STRIX部署指南

项目概述

​ Strix是自主的AI代理，行为就像真正的黑客一样——它们动态运行你的代码，发现漏洞，并通过实际概念验证进行验证。专为开发者和安全团队打造，帮助他们快速、准确地进行安全测试，避免手动渗透测试的负担或静态分析工具的误报。

1.1核心特性

  • 开箱即用的完整黑客工具包
  • 协作与扩展的代理团队
  • 真正的验证是用PoC，而不是假阳性
  • 以开发者为中心的CLI和可作的报告
  • 自动修复与报告以加速修复

1.2核心架构分析

Strix的架构设计可以概括为四层:

┌─────────────────────────────────────────┐
│   用户层：CLI/TUI交互界面                  │
├─────────────────────────────────────────┤
│   智能层：StrixAgent + Multi-Agent协作    │
├─────────────────────────────────────────┤
│   工具层：12类专业工具（Browser/Proxy等）   │
├─────────────────────────────────────────┤
│   运行时层：Docker沙箱 + 隔离环境           │
└─────────────────────────────────────────┘

第一层：用户层

  • 交互式TUI：基于Textual框架的终端UI，实时显示Agent状态、漏洞发现、工具调用
  • 非交互式CLI：适合CI/CD集成，直接输出扫描结果
# 交互式模式：适合开发者手动测试
strix --target ./app-directory

# 非交互式模式：适合CI/CD流水线
strix -n --target https://your-app.com

开发阶段用交互模式调试，生产环境用非交互模式自动化。

第二层：智能层

这是Strix最核心的部分。它实现了一个多智能体协作系统，每个Agent都有明确的职责：

# 核心Agent基类的设计（简化版）
class BaseAgent:
    def __init__(self, config):
        self.llm = LLM(config)  # 大模型驱动
        self.state = AgentState()  # 状态管理
        self.max_iterations = 300  # 最大迭代次数
    
    async def agent_loop(self, task):
        while not self.state.should_stop():
            # 1. LLM生成下一步行动
            response = await self.llm.generate(conversation_history)
            
            # 2. 解析并执行工具调用
            actions = parse_tool_invocations(response.content)
            result = await execute_tools(actions)
            
            # 3. 更新对话历史，继续推理
            self.state.add_message("assistant", response.content)
            self.state.add_message("user", result)

注意几个关键设计：

  • 最大300次迭代：避免Agent陷入死循环
  • 对话历史管理：通过Memory Compressor压缩上下文，避免超出Token限制
  • 工具调用解析：从LLM输出中提取XML格式的工具调用指令

第三层：工具层

Strix给Agent配备了12类专业工具，覆盖渗透测试的各个环节：

工具类别 功能描述 典型场景
Browser 自动化浏览器操作 测试XSS、CSRF、点击劫持
Proxy HTTP流量拦截与分析 抓包分析、请求重放
Terminal Shell命令执行 运行扫描工具（nmap/sqlmap）
Python 动态代码执行 编写自定义漏洞利用脚本
FileEdit 代码修改与审计 白盒测试中的代码修复
WebSearch 联网搜索 查询最新漏洞利用方法
Reporting 漏洞报告生成 创建标准化漏洞报告
AgentsGraph Agent协调管理 创建子Agent、消息传递

每个工具都是通过装饰器注册到系统中：

@register_tool(sandbox_execution=True)
def send_request(method: str, url: str, headers: dict, body: str):
    """使用代理发送HTTP请求"""
    manager = get_proxy_manager()
    return manager.send_simple_request(method, url, headers, body)

这种设计有两个好处：

  1. 插件化扩展：新增工具只需添加函数+注册装饰器
  2. 沙箱隔离：危险操作在Docker容器中执行，保证主机安全

第四层：运行时层

渗透测试工具本质上是"合法的黑客工具"，如果不加控制，可能对主机造成威胁。Strix的解决方案是：所有危险操作都在Docker容器中执行。

class DockerRuntime:
    def create_sandbox(self, agent_id, local_sources):
        # 1. 创建隔离容器
        container = self.client.containers.run(
            STRIX_IMAGE,
            detach=True,
            cap_add=["NET_ADMIN", "NET_RAW"],  # 网络权限
            environment={
                "TOOL_SERVER_PORT": tool_server_port,
                "TOOL_SERVER_TOKEN": token,  # 认证Token
            }
        )
        
