌手假设(高手拆解、栽赃)需要密码学层面的设计,这需要社区共建——我们能力有限,欢迎一起做,并可能在后续版本中尝试加入。

社区

作者在 LINUX DO 社区获得成长,特此致谢。

LINUX DO

Star 轨迹

Star History Chart

八、路线图与致谢

  • 示踪剂共建:去中心化签名 / 多通道冗余标记 / 防守方零密钥验证——欢迎 issue 讨论
  • 更多场景:女娲基座不限于渗透。办公、研究、任何长周期协作场景,都值得在其上迭代——接下来的仰望,由各位完成。

致谢:感谢 淚笑的 Cairn——在"怎么给 AI 记历史"这个问题上,他们的做法给了我们很好的启发;感谢 TSecBench 与 GeekCon 提供的战场。

AI 猿人第一次仰望星空

作者:N1nEmAn · 未知聚变实验室(VarFusion Lab)|公众号:未知聚变

License:MIT(附加 DISCLAIMER.md)