HexStrike + DeepSeek + Cherry,最强AI渗透组合,打破手工渗透壁垒!

HexStrike + DeepSeek + Cherry,最强AI渗透组合,打破手工渗透壁垒!

文章目录

环境准备

将文件包全部放到某个目录下,便于之后操作:

在这里插入图片描述

HexStrike部署

  • HexStrike是一个开源的“AI 驱动”自动化渗透测试框架,它把 150+ 常见安全工具(Nmap、Nuclei、Metasploit、Ghidra、SQLMap、ZAP 等)全部封装成统一函数,再通过 MCP 协议暴露给大模型,使得 Claude / GPT 等 LLM 可以像调用“插件”一样直接指挥这些工具。
  • 框架里还预制了 12 个“AI Agent”角色(侦察、利用、后渗透、报告等),用户只需要用自然语言下任务,系统便自动完成 “目标识别 → 工具挑选 → 命令拼接 → 结果解析 → 下一步决策” 的闭环循环,并输出带漏洞卡片和风险评级的可视化报告。
  • 我们将它部署在kali上,先下载HexStrike源码,然后运行如下命令(最好是root用户):
# 更新源apt update # 安装基础环境aptinstall -y python3 python3-venv python3-pip gitcurl# 开始搭建HexStrikecd /hexstrike # 创建hexstrike的虚拟环境 python -m venv hexstrike-env # 进入虚拟环境的/bin/activate目录操作source hexstrike-env/bin/activate # 安装python依赖 pip3 install -r requirements.txt # 如果下载比较慢,或者出现下载失败的情况,建议换国内源下载 pip install -r requirements.txt \ -i https://pypi.tuna.tsinghua.edu.cn/simple \ --trusted-host pypi.tuna.tsinghua.edu.cn 
在这里插入图片描述
  • 安装时间会比较长,等待安装完成后,我们启动服务端,监听8888端口:
python hexstrike_server.py --port 8888
在这里插入图片描述

访问http://<kali-ip>:8888/health如果有内容回显,说明没问题:

在这里插入图片描述

DeepSeek API获取

将API key复制保存好,一会会用到:

在这里插入图片描述

然后点击API keys,创建一个新的API key

在这里插入图片描述

打开DeepSeek官网,点击右上角的API开放平台(当然也可以用其他大模型的):

在这里插入图片描述

Python环境安装

  • 由于我之前安装过python 3.11了,所以这里显示的是3.11

打开终端输入python -V验证python是否安装成功:

在这里插入图片描述

点击Install Now,等待安装完毕:

在这里插入图片描述

双击安装:

在这里插入图片描述

之后Cherry Studio会用到python以及库环境,所以我们先安装一下,下载Python的安装包(如果安装过python3的可以直接跳到下一步,避免环境冲突):

在这里插入图片描述

安装环境依赖

  • 输入如下命令安装依赖的库环境:

python安装完毕之后,这里pip要和刚才安装的python所对应:

在这里插入图片描述
# 更新pip软件源 python -m pip install --upgrade pip setuptools wheel -i https://mirrors.ustc.edu.cn/pypi/simple # 安装requests、mcp库 pip3 install requests mcp -i https://mirrors.ustc.edu.cn/pypi/simple 

Cherry Studio搭建

  • Cherry Studio是一个面向安全研究者的 “可视化任务编排 + 工具集成” 平台,它和 HexStrike 类似,也内置了 BurpSuite、Nmap、Metasploit 等主流工具的快速接入接口,并通过 REST API/SDK 让开发者自己扩展功能。
  • Cherry 的亮点在于“拖拖拽拽就能配出一条扫描流水线”,对不想写代码的渗透测试员更友好

能够正常运行说明已经安装成功:

在这里插入图片描述

等待它安装完成:

在这里插入图片描述

选择安装目录,就安装到D盘好了,默认安装到C盘也行:

在这里插入图片描述

这里我们将他搭建到Windows上,下载安装包,然后双击安装,选择为所有用户安装:

在这里插入图片描述

Cherry联动HexStrike

  • 上述环境全部配置成功后,接下来我们让Cherry联动HexStrike,使他们正常通信
  • 这里我们先在HexStrike文件夹下找到hexstrike_mcp.py文件,记住它的文件路径
  • 如果这里提示连接失败,可以尝试充点钱,或者换成其他免费大模型的API
  • 如此一来,我们就成功搭建好了HexStrike + DeepSeek + Cherry的AI渗透助手来帮助我们完成渗透测试了!

