AI 挖洞、SRC Skills、仿生人类四层记忆系统-棉花糖会员站

介绍：

1.

有会员需要，特从咸鱼买来，其中部分为会员@神焰提供，注意，闲鱼大部分为github公开skill倒卖，切勿上当

2. `hunter-skills`

2.1 它是什么

hunter-skills 是一套进攻性安全（Offensive Security）技能库，把大量 Web / 二进制 / 红队 / OSINT / AI 安全等领域的方法论，拆成 37 个独立 Skill 目录。

每个 Skill 通常只有一个核心文件：

hunter-skills/Skills/offensive-xxx/SKILL.md

内容结构高度统一，适配 Claude Code / Claude Skills 加载机制：

Metadata：Skill Name、Folder、Source（上游 GitHub 源）
Description：一句话能力描述
Trigger Phrases：触发关键词（模型何时应启用该 Skill）
Instructions for Claude：激活后的行为约定（按清单执行、跟踪完成项、建议下一步）
Full Methodology：完整方法论正文（检查项、Payload、工具、修复建议等）

上游来源统一标注为：

SnailSploit/offensive-checklist

即这些 Skill 大多由公开的 offensive checklist 文档「技能化」而来。

2.2 目录结构

hunter-skills/
├── assets/
│   └── banner.png                 # 展示用横幅
├── Skills/                        # 全部技能本体
│   ├── offensive-advanced-redteam/
│   ├── offensive-ai-security/
│   ├── offensive-basic-exploitation/
│   ├── …（共 37 个）
│   └── offensive-xxe/
├── .gitattributes
└── 更多网安资源bdziyi.com.png

无独立 README / 安装脚本：使用方式是把 Skills/ 下各子目录装到 Claude Code 的 skills 路径，或按需让模型 Read 对应 SKILL.md。
体量差异极大：从约 150 行的轻量红队总览，到 1 万行以上的 Windows 边界/缓解机制深度文档（见下表）。

2.3 技能分类图谱

可按主题分成六大类：

A. Web 应用漏洞类（最常用）

目录名	Skill Name	约行数	内容摘要
`offensive-sqli`	sql-injection	~859	报错/布尔盲注/时间盲注/UNION/OOB/二阶/NoSQL；WAF 绕过；各库 cheatsheet；云环境与 ORM CVE
`offensive-xss`	xss	~782	反射/存储/DOM/Blind XSS；polyglot；CSP 绕过；过滤器绕过
`offensive-ssrf`	ssrf	~828	发现与盲注；云元数据；IP 编码/DNS rebinding；SSRF→RCE
`offensive-xxe`	xxe	~994	经典/盲注 XXE；文件上传载体；XXE→SSRF
`offensive-ssti`	ssti	~347	模板引擎识别；Jinja2/Twig/Freemarker 等利用链
`offensive-rce`	rce	~1067	命令注入、SSTI→RCE、反序列化 RCE、上传 RCE、依赖混淆等
`offensive-idor`	idor	~606	水平/垂直越权；对象 ID 枚举；批量 IDOR
`offensive-file-upload`	file-upload	~820	MIME/扩展名/魔数绕过；路径穿越；上传到 Webshell
`offensive-open-redirect`	open-redirect	~485	参数识别；编码/双斜杠/CRLF；链式到 OAuth/SSRF
`offensive-race-condition`	race-condition	~879	TOCTOU；Turbo Intruder；Last-Byte 同步；双花/超卖
`offensive-request-smuggling`	request-smuggling	~771	CL.TE / TE.CL / TE.TE；HTTP/2 smuggling；缓存投毒
`offensive-parameter-pollution`	parameter-pollution	~593	HPP；前后端解析差异；WAF 绕过
`offensive-graphql`	graphql-security	~207	内省、批处理、深度/复杂度 DoS、字段建议、授权绕过
`offensive-jwt`	jwt-attacks	~396	none/算法混淆、弱密钥、kid/jku/x5u 注入
`offensive-oauth`	oauth-attacks	~364	授权码拦截、redirect_uri 绕过、state 滥用
`offensive-deserialization`	insecure-deserialization	~183	Java/PHP/.NET/Python；ysoserial；magic method
`offensive-waf-bypass`	waf-bypass	~818	多重编码、注释注入、分块、协议层绕过