        # 2. 启动工具服务器
        container.exec_run(
            f"poetry run python strix/runtime/tool_server.py"
        )
        
        return container.id

关键设计点：

  • 每个扫描任务一个独立容器：避免相互干扰
  • Token认证：Agent与容器通信需要验证身份
  • 网络隔离：容器无法访问主机网络（除非显式映射）

1.3核心功能展示

首次运行STRIX的时候，项目需要先调用sandbox的镜像，所以需要等几分钟才能看到可交互式的页面。运行的过程中使用

docker ps

在这里插入图片描述

可以看到正在运行的sandbox的镜像，以及他们在strix_run目录下输出的渗透报告

  1. 扫描本地文件

    strix --target ./SpringBoot-Scan-2.7 -m quick

    ps:这里调用的是可交互式的agent页面，所以下面是由输入框的

  2. 扫描网址

    strix -t http://172.17.20.19/pikachu/ -m quick

    这个不知道是不是因为不在本地的原因，扫起来特别的慢

  3. 是否启用全自动扫描

    这个和上面的区别就是加个参数 -n，这里就不列完整的代码了。

    这个模式下使用的是非交互式的界面，他会把输出报告的路径告诉我们，等他扫完我们去看一下就好了

  4. 具体要求

    这个是基于我们上面的指令以及ai的调入，我们可以在运行strix附上我们的需求，这个需求可以是一个md文件，也可以是一句话

    在这里插入图片描述

  5. 文档输出

    在他任务完成之后我们可以要求他写一份报告给我们，因为这里我们给他的文件是springboot的一款扫描工具，所以他反馈给我们的并不是一个漏洞报告，而是更偏向一个操作指南的一个形式

    最后的内容他会存放在strix_runs文件目录下

    之后我又把pikachu的靶场给了他让他测试，他通过scan的工具也可以扫出来一些比较简单的漏洞

  6. 运行结果

    在运行完成之后，他会把本次运行使用的模型，已经输出和输出展示给我们做一个总结，如果用的是api调用的话，还会告诉我们这次渗透使用的tokens

    在这里插入图片描述

部署环境

2.1 系统要求

#操作系统
- Ubuntu 20.04+ 
- CentOS 8+

#软件依赖
- Python 3.12+
- Docker 20.10+ (可选，用于容器化部署)
- Git 2.20+ (用于代码获取)

# 硬件要求
内存：至少8GB，推荐16GB以上
存储：50GB可用磁盘空间
网络：稳定的互联网连接

2.2部署环境

python3 --version
pip3 --version
pipx

项目部署

3.1 STRIX的部署

  1. 首先是将strix的源码从github上面拉下来

  2. 接着进行安装

    # Install Strix
curl -sSL https://strix.ai/install | bash

# Or via pipx
pipx install strix-agent

  3. 接下来就可以配置大模型了，这里我们使用的是公司的ollama

    模型名称：gpt-oss:20b
API链接：http://172.17.250.247:11434/

    具体使用的话是可以看Local Models - Strix项目的官方api调用文档的，其中有提到本地的ollama以及LM Studio / OpenAI Compatible的调用

    #ollama
export STRIX_LLM="ollama/qwen3-vl"
export LLM_API_BASE="http://localhost:11434"
#LM Studio / OpenAI Compatible
export STRIX_LLM="openai/local-model"
export LLM_API_BASE="http://localhost:1234/v1"  # Adjust port as needed

    这里的话我们先调用ollama的接口进行测试

  4. 接下来是最头疼的一步，即docker沙箱的拉取。沙箱的名字叫ghcr.io/usestrix/strix-sandbox:0.1.10，这个镜像有非常多的层，而且每层都非常大，拉取都要拉半天，本来是初次运行的时候项目会自动拉取，可是拉的实在是太慢了(具体原因后面分析)最后只能手动拉取

  5. 最后就是接入ollama，然后进行本地测试

    根据官方的API调用规则，我们可以在终端临时设置变量

    export STRIX_LLM="ollama/gpt-oss:20b"
export LLM_API_BASE="http://172.17.250.247:11434"
# echo 可以检查自己的设置的路径是否成功
echo "$STRIX_LLM"                                                
echo "$LLM_API_BASE"

3.2 STRIX的使用

详细指南

strix -h

可以看到各个参数是如何设置的

到基本用途

# Scan a local codebase
strix --target ./app-directory

# Security review of a GitHub repository
strix --target https://github.com/org/repo

# Black-box web application assessment
strix --target https://your-app.com

扩展用途

# Grey-box authenticated testing
strix --target https://your-app.com --instruction "Perform authenticated testing using credentials: user:pass"

# Multi-target testing (source code + deployed app)
strix -t https://github.com/org/app -t https://your-app.com

# Focused testing with custom instructions
strix --target api.your-app.com --instruction "Focus on business logic flaws and IDOR vulnerabilities"