然后我们配置刚才创建MCP服务器:

在这里插入图片描述

保存之后,我们替换大模型为DeepSeek:

在这里插入图片描述

回到首页,我们重新创建一个独属于我们的AI渗透模型:

在这里插入图片描述

然后我们选择模型服务这里,按照下图的步骤配置DeepSeek:

在这里插入图片描述

点击保存之后,启动该服务器:

在这里插入图片描述

当这里变成绿色之后,点击添加MCP服务器,选择快速创建并填入相关信息:

在这里插入图片描述

然后我们在Cherry中点击右上角的齿轮设置选项,选择 MCP:

在这里插入图片描述


在这里插入图片描述

Read more

盘点|2025 无人机四大顶会最值得阅读的16篇论文(IROS/ICRA/RSS/CoRL)

盘点|2025 无人机四大顶会最值得阅读的16篇论文(IROS/ICRA/RSS/CoRL)

「 在看、在理解、在博弈 」 目录 01  IROS(4篇) Automatic Generation of Aerobatic Flight in Complex Environments via Diffusion Models Flying on Point Clouds with Reinforcement Learning Perception-aware Planning for Quadrotor Flight in Unknown and Feature-limited Environments PI-WAN: A Physics-Informed Wind-Adaptive Network for Quadrotor Dynamics Prediction in Unknown Environments 02  ICRA(4篇)

Diffusion Transformer(DiT)——将扩散过程中的U-Net换成ViT:近频繁用于视频生成与机器人动作预测(含清华Prediction with Action详解)

Diffusion Transformer(DiT)——将扩散过程中的U-Net换成ViT:近频繁用于视频生成与机器人动作预测(含清华Prediction with Action详解)

前言 本文最开始属于此文《视频生成Sora的全面解析:从AI绘画、ViT到ViViT、TECO、DiT、VDT、NaViT等》 但考虑到DiT除了广泛应用于视频生成领域中,在机器人动作预测也被运用的越来越多,加之DiT确实是一个比较大的创新,影响力大,故独立成本文 第一部分 Diffusion Transformer(DiT):将扩散过程中的U-Net 换成ViT 1.1 什么是DiT 1.1.1 DiT:在VAE框架之下扩散去噪中的卷积架构换成Transformer架构 在ViT之前,图像领域基本是CNN的天下,包括扩散过程中的噪声估计器所用的U-net也是卷积架构,但随着ViT的横空出世,人们自然而然开始考虑这个噪声估计器可否用Transformer架构来代替 2022年12月,William Peebles(当时在UC Berkeley,Peebles在𝕏上用昵称Bill,在Linkedin上及论文署名时用大名William)、Saining Xie(当时在纽约大学)的两人通过论文《Scalable Diffusion Models with Trans

基于深度学习图像分割的无人机洪水灾害图像分割检测与水量估算 洪水分割数据集 图像分割算法

基于深度学习图像分割的无人机洪水灾害图像分割检测与水量估算 洪水分割数据集 图像分割算法

🌊 洪水检测与水量估算🌊 洪水检测与水量估算 🌊 洪水检测与水域估算 该项目专注于利用深度学习技术,从卫星或航空图像中检测受洪水影响的区域,并估算水域覆盖范围。它整合了多种卷积神经网络架构,包括LeNet、ResNet、VGG和U-Net,以执行图像分割和分类任务。该项目专注于利用深度学习技术,从卫星或航空图像中检测受洪水影响的区域,并估算水域覆盖范围。它整合了多种卷积神经网络架构,包括LeNet、ResNet、VGG和U-Net,以执行图像分割和分类任务。该项目专注于利用深度学习技术,从卫星或航空图像中检测受洪水影响的区域,并估算水域覆盖范围。它整合了多种卷积神经网络架构,包括LeNet、ResNet、VGG和U-Net,以执行图像分割和分类任务。 🔍 主要特点🔍 主要特点 🔍 主要特点 * 使用U-Net进行图像分割,以识别水体和洪水淹没区域。使用U-Net进行图像分割,以识别水体和洪水淹没区域。使用U-Net进行图像分割,以识别水体和洪水淹没区域。 * LeNet、ResNet和VGG模型的比较,以评估洪水检测的性能。LeNet、ResNet和VGG模型的

实测Qwen2.5-0.5B极速对话机器人:CPU环境下的惊艳表现

实测Qwen2.5-0.5B极速对话机器人:CPU环境下的惊艳表现 1. 项目背景与技术选型 随着边缘计算和本地化AI服务的兴起,轻量级大模型在资源受限设备上的部署需求日益增长。传统的大型语言模型通常依赖高性能GPU进行推理,这限制了其在低成本、低功耗场景中的应用。为解决这一问题,阿里云推出的 Qwen2.5 系列 提供了从 0.5B 到 72B 不同参数规模的模型版本,其中 Qwen/Qwen2.5-0.5B-Instruct 是该系列中体积最小、响应最快的一款。 本文基于官方发布的 Qwen/Qwen2.5-0.5B-Instruct 极速对话机器人镜像,实测其在纯 CPU 环境下的推理性能与交互体验。该模型经过高质量指令微调,在保持仅约 1GB 模型权重的前提下,具备出色的中文理解能力、逻辑推理能力和基础代码生成能力,特别适合用于本地聊天助手、智能客服前端、教育工具等对延迟敏感的应用场景。 核心优势总结:✅ 官方正版模型,支持流式输出✅