B. 侦察与情报类

目录名	Skill Name	约行数	内容摘要
`offensive-osint`	osint-checklist	~482	域名/邮箱/社媒/GitHub/Shodan/Censys/泄露库
`offensive-osint-methodology`	osint-methodology	~432	目标定义、源选择、采集、关联、时间线、报告
`offensive-fast-checking`	fast-checking	~485	快速评估：速赢模式、快速 recon、自动化捷径
`offensive-bug-identification`	bug-identification	~1254	代码审计、污点分析、危险函数、黑盒策略
`offensive-initial-access`	initial-access	~1526	钓鱼、撞库、暴露服务、供应链初始入口

C. 利用开发与漏洞研究类（课程型，体量巨大）

目录名	Skill Name	约行数	内容摘要
`offensive-vuln-classes`	vulnerability-classes	~1227	Week1：栈/堆溢出、UAF、整数、格式串、类型混淆等 + 近年 CVE 案例
`offensive-fuzzing-course`	fuzzing-course	~2103	Week2：语料、覆盖率引导、AFL++/libFuzzer 等课程
`offensive-fuzzing`	fuzzing-methodology	~1744	实操模糊测试方法论与工具选型
`offensive-crash-analysis`	crash-analysis	~12464	Week4：WinDbg/GDB、ASAN、可利用性判断
`offensive-basic-exploitation`	basic-exploitation	~10781	Week5：EIP/RIP 控制、ROP、ret2libc、shellcode、绕 ASLR/NX
`offensive-windows-boundaries`	windows-boundaries	~15151	Windows 安全边界与攻击面分类（体量最大之一）
`offensive-windows-mitigations`	windows-mitigations	~14544	ASLR/DEP/CFG/CET/Heap Guard 等 Windows 缓解与绕过
`offensive-exploit-dev-course`	exploit-dev-curriculum	~426	利用开发完整课程路线图
`offensive-exploit-development`	exploit-development	~697	环境、调试流、PoC 生命周期、pwntools
`offensive-shellcode`	shellcode	~656	x86/x64 shellcode、免 null、编码器、PIC
`offensive-mitigations`	security-mitigations	~1349	通用缓解机制与绕过目录（ASLR/NX/CFI/sandbox 等）

D. 红队与对抗类

目录名	Skill Name	约行数	内容摘要
`offensive-advanced-redteam`	advanced-redteam-ops	~146	OPSEC、C2、LOTL、横向、持久化、外传
`offensive-edr-evasion`	edr-evasion	~1804	unhook、direct syscall、PPID spoof、AMSI/ETW、注入变体
`offensive-keylogger-arch`	keylogger-architecture	~195	键盘记录架构：钩子、ETW、驱动层设计思路

E. AI / 新兴攻击面

目录名	Skill Name	约行数	内容摘要
`offensive-ai-security`	ai-security	~590	Prompt injection、越狱、模型抽取、投毒、对抗样本、RAG 投毒

F. 体量统计

Skill 总数：37
全部 SKILL.md 合计约 7.9 万行
最长：offensive-windows-boundaries（约 1.5 万行）、offensive-windows-mitigations（约 1.45 万行）
最短：offensive-advanced-redteam（约 146 行）

2.4 单个 Skill 内部长什么样（以 SQLi 为例）

以 offensive-sqli/SKILL.md 为代表，典型章节包括：

Shortcut：最短行动路径（映射输入点 → 试 payload → 抽数据 → 扩大立足点）
Mechanisms：漏洞机制与类型分类图（In-band / Blind / OOB）
Hunt：Burp、自动化流水线、隐藏参数发现（Arjun 等）
Identification Techniques：报错、布尔、时间、JSON 操作符、WebSocket、REST filter
Bypass Techniques：大小写、注释、编码、SQLMAP tamper、HTTP/2
Vulnerabilities：登录绕过、各库特有利用、NoSQL、Cypher
Chaining and Escalation：云/Serverless/ORM CVE
Methodologies / Tools：工具表与分阶段方法论
Cheatsheets by Database：MySQL/MSSQL/Oracle/PostgreSQL 速查
Remediation / Detection / Compliance：修复、SIEM 规则、PCI/OWASP/NIST 引用