# Provide detailed instructions through file (e.g., rules of engagement, scope, exclusions)
strix --target api.your-app.com --instruction-file ./instruction.md

# 还可以设置扫描的速率
-m [quick，standard，deep]

部署难点

项目虽然运行起来简单，但是部署的过程中遇到了很多麻烦，且网上文献不算很多，大部分只能自己解决

4.1 本地模型部署

首先是本地大模型的部署，公司的ollama是在一台win下面跑的，ip段是172.17.250.247，但是公司一开始给的网段是在192.xxx.xxx.xxx下的，所以win可以ping通但是虚拟机下访问不了，且改为桥接模式下也不行。最后更改了主机的网络，用了另一台路由器，将ip放到了同一网段下172.17.xxx.xxx，在桥接模式下终于可以访问了。

4.2 docker中sandbox的拉取

这个是该项目的最大的难点，因为STRIX的工具非常齐全，所以他运行的沙箱也非常的大，由于该项目是国外的，如果按照他github上来的话根本拉不下来

​ 在这里插入图片描述

查找了相关资料后，我听到有个说法是Linux 上通过临时命令 export HTTP_PROXY 设置的代理，对 curl 这些有用，但是对 docker pull 不起作用。所以就去学了一下在sys目录下设固定环境变量来走了代理，设完之后继续拉，一看速率，依旧龟速，所以这个方案也暴毙了。最后实在是拉不下来，我选择了用在win下面拉取之后再转到linux上，依旧是要开代理和换源，最后走的是南京大学的镜像拉的。但是也下了很久。

下完之后我们把镜像改成原来的名字，然后帮他压缩成一个压缩包发给kali

docker tag ghcr.nju.edu.cn/usestrix/strix-sandbox:0.1.10 ghcr.io/usestrix/strix-sandbox:0.1.10

在这里插入图片描述

docker save -o strix-sandbox.tar ghcr.io/usestrix/strix-sandbox:0.1.10

第二个问题就是我的kali其实不能直接往里面拖东西，装了vmtools也不行，所以这里我把docker的镜像压缩成一个tar文件，然后用wget下的，我在win本地把小皮开了，从而快速搭建了一个运行传输文件的网站

wget -c http:// 192.168.3.228/strix-sandbox.tar#这里一定要加上-c的指令，因为这个沙箱太大了，传输的时候非常容易中断，加上-c的指令之后可以接着上一次的继续传输
sudo docker load -i strix-sandbox.tar

然后解压，这样镜像就总算是搞完了

在这里插入图片描述

总结

从扫描目标URL的方式来说，发现Strix还是有一定的可取之处，在扫描日志中发现它会调用目录爆破、SQLMAP等工具进行扫描，也会根据参数特征进行相应的测试，结果报告内容结构完整，在服务器性能允许+忽略token成本的前提下，应该可以获得不错的扫描效果。而对于扫描代码包进行源代码审计来说，Strix与Trae、Cursor等原生AI IDE来说，可能就不太有竞争力了。而且它太烧tokens，本地的AI如果不是有超大显存的支持下，根本没有什么太大的效果，最影响体验的地方是它跑的实在是太慢了

参考资料

  1. STRIX GitHub仓库：usestrix/strix：用于渗透测试的开源AI代理
  2. STRIX 本地api调用:Local Models - Strix
  3. Strix安全测试平台：从零搭建企业级AI渗透测试环境-CSDN博客
  4. Strix自动渗透测试平台搭建与使用-
  5. 【AI自动渗透】strix 使用记录 | CN-SEC 中文网
# 人工智能 # 自动化 # 运维 # 安全 # 网络
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

2026年最新AI大模型学习路线，零基础入门到精通（非常详细）收藏这一篇就够了！

avatar 2048 AI社区
cover

国产麒麟系统安装部署OpenClaw完整指南（适配V10/VSP）国产操作系统的AI智能体部署

avatar 2048 AI社区

UXbot 是什么？一句指令生成完整应用的 AI 工具

UXbot 是一款 AI 驱动的无代码（No-Code）应用构建工具，由人工智能技术提供核心能力。其核心功能是：用户只需通过自然语言描述产品需求，系统即可自动生成完整的多页面应用——包含产品逻辑图、用户旅程规划、高保真可交互界面，以及可直接交付给研发团队使用的多种格式原生代码。无代码意味着：整个过程中，用户无需编写任何一行代码。AI 负责将产品描述翻译成结构化的应用架构，用户只需确认和调整生成结果

avatar 2048 AI社区