wehub/vxcontrol--pentagi

Fork 0

Files

T

wehub-resource-sync f1fd3b52e1

Docker build and push / lint-and-test (push) Waiting to run

Details

Docker build and push / docker-build (push) Blocked by required conditions

Details

docs: make Chinese README the default

2026-07-13 10:41:31 +00:00

186 KiB

Raw Blame History

Note

本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

PentAGI

Penetration testing Artificial General Intelligence

加入社区！ 与安全研究人员、AI 爱好者以及道德黑客（ethical hackers）同行交流。获取支持、分享见解，并及时了解 PentAGI 的最新进展。

⠀

概述
功能特性
架构
- 高级智能体监督
快速开始
登录后如何使用 PentAGI
API 访问
- LLM 提供商配置
  - Ollama
  - OpenAI
  - Anthropic
  - Google AI (Gemini)
  - AWS Bedrock
  - DeepSeek
  - GLM
  - Kimi
  - Qwen
高级配置
开发
测试 LLM 智能体
Embedding 配置与测试
使用 ftester 进行函数测试
构建
致谢
许可证

概述

PentAGI 是一款创新的自动化安全测试工具，采用前沿的人工智能技术。该项目面向信息安全专业人员、研究人员和爱好者，为他们提供强大且灵活的渗透测试解决方案。

你可以观看视频 PentAGI overview：

功能特性

安全且隔离。所有操作均在沙箱化的 Docker 环境中执行，实现完全隔离。
完全自主。由 AI 驱动的智能体自动确定并执行渗透测试步骤，可选执行监控与智能任务规划，以提升可靠性。
专业渗透测试工具。内置 20+ 款专业安全工具，包括 nmap、metasploit、sqlmap 等。
智能记忆系统。长期存储研究成果与成功方法，供后续使用。
知识图谱集成。基于 Graphiti 的知识图谱，使用 Neo4j 进行语义关系追踪与高级上下文理解。
网络情报。通过内置浏览器与 scraper 从网络来源收集最新信息。
外部搜索系统。集成多种高级搜索 API，包括 Tavily, Traversaal, Perplexity, DuckDuckGo, Google Custom Search, Sploitus Search 以及 Searxng，用于全面的信息收集。
专家团队。委派系统配备专业化 AI 智能体，分别负责研究、开发与基础设施任务，并可选执行监控与智能任务规划，以便在较小模型上也能获得最佳性能。
全面监控。详细日志记录，并集成 Grafana/Prometheus，实现实时系统观测。
详细报告。生成详尽的漏洞报告及利用指南。
智能容器管理。根据具体任务需求自动选择 Docker 镜像。
现代界面。简洁直观的 Web UI，用于系统管理与监控。
完整 API。功能齐全的 REST 与 GraphQL API，支持 Bearer token 认证，便于自动化与集成。
持久化存储。所有命令与输出均存储在 PostgreSQL 中，并使用 pgvector 扩展。
可扩展架构。基于微服务的设计，支持水平扩展。
自托管方案。完全掌控部署与数据。
灵活认证。支持 10+ 种 LLM 提供商（OpenAI, Anthropic, Google AI/Gemini, AWS Bedrock, Ollama, DeepSeek, GLM, Kimi, Qwen, Custom），以及聚合器（OpenRouter, DeepInfra).。若要在生产环境本地部署，请参阅我们的 vLLM + Qwen3.5-27B-FP8 指南。
API Token 认证。安全的 Bearer token 系统，用于以编程方式访问 REST 与 GraphQL API。
快速部署。通过 Docker Compose 轻松完成设置，并提供全面的环境配置。

当前能力边界

PentAGI 目前是一个自主且由助手引导的渗透测试平台，而非 CALDERA 风格的入侵与攻击模拟（Breach and Attack Simulation，BAS）或带有预定义战役/攻击计划的对手仿真（adversary emulation）产品。
类似 BAS 的由智能体编写的攻击脚本应视为概念性工作或未来规划，而非当前已实现的功能。
当前的流程报告 UI 支持 Web 查看、复制到剪贴板、Markdown 下载与 PDF 下载。JSON 格式的 flow-report 导出目前未记录为受支持的输出格式。
提供商灵活性目前可通过内置提供商以及自定义/OpenAI 兼容端点实现。请参阅自定义 LLM 提供商配置与 vLLM + Qwen3.5-27B-FP8 指南。