其他 Web 类 Skill 结构类似：清单 + 原理 + 狩猎步骤 + 绕过 + 利用链 + 修复。 Exploit 课程类则更像周课讲义：每日目标、阅读材料、CVE 案例、讨论题、Capstone 作业。

2.5 使用方式

按需加载：对话中出现 SQL injection、SSRF、prompt injection 等 Trigger Phrases 时，让 Agent 读取对应 SKILL.md。
批量安装：将 Skills/offensive-* 拷入 Claude Code skills 目录，由前端自动匹配。
与 skill1 / vuln-hunter 配合：
- skill1 Attack 阶段识别到某威胁类型后，可并行参考 hunter-skills 中的专项清单做深度 PoC。
- vuln-hunter /study 学完某篇文章后，经验进图谱；下次遇到同类目标可与 hunter-skills 方法论互补。

2.6 设计特点与局限

特点

模块化极强：一个漏洞一类 Skill，互不耦合。
知识密度高：Payload、工具命令、CVE 案例、修复建议一站式。
对 AI Agent 友好：Trigger Phrases + 执行指令明确。

局限

不是完整项目流程：没有会话状态、没有门控、没有统一报告 schema。
授权边界依赖使用者：Checklist 本身不强制「仅授权目标」。
部分文档极长：Windows 相关课程一次读入会占满上下文，宜分段/按需引用。
偏英文原文风格（由 offensive-checklist 转换），中文场景需模型自行消化表述。

3. `skill1`（Pentest Lyan v2.3）

3.1 它是什么

skill1 是一套完整的 授权 Web 渗透测试 Claude Skill，产品名为：

Skill 名称：pentest-lyan
版本：2.3.0
作者元数据：HeaSec
许可证：MIT（Copyright 2026 lyan12321）
兼容性：Claude Code 或 Kimi Code；建议有浏览器自动化（Playwright MCP），否则退化为 curl

核心理念写在 SKILL.md 开篇：

模型负责思考，文件负责记忆。 读懂代码比测接口更重要。 模型自主威胁建模（不预定义漏洞清单）。 验证业务影响，不只看状态码。

它不是「漏洞字典」，而是把一次 Web 渗透拆成可恢复、可审计、可交付的状态机。

3.2 目录结构详解

skill1/
├── SKILL.md                 # 主入口：调度、退出条件、Banned Patterns、启动命令
├── README.md                # 用户向说明（亮点、安装、用法）
├── gates.md                 # HARD GATE：G1–G7 + 授权前提
├── schema.md                # Schema 索引（指向 references + schema/）
├── LICENSE                  # MIT
├── test-results.md          # 测试结果/自测记录类文件
├── references/              # 分阶段流程文档（主 agent 按阶段 Read）
│   ├── discovery-guide.md
│   ├── attack-guide.md
│   ├── threat-modeling.md
│   ├── validation-guide.md
│   ├── cross-role-testing.md
│   ├── audit-guide.md
│   ├── report-template.md
│   ├── docx-template.md
│   ├── post-delivery.md
│   ├── schema-guide.md
│   └── schema-data-flow.md
├── schema/                  # JSON Schema Draft-07（字段规范，供模型参考）
│   ├── index.schema.json
│   ├── state.schema.json
│   ├── module_queue.schema.json
│   ├── module.schema.json
│   ├── pages.schema.json
│   ├── coverage.schema.json
│   ├── summary.schema.json
│   ├── sessions_pool.schema.json
│   └── account.schema.json
├── scripts/
│   └── render_docx.py       # Markdown → Word 交付件渲染（python-docx）
├── templates/               # docx 模板资源
├── src/                     # 内嵌一份与根目录基本同构的副本（便于打包分发）
└── 更多网安资源bdziyi.com.png

