1. 痛点突围：它究竟击穿了什么工程死穴？

大多数开源 AI 渗透测试工具停留在浅层外壳。开发者向大模型输入目标 IP 地址，系统调用 nmap 扫描端口，最后输出一份充斥着漏洞分级与标准修复建议的 PDF。这种流水线式的操作无法模拟真实攻击者的完整战术动作。真实渗透需要维持会话、处理多阶段交互式提示符，并在复杂的内网拓扑中动态调整攻击路径。

Decepticon 彻底抛弃了这种过家家式的扫描脚本逻辑。它将自己定义为自主红队代理（Autonomous Red Team Agent），引入了与真实红队工程同等严格的作战约束。在任何网络流量发出之前，系统会自动生成完整的行动包，包括作战规则、行动构想、去冲突化计划以及映射到 MITRE ATT&CK 框架的行动计划（OPPLAN）。

💡 架构核心洞见：Decepticon 用强约束的作战规划器替代了自由发挥的 LLM 循环，把 AI 的发散性思维强行收敛在合规且具备杀伤力的攻击链拓扑内。

2. 核心架构与底层数据流向解析

Decepticon 的核心架构围绕多服务协作与持久化状态机展开。整个运行栈由 LiteLLM 代理、PostgreSQL 状态后端、Neo4j 知识图谱、LangGraph 工作流引擎以及隔离沙箱组成。当用户通过 CLI 触发目标任务时，任务请求首先进入网关解析器，随后在知识图谱中构建攻击面拓扑，最后交由动态执行引擎驱动。

[ Client / CLI ] ---> [ Gateway / Parser ] ---> [ Memory Layer (Neo4j/Postgres) ]
                                 │
                                 ▼
                     [ Dynamic Execution Engine ]
                                 │
                                 ▼
                    [ Isolated Sandbox / Tmux ]

在执行层面，该架构解决了传统 AI 工具无法处理交互式 Shell 的痛点。诸如 msfconsole、sliver-client 这类实战工具高度依赖交互式提示符。Decepticon 将所有命令运行在具备自动提示符检测功能的持久化 tmux 会话中，当工具丢出一个交互式输入窗口时，代理能够精准捕获并自动发送后续命令。

3. 技术选型与性能横向硬核对比

选型维度 本方案 (Decepticon) 传统实现范式 典型竞品方案 生产环境收益
任务执行载体 持久化 tmux 会话 + 自动提示符检测 单次无状态 API 调用 瞬时容器或基础子进程 完美支持 msfconsole 等强交互工具
攻击链规划 OPPLAN 强约束 + MITRE ATT&CK 映射 脚本硬编码固定流程 纯大模型幻觉式自由发挥 降低误操作风险，复现真实攻击
知识图谱支持 Neo4j 攻击路径关联 扁平化文件存储 无结构化图谱支持 复杂内网横向移动路径推导效率翻倍
运行环境支持 Docker 一键栈部署 / SDK 嵌入 依赖复杂的本地手动配置 仅限特定云端 SaaS 环境 开发、测试、生产环境平滑迁移
基准测试表现 XBOW 102/104 (98.08% 通关率) 缺乏标准漏洞攻防验证 存在较高漏报与幻觉率 具备工业级高可靠渗透验证能力

Decepticon 在架构上放弃了轻量但脆弱的无状态脚本设计，转而拥抱以图数据库和进程管理为核心的重量级控制平面。这种取舍带来了极高的环境稳定性，使得复杂漏洞利用链的断点续传与状态回溯成为可能。

4. 手把手极客实操：从零构建最小闭环

在 macOS、Linux 或 WSL2 环境下，可以通过官方提供的标准安装脚本快速引导整个核心管理栈。

# 抓取官方安装脚本并写入本地执行
curl -fsSL https://decepticon.red/install | bash

# 启动交互式设置向导，配置大模型 Provider、API 密钥与模型配置文件
decepticon onboard

# 启动核心管理栈（LiteLLM, Postgres, Neo4j, LangGraph, 沙箱）并进入终端 CLI
decepticon

若需将代理集成至主流编码工具（如 Claude Code 或 Codex），可通过 MCP 协议直接挂载服务端：

# 将 Decepticon 注册为 Claude Code 的 MCP 服务器
claude mcp add --scope user decepticon -- decepticon mcp serve

# 将操作指南同步安装至外部代理
decepticon skill install

开发者也可以直接作为 Python 库进行二次开发，将代理逻辑嵌入自定义的产品或研究流中：

from decepticon.sdk import AgentFactory, PluginBundle

# 初始化核心客户端代理并挂载图数据库攻击链工具插件
agent = AgentFactory.create(
    model="gpt-4o",
    plugins=[PluginBundle.neo4j_attack_chain()]
)

# 启动自动化侦察与目标任务分发
result = agent.run_engagement(target="192.168.1.100", scope="strict")
print(f"Engagement completed with status: {result.status}")

5. 生产落地踩坑指南与避坑建议 (Gotchas)

在生产环境或高强度对抗演练中部署 Decepticon 时，资源消耗与冷启动延迟是必须重点调优的工程瓶颈。

⚠️ 避坑预警 [服务冷启动延迟]：由于底层同时拉起了 LiteLLM、Neo4j、Postgres 及多类 Specialist 工作负载容器，首次执行 decepticon 时 Docker 栈的健康检查可能导致数十秒的延迟。切勿在容器未完全就绪前盲目下发攻击任务，务必通过 docker compose logs 确认图数据库与 LangGraph 服务正常响应后再进入 CLI。

⚠️ 避坑预警 [Token 消耗失控]：在处理复杂的长链路渗透任务时，LangGraph 频繁的上下文回溯与知识图谱交互会产生巨大的 Token 吞吐量。建议在 decepticon onboard 阶段严格配置模型配额限制，并在本地网关层开启响应缓存，避免因无限重试耗尽 API 额度。