架构

系统上下文

flowchart TB
    classDef person fill:#08427B,stroke:#073B6F,color:#fff
    classDef system fill:#1168BD,stroke:#0B4884,color:#fff
    classDef external fill:#666666,stroke:#0B4884,color:#fff

    pentester["👤 Security Engineer
    (User of the system)"]

    pentagi["✨ PentAGI
    (Autonomous penetration testing system)"]

    target["🎯 target-system
    (System under test)"]
    llm["🧠 llm-provider
    (OpenAI/Anthropic/Ollama/Bedrock/Gemini/Custom)"]
    search["🔍 search-systems
    (Google/DuckDuckGo/Tavily/Traversaal/Perplexity/Sploitus/Searxng)"]
    langfuse["📊 langfuse-ui
    (LLM Observability Dashboard)"]
    grafana["📈 grafana
    (System Monitoring Dashboard)"]

    pentester --> |Uses HTTPS| pentagi
    pentester --> |Monitors AI HTTPS| langfuse
    pentester --> |Monitors System HTTPS| grafana
    pentagi --> |Tests Various protocols| target
    pentagi --> |Queries HTTPS| llm
    pentagi --> |Searches HTTPS| search
    pentagi --> |Reports HTTPS| langfuse
    pentagi --> |Reports HTTPS| grafana

    class pentester person
    class pentagi system
    class target,llm,search,langfuse,grafana external

    linkStyle default stroke:#ffffff,color:#ffffff

容器架构（点击展开）

graph TB
    subgraph Core Services
        UI[Frontend UI<br/>React + TypeScript]
        API[Backend API<br/>Go + GraphQL]
        DB[(Vector Store<br/>PostgreSQL + pgvector)]
        MQ[Task Queue<br/>Async Processing]
        Agent[AI Agents<br/>Multi-Agent System]
    end

    subgraph Knowledge Graph
        Graphiti[Graphiti<br/>Knowledge Graph API]
        Neo4j[(Neo4j<br/>Graph Database)]
    end

    subgraph Monitoring
        Grafana[Grafana<br/>Dashboards]
        VictoriaMetrics[VictoriaMetrics<br/>Time-series DB]
        Jaeger[Jaeger<br/>Distributed Tracing]
        Loki[Loki<br/>Log Aggregation]
        OTEL[OpenTelemetry<br/>Data Collection]
    end

    subgraph Analytics
        Langfuse[Langfuse<br/>LLM Analytics]
        ClickHouse[ClickHouse<br/>Analytics DB]
        Redis[Redis<br/>Cache + Rate Limiter]
        MinIO[MinIO<br/>S3 Storage]
    end

    subgraph Security Tools
        Scraper[Web Scraper<br/>Isolated Browser]
        PenTest[Security Tools<br/>20+ Pro Tools<br/>Sandboxed Execution]
    end

    UI --> |HTTP/WS| API
    API --> |SQL| DB
    API --> |Events| MQ
    MQ --> |Tasks| Agent
    Agent --> |Commands| PenTest
    Agent --> |Queries| DB
    Agent --> |Knowledge| Graphiti
    Graphiti --> |Graph| Neo4j

    API --> |Telemetry| OTEL
    OTEL --> |Metrics| VictoriaMetrics
    OTEL --> |Traces| Jaeger
    OTEL --> |Logs| Loki

    Grafana --> |Query| VictoriaMetrics
    Grafana --> |Query| Jaeger
    Grafana --> |Query| Loki

    API --> |Analytics| Langfuse
    Langfuse --> |Store| ClickHouse
    Langfuse --> |Cache| Redis
    Langfuse --> |Files| MinIO

    classDef core fill:#f9f,stroke:#333,stroke-width:2px,color:#000
    classDef knowledge fill:#ffa,stroke:#333,stroke-width:2px,color:#000
    classDef monitoring fill:#bbf,stroke:#333,stroke-width:2px,color:#000
    classDef analytics fill:#bfb,stroke:#333,stroke-width:2px,color:#000
    classDef tools fill:#fbb,stroke:#333,stroke-width:2px,color:#000

    class UI,API,DB,MQ,Agent core
    class Graphiti,Neo4j knowledge
    class Grafana,VictoriaMetrics,Jaeger,Loki,OTEL monitoring
    class Langfuse,ClickHouse,Redis,MinIO analytics
    class Scraper,PenTest tools