说明：references/ 被明确设计为流程文档，不是可独立调用的 subagent。主 Agent 在对应阶段入口 Read 后按其流程执行。

3.3 核心设计原则

3.3.1 自主威胁建模（12 维度）

不套固定 OWASP 清单，对每个 feature 基于 12 个思维维度自由命名威胁：

维度	深度自问要点
数据流	输入是否原样进入 DB/命令/模板
权限边界	角色校验在哪一层、能否绕过
资源归属	对象 ID 是否归属校验、可否枚举他人
状态变更	能否跳过中间态、终态回退
客户端可控值	金额/概率/角色/回调 URL 等是否可被客户端覆盖
并发场景	双花、重复领取、超卖
输出展示	XSS 上下文、innerHTML vs 转义
认证与会话	枚举差异、Token 伪造/重放
SSRF	URL/主机参数是否触发服务端请求
注入面	SQL/OS/模板/XML 等
文件操作	上传绕过、路径穿越
业务逻辑	负价格、积分重复、签名 key 暴露

每个威胁写入 threat_model[]，必填：

threat_id（如 T1）
vuln_type（自由命名，建议带场景，如 IDOR-编辑他人订单）
reasoning（为什么判断有此威胁）
目标 API/参数

3.3.2 反遗漏机制：「三问 + 未排除面」

每个 feature 收口必须写 coverage_note，回答三个泛化问题（不点名具体漏洞）：
1. 输入面：每个可控输入是否测过或明确说明不测原因
2. 行为面：每个接口/状态变更/并发/角色组合是否覆盖
3. 深度面：判安全是否穷尽，还是一种姿势就收
每条 not_vulnerable 必须附 unruled_out（还没排除的攻击面）

这套机制通过门控 G2 强制，缺一项模块不能出队。

3.3.3 业务影响验证

明确禁止「返回 200 就确认漏洞」。例如：

类型	影响验证要求
越权读	响应体含对方私有数据
越权写	再查资源确认已变
金额篡改	查余额/账单确认 DB 层变化
竞态	查最终状态是否多次生效
SQLi	时间/布尔对比实验

3.3.4 状态持久化 + 多项目隔离

运行时数据写在：

pentest-data/
├── index.json                 # 项目清单
└── {project-id}/
    ├── state.json
    ├── module_queue.json
    ├── modules/{module_id}.json
    ├── sessions/pool.json
    ├── sessions/account_*.json
    ├── js_analysis.json
    ├── api_inventory.json
    ├── permission_matrix.json
    ├── pages.json
    ├── coverage.json
    └── summary.json

project-id 默认取 hostname 第一段（小写），可用 --project 覆盖
支持 --resume、--list
时间戳必须用 date -Iseconds，禁止模型编造

3.4 三阶段流水线

阶段 1 — Discovery（侦察 + 权限矩阵）

入口文档：references/discovery-guide.md

主要步骤：

项目初始化：确定 project-id、建目录、登记 index.json（续测则读 state.json）
全量 JS 深度阅读（强调完整阅读，不只是 grep 路径）
- 接口与参数构造、签名/哈希逻辑、前端状态机
- localStorage / 全局变量
- 敏感注释、TODO、中文备注
- 硬编码密钥扫描（access_key、AKIA、client_secret 等）
- 输出 js_analysis.json，含 channels_covered 六渠道标记
接口全量发现
- JS / 内联 script / 页面级入口 / 路径推断 / 公共路径探测 / 引用资产抓取
- 输出 api_inventory.json（活文件，Attack 阶段继续追加）
会话池 + 权限矩阵
- 登录各账号，写 sessions/pool.json
- 用所有 session 批量访问接口，生成 permission_matrix.json
pages.json 轻量 seed（一级模块页面）
探测注册页（账号不足时报告阶段提示补账号）

G7 六大发现渠道（必须最终全覆盖）：

渠道	含义
`js_ref`	独立 .js 中的 API 调用
`inline_script`	每个 HTML 内联 script
`asset_ref`	script/link 引用资产（相对页面路径解析）
`page_link`	导航/页内链接页面本身（页面级越权）
`path_inference`	路径推断探活
`response_body`	运行时响应中新出现的接口（Attack 阶段）

阶段 2 — Attack（模块循环深度攻击）

入口：attack-guide.md + threat-modeling.md + validation-guide.md + cross-role-testing.md

主循环：

module_queue.pop(0)
  → 结合 permission_matrix / js_analysis 识别 feature
  → 每个 feature：探索 → 威胁建模 → 深度验证 → 记录
  → 新接口追加 api_inventory + 权限再测
  → 新页面/功能追加 pages.json
  → 子模块入口 append 队列
  → 过 G2/G3 → 移入 tested_modules

