从0到1大模型MCP自动化漏洞挖掘实践
本篇文章将从 0 到 1 带你实现一个 基于大模型+MCP 协议+开源信息收集工具 的自动化漏洞挖掘工具,真正迈入「模型驱动安全工具链」的新时代。AI批量刷洞的时代即将来临!!!
在传统的渗透测试过程中,信息收集、端口扫描、目录枚举、漏洞探测等步骤通常通过一系列 CLI 工具手动串联完成。工作繁琐、上下文割裂、结果不可组合,是所有红队、SRC 白帽、攻防从业者的痛点。而随着大模型能力的爆发,以及 Model Context Protocol(MCP) 的提出,我们终于可以用一种结构化的方式,让 LLM 驱动整个渗透工具链,完成自动化漏洞发现。
本篇文章将从 0 到 1 带你实现一个 基于大模型+MCP 协议+开源信息收集工具 的自动化漏洞挖掘工具,真正迈入「模型驱动安全工具链」的新时代。AI批量刷洞的时代即将来临!!!
什么是 MCP?
Model Context Protocol (MCP) 是一种用于连接 LLM 与外部环境(工具、代码、数据等)的开放协议。它通过结构化的上下文定义(Context)与标准接口调用(Function Calls / Tools),允许模型「理解」自身所处的上下文,并「调用」外部能力完成复杂推理与自动化任务。
通俗地说,MCP 是一个让 LLM 不再“瞎猜”的机制,它知道自己在看什么,能调用哪些能力,当前任务目标是什么。详细参考https://modelcontextprotocol.io/introduction
MCP漏洞挖掘实践
ollama本地模型部署
访问https://ollama.com/根据自己当前的操作系统选择对应的下载即可
下载之后,通过ollama语法进行本地部署,可根据自身性能来选择模型,访问https://ollama.com/search下载模型
ollama语法为
# 显示当前安装的 Ollama 版本
ollama --version
# 启动 Ollama 服务,默认监听在 http://localhost:11434
ollama serve
# 创建模型
ollama create <model_name> [-f <modelfile_path>]
# 查看模型信息
ollama show <model_name>
# 运行指定的模型
ollama run <model_name>
# 停止正在运行的模型
ollama stop <model_name>
# 从注册表中拉取指定的模型
ollama pull <model_name>
# 将本地模型推送到注册表
ollama push <model_name>
# 列出所有已下载的模型
ollama list
# 列出所有正在运行的模型
ollama ps
# 将一个模型复制到另一个新命名的模型
ollama cp <source_model> <destination_model>
# 删除指定的模型
ollama rm <model_name>本次下载了两个模型,都是热门下载量的模型,其中Deepseek为推理模型,为什么要下载两个模型呢?后续会有答案,会让大家意识到不同模型带来的效果很明显不同
漏洞信息收集及利用工具
本次使用到一些经典的渗透测试的开源工具,他山之玉 可以攻石,这里没必要自己实现了,毕竟菜且自知
工具 | 用途 |
Subfinder | 子域名信息收集 |
Nmap | 主机端口/服务扫描 |
Katana | 高速目录/URL 枚举 |
Nuclei | 模板化漏洞探测 |
MCP Server | 工具统一调度中台 |
OpenAI / Claude | 推理+调度+上下文分析大模型 |
MCP Server开发
使用FastMCP框架进行开发,详细使用方式可参考https://gofastmcp.com/getting-started/welcome,站在巨人的肩膀上可以更省力,能靠别人就别靠自己了
基于这个开源框架,嘎嘎一顿开发
首先咱们还是比较正规的做一个配置文档,不管三七二十一,代码写得好不好无所谓,最起码要规范
然后我们封装一个工具管理类,确保所有的工具调用都规范化,这里还是那句话,规范开发很重要(爷们要脸,手动狗头)
之后再使用FastMCP调用起来,这里我们使用任务的方式,对于每一个安全工具每次调用,通过任务来进行,避免部分工具扫描很久,就会无法返回结果
当然还可以组成一个工具链路实现完整的全自动化
就这么搞下吧,轮子也能跑起来了(记住开发的要点:又不是不能用)
MCP Client实战效果
这里选择用Cherry Studio,可以访问 https://www.cherry-ai.com/来下载,个人感觉比较容易上手且好用
然后就配置好模型
配置MCP Server连接,现在也可以用流式HTTP的了,还是比较喜欢这种方式,比本地Stdio或者SSE更习惯点吧
那么就开始一场 一顿霹雳巴拉后的成果展示
子域名信息收集
Nmap端口扫描:
之前有留过一个伏笔,就是我们还下载了deepseek r1模型,这里也展示下其模型的效果,实际上在这种单纯去理解调用mcp的时候,推理模型并不是很nice,会浪费比较多的时间,当然如果你把它引入到自我反思机制,做双模型架构那就很棒了
下列deepseek模型结果: 好像自身理解调用不太起来,当然maybe是我的prompt太拉跨或者是其自身防御机制比较强