验证深度包括：

基础 PoC
业务影响验证
参数空间扩展（隐藏字段 role/status/price/callback_url…、边界值、类型混淆）
状态机遍历
竞态（推荐 Python asyncio 真并发，而非 bash 后台）

跨角色（G4）：

读/写/操作三类越权都要覆盖
victim 资源 ID 不得硬编码，必须从 victim 真实列表取
账号不足可降级说明，tested=true + note

阶段 3 — Audit（审计 + 报告）

入口：audit-guide.md + report-template.md + docx-template.md + post-delivery.md

职责：

校验全部 G5 条件（含 G6 页面覆盖）
系统级审计：CORS、安全头、调试端点、版本泄露、WAF 等（配置类不进 confirmed_vulns）
生成 coverage.json、summary.json
输出 Markdown 技术报告 + 可选 docx（scripts/render_docx.py）
交付后提示清理 sessions/account_*.json 明文凭据

3.5 HARD GATES（门控体系）

Gate	时机	要点
授权前提	始终	用户下达任务即视为授权；请求同源，外域不跟随
G1 会话池	阶段1→2	≥2 账号正常；0/1 不阻塞，降级继续并记 limitation
G2 模块出队	阶段2	威胁全验证、reasoning、cross_role、子模块入队、coverage_note、unruled_out
G3 证据充分	阶段2	confirmed 须完整请求/响应/绝对 URL/access_path，否则降级 suspicious
G4 跨角色	阶段2	内联执行；真实 victim ID；账号不足可空数组 + note
G5 报告	阶段3	队列空、覆盖完整、盲区三态、summary 继承、无编造
G6 页面功能	报告前	pages 全部 visited/triggered 或 BLOCKED
G7 发现渠道	报告前	`channels_covered` 六项齐全

9 条退出条件全部满足才允许出报告（见 SKILL.md），任一不满足 → 补测，禁止硬写报告。

3.6 Banned Patterns（禁止行为）

摘要：

未验证授权下的高危操作（批量删除、支付退款、改权限）
未确认业务影响就标 confirmed
not_vulnerable 省略 unruled_out
硬编码对象 ID 测越权
配置类观察计入 confirmed_vulns
报告用「部分覆盖」「基本完成」等模糊词
编造 summary 字段
扩展到非目标资产
删除他人已有业务数据

3.7 启动与多项目管理

/pentest-lyan <target-url> [--project <id>] [账号...]
/pentest-lyan --resume <id>
/pentest-lyan --list

示例：

/pentest-lyan https://target.example.com
账号:
  - admin/Admin@123   (role_level: high_privilege)
  - user1/User@123    (role_level: standard)
  - user2/User@123    (role_level: standard)

role_level 由用户显式声明，不从用户名推断
工具自适应：有浏览器自动化用导航/快照/fetch；否则 curl + cookiejar

3.8 Schema 与报告产物

Schema 文件（schema/*.schema.json）定义各状态文件字段，模型写入时参考；设计上不做机器强制校验，靠门控 + 审计人工/模型自检。

报告分层：

Markdown：完整技术报告（按功能列出测了哪些威胁）
Word：交付件，经 render_docx.py 渲染（严重/高/中/低/信息颜色体系、中英文字体）
配置类低危进系统级审计附录，不占主漏洞编号

3.9 安全与清理

pentest-data/ 含 Cookie/Token/账号明文 → 勿入库、勿同步
测试结束必须提示清理会话凭据
仅允许删除本次测试自建数据，禁止动真实业务存量

3.10 skill1 总结

维度	评价
适合谁	需要「完整一轮授权 Web 渗透 + 可交付报告」的团队/个人
强项	状态机、门控、覆盖率、跨角色、JS 深读、业务验证
弱项	对非 Web/无前端目标不适用；依赖 Agent 自觉遵守门控
与 hunter-skills	skill1 管流程，hunter-skills 供专项漏洞手法
与 vuln-hunter	skill1 的项目状态是文件式；vuln-hunter 是认知记忆式，可并行

4. `vuln-hunter`

4.1 它是什么

vuln-hunter 是一套面向 Claude Code 的漏洞挖掘项目框架，核心是：

仿生人类四层记忆系统（vuln_memory） + 挖洞工作流指令（CLAUDE.md / skills / commands） + 漏洞等级标准与报告规范

与 skill1 的差异：

skill1：强流程、强 schema、Web 专项
vuln-hunter：强记忆、强经验复用、挖洞节奏更自由，工具触发式而非清单式

关键哲学（CLAUDE.md）：

不机械按清单执行——记忆是参考不是指令
所有可控参数都可能有漏洞
思考与 recall 全程交织
新发现随时回写，形成正循环
记忆系统不配单独大模型：classify / fusion / distill 只出 prompt，由 Claude Code 自己思考后 commit-*

4.2 目录结构详解

vuln-hunter/
├── CLAUDE.md                    # 项目级行为准则（挖洞时必读）
├── 漏洞等级标准.md               # 高/中/低危与「不计入」过滤规则
├── requirements.txt             # 依赖说明：默认零依赖
├── vulnmem.py                   # CLI 入口：python vulnmem.py <cmd>
├── vuln_memory/                 # 四层记忆 Python 包
│   ├── __init__.py
│   ├── agent.py                 # HumanLikeMemoryAgent 编排
│   ├── cli.py                   # 全部子命令
│   ├── config.py                # 路径与业务常量
│   ├── backends.py              # 文件级 Redis/FAISS/Neo4j 模拟
│   ├── embeddings.py            # 哈希向量 / sentence-transformers
│   ├── instant.py               # L1 瞬时记忆
│   ├── working.py               # L2 Baddeley 工作记忆
│   ├── shortterm.py             # L3 短时向量记忆
│   ├── longterm.py              # L4 长时图谱
│   └── notes/                   # 笔记目录（可空）
├── vuln_memory_data/            # 运行时数据（开箱为空）
│   ├── instant/
│   ├── working/
│   ├── shortterm/
│   ├── longterm/
│   └── project/
└── .claude/
    ├── skills/
    │   ├── vuln-memory/SKILL.md # 四层记忆使用契约
    │   ├── vuln-report/SKILL.md # /report 报告规范
    │   └── vuln-sub/SKILL.md    # /sub 项目完结蒸馏
    └── commands/
        ├── stop.md              # /stop 暂停续挖
        ├── study.md             # /study 学文章进记忆
        ├── sub.md               # /sub 结项
        └── vuln-recall.md       # /vuln-recall 快速召回

另有 更多网安资源bdziyi.com.png。

4.3 四层记忆模型详解

对标认知科学中的感觉记忆 / 工作记忆 / 短时记忆 / 长时巩固：

L1 瞬时记忆（`instant.py`）

职责：缓冲本轮原始观察与对话
存储：JSON 模拟 Redis list（vuln_memory_data/instant/）
容量：约 8000 字符量级，溢出保留最近 60%
认知步：
- add 写入
- classify 产出 LOP 深浅分级 prompt
- 模型标记 【HIGH】 / 【LOW】
- commit-classify：HIGH 进工作记忆，LOW 丢弃，瞬时缓冲清空

L2 工作记忆（`working.py`）

Baddeley 四组件简化实现：

组件	键	作用
文本环路	`work:text:{session}`	深层文字线索，最多 15 条
视空画板	`work:img:{session}`	截图/拓扑/界面文字描述
情景缓冲	`work:buffer:{session}`	融合后的场景摘要
中央执行	CLI/Agent	由 Claude 驱动融合节奏

fusion 产出融合 prompt（目标资产 / 攻击面 / 已确认线索 / 待验证假设）
commit-fusion 写入缓冲并自动向量化入短时层，同时清空 text/img 临时区

L3 短时向量记忆（`shortterm.py`）

职责：场景摘要、阶段性结论的语义召回
有效期：7 天（SHORT_MEM_EXPIRE）
衰减：expire-clean 清理过期 + 权重衰减（艾宾浩斯风格）
向量化：
- 默认 HashingEmbedder（MD5 哈希 TF，512 维，零依赖，中英混合切词）
- 可选 sentence-transformers/all-MiniLM-L6-v2（环境变量 VULNMEM_EMBED=sentence_transformers）
API：save-short / recall-short

L4 长时图谱记忆（`longterm.py`）

职责：海马蒸馏 → 实体-关系-实体知识图谱
存储：networkx + JSON（vuln_memory_data/longterm/），对标 Neo4j
流程：
1. distill 收集全部短时内容，出蒸馏 prompt
2. 模型输出 JSON 数组
3. commit-kg 写入图谱
4. recall-long / 综合 recall 做跨目标永久召回

推荐实体类型：Target / Asset / Service / Vuln / CVE / Payload / Pattern / Sink / Fix / Tool / Condition / Filter 等。

重要约束：图谱应存可复用模式，不要把具体 IP、密码等敏感细节固化进长期知识。

4.4 存储后端设计（`backends.py` + `config.py`）

为了「Windows 也能开箱即跑」：

概念组件	文件级实现	可替换接口
Redis list/string	`FileKVBackend` JSON	`RedisLikeBackend`
FAISS 向量	`VectorIndex`（numpy/list + meta）	可接 faiss-cpu
Neo4j 图	`GraphStore` networkx + kg.json	可接 py2neo

requirements.txt 明确：默认无需安装任何包。可选增强：

sentence-transformers
networkx
以及真实中间件：redis / faiss-cpu / py2neo / langchain 等

4.5 CLI 命令全表

统一入口：

python vulnmem.py <cmd> [options]
# 或
python -m vuln_memory.cli <cmd>

所有命令输出 JSON，便于 Agent 解析。大段内容用 --content -（stdin）或 --file PATH。Windows 中文建议：PYTHONIOENCODING=utf-8。

命令	作用	谁思考
`add`	写原始观察到瞬时层	存储
`classify`	出 LOP 分级 prompt	模型 → commit-classify
`commit-classify`	回写 HIGH/LOW	存储
`fusion`	出场景融合 prompt	模型 → commit-fusion
`commit-fusion`	场景摘要 → 短时层	存储
`save-short`	直接存短时	存储
`recall-short`	短时向量召回	存储
`distill`	出实体关系蒸馏 prompt	模型 → commit-kg
`commit-kg`	写知识图谱	存储
`recall-long`	长时图谱召回	存储
`recall`	短时+长时综合 = 挖洞上下文	存储
`reinforce`	召回 + 强化摘要 prompt	模型可选回写
`expire-clean`	过期清理 + 衰减	存储
`status`	各层状态	存储
`save-state`	项目工作流断点	存储
`load-state`	载入断点	存储
`sessions`	列出有状态的会话	存储

会话约定：同一目标用同一 --session，如 target_demoapp；学习文章用 study_<主题>。

4.6 Agent 编排（`agent.py`）

HumanLikeMemoryAgent 把一轮典型流程固化为：

observe → classify → commit_classify
       → fusion → commit_fusion
       → recall（推进挖洞）
       → distill → commit_kg（结论固化）

CLI 是该类的命令行映射；业务逻辑不绑死外部 LLM SDK。

4.7 挖洞各阶段记忆节奏

阶段	记忆动作
开工	`recall` 拉历史经验，避免重复踩坑
侦察	观察 `add`；攒批后 `classify` → `commit-classify`
分析	`fusion` → `commit-fusion`；中途 `recall-short`
利用	PoC 前 `recall`；结论 `save-short`
固化	`distill` → `commit-kg`
收尾	`expire-clean`；`status`

4.8 工具使用原则（CLAUDE.md）

文档中列举了一套本地工具触发表（sqlmap、nuclei、SSRFmap、Gopherus、XSStrike、Arjun、dirsearch、ffuf、EHole、JSFinder、httpx、whatweb、SpringBoot-Scan、jwt_tool、Nmap、hashcat 等）。

原则：

工具由思考触发，不是起手全扫
禁止一上来 nuclei/dirsearch 扫完等结果
思考 → 触发 → 验证
工具结果必须再分析，不能当结论

（注意：工具本体不一定随本仓库分发，需用户自备 tools/ 环境。）

4.9 自定义 Slash 命令与 Skills

`/vuln-recall <词>`

开工或换阶段时一键召回历史经验。

`/stop [备注]`

暂停挖洞：

必要时先完成 classify + fusion
整理进度 JSON（target/phase/completed/pending/hypotheses/next/context/note）
save-state
告知用户续挖指令：recall + load-state

状态文件：vuln_memory_data/project/<session>.json。

`/study <文件|URL|主题>`

学技术文章并固化：

读全文或抓取
提炼核心技法、可复用模式、坑、实体
save-short 进短时
抽三元组 commit-kg
recall 验证

`/sub`（skill: vuln-sub）

项目完结蒸馏：

汇总成果
distill → 模型抽三元组
commit-kg
save-short 补充自然语言经验
输出图谱规模与 3–5 条核心经验

强调：失败经验同样重要。

`/report`（skill: vuln-report）

生成 reports/<目标>_<日期>.md，结构强制包含：

基本信息
漏洞总描述 + URL 列表
攻击链总览
漏洞列表（高→中→低）
- 描述、评级与依据、挖掘思路 0x01–0x05、Burp 原始包、量化危害、修复建议
关键教训
未发现漏洞的测试点（失败原因）

硬规则摘要：

无 PoC / 无落地危害 → 不计入
请求统一 Burp Repeater 原始 HTTP，禁止 curl
危害用实际数据量化
同根因多入口合并
严格引用 漏洞等级标准.md

4.10 漏洞等级标准（执行版）

文件：漏洞等级标准.md

总原则：只看已举证的实际危害；无利用链证据不计入；同根因合并；冲突以证据为准。

高危（举例门槛）

RCE / webshell / 反序列化打通 / SSTI·XXE 落地执行
大批量真实敏感数据
支付/资金逻辑可改
SQLi 拖库或 os-shell
重置管理员并进入有敏感能力后台
云凭证验证可用
认证体系整体绕过

中危

一般 SQLi（证明注入但未拖敏感）
重置普通用户 / 存储 XSS / 任意文件读写删（未到 shell）
IDOR 改他人核心资源
敏感文件含可用口令且验证连通
后台弱口令
SSRF 打内网但未升 RCE

低危

有限暴露面未授权服务
非关键信息泄露
轰炸/无频控
需配合的反射 XSS
非核心 CSRF / Cookie 属性缺失等

明确「不计入」

安全头缺失、弱 TLS、版本头、robots 等配置噪音
扫描器套话、未验证 CVE
不现实利用条件
合规话题（隐私政策措辞等）

每条报告漏洞最低举证：复现步骤、证据、实际危害说明、判级依据。

4.11 典型使用流程示例

# 1. 开工召回
python vulnmem.py recall --session target_shop --query "Java Spring 上传 SSRF"

# 2. 侦察观察写入
echo "发现 /api/v2/upload 未鉴权，后端 Tomcat" | \
  python vulnmem.py add --session target_shop --role user

# 3. 分级
python vulnmem.py classify --session target_shop
# …模型产出带【HIGH】/【LOW】文本…
printf '%s' '【HIGH】...【LOW】...' | python vulnmem.py commit-classify --session target_shop

# 4. 融合
python vulnmem.py fusion --session target_shop
printf '%s' '目标: shop | 攻击面: 上传...' | python vulnmem.py commit-fusion --session target_shop

# 5. 利用前再召回
python vulnmem.py recall --session target_shop --query "上传绕过 路径穿越"

# 6. 结项蒸馏
python vulnmem.py distill
printf '%s' '[{"type":"Vuln","entity1":"...","relation":"...","type2":"Target","entity2":"..."}]' \
  | python vulnmem.py commit-kg

# 7. 暂停
# /stop 今晚先到这

4.12 vuln-hunter 总结

维度	评价
适合谁	长期挖洞、需要跨目标经验复用、用 Claude Code 作为「大脑」的研究者
强项	四层记忆、零依赖可跑、结项蒸馏、严格评级与教学式报告
弱项	不自带完整 Web 状态机；工具链需自备；记忆质量完全依赖模型自律
与 skill1	可同时用：skill1 管覆盖与交付，vuln-hunter 管经验与续挖
与 hunter-skills	hunter 提供专项手法；vuln-hunter 把用过的手法蒸馏成可召回知识

d2b5ca33bd20260808014445

d2b5ca33bd20260808014454

d2b5ca33bd20260808014503

文章版权归作者所有，未经允许请勿转载。

THE END

AI
# SRC # skills

AI 挖洞、SRC Skills、仿生人类四层记忆系统

介绍：

1.

2. hunter-skills