实体关系（点击展开）

erDiagram
    Flow ||--o{ Task : contains
    Task ||--o{ SubTask : contains
    SubTask ||--o{ Action : contains
    Action ||--o{ Artifact : produces
    Action ||--o{ Memory : stores

    Flow {
        string id PK
        string name "Flow name"
        string description "Flow description"
        string status "active/completed/failed"
        json parameters "Flow parameters"
        timestamp created_at
        timestamp updated_at
    }

    Task {
        string id PK
        string flow_id FK
        string name "Task name"
        string description "Task description"
        string status "pending/running/done/failed"
        json result "Task results"
        timestamp created_at
        timestamp updated_at
    }

    SubTask {
        string id PK
        string task_id FK
        string name "Subtask name"
        string description "Subtask description"
        string status "queued/running/completed/failed"
        string agent_type "researcher/developer/executor"
        json context "Agent context"
        timestamp created_at
        timestamp updated_at
    }

    Action {
        string id PK
        string subtask_id FK
        string type "command/search/analyze/etc"
        string status "success/failure"
        json parameters "Action parameters"
        json result "Action results"
        timestamp created_at
    }

    Artifact {
        string id PK
        string action_id FK
        string type "file/report/log"
        string path "Storage path"
        json metadata "Additional info"
        timestamp created_at
    }

    Memory {
        string id PK
        string action_id FK
        string type "observation/conclusion"
        vector embedding "Vector representation"
        text content "Memory content"
        timestamp created_at
    }

Agent 交互（点击展开）

sequenceDiagram
    participant O as Orchestrator
    participant R as Researcher
    participant D as Developer
    participant E as Executor
    participant VS as Vector Store
    participant KB as Knowledge Base

    Note over O,KB: Flow Initialization
    O->>VS: Query similar tasks
    VS-->>O: Return experiences
    O->>KB: Load relevant knowledge
    KB-->>O: Return context

    Note over O,R: Research Phase
    O->>R: Analyze target
    R->>VS: Search similar cases
    VS-->>R: Return patterns
    R->>KB: Query vulnerabilities
    KB-->>R: Return known issues
    R->>VS: Store findings
    R-->>O: Research results

    Note over O,D: Planning Phase
    O->>D: Plan attack
    D->>VS: Query exploits
    VS-->>D: Return techniques
    D->>KB: Load tools info
    KB-->>D: Return capabilities
    D-->>O: Attack plan

    Note over O,E: Execution Phase
    O->>E: Execute plan
    E->>KB: Load tool guides
    KB-->>E: Return procedures
    E->>VS: Store results
    E-->>O: Execution status

记忆系统（点击展开）

graph TB
    subgraph "Long-term Memory"
        VS[(Vector Store<br/>Embeddings DB)]
        KB[Knowledge Base<br/>Domain Expertise]
        Tools[Tools Knowledge<br/>Usage Patterns]
    end

    subgraph "Working Memory"
        Context[Current Context<br/>Task State]
        Goals[Active Goals<br/>Objectives]
        State[System State<br/>Resources]
    end

    subgraph "Episodic Memory"
        Actions[Past Actions<br/>Commands History]
        Results[Action Results<br/>Outcomes]
        Patterns[Success Patterns<br/>Best Practices]
    end

    Context --> |Query| VS
    VS --> |Retrieve| Context

    Goals --> |Consult| KB
    KB --> |Guide| Goals

    State --> |Record| Actions
    Actions --> |Learn| Patterns
    Patterns --> |Store| VS

    Tools --> |Inform| State
    Results --> |Update| Tools

    VS --> |Enhance| KB
    KB --> |Index| VS

    classDef ltm fill:#f9f,stroke:#333,stroke-width:2px,color:#000
    classDef wm fill:#bbf,stroke:#333,stroke-width:2px,color:#000
    classDef em fill:#bfb,stroke:#333,stroke-width:2px,color:#000

    class VS,KB,Tools ltm
    class Context,Goals,State wm
    class Actions,Results,Patterns em

链式摘要（点击展开）

链式摘要（Chain Summarization）系统通过选择性摘要较早的消息来管理对话上下文的增长。这对于在保持对话连贯性的同时避免超出 token 限制至关重要。

flowchart TD
    A[Input Chain] --> B{Needs Summarization?}
    B -->|No| C[Return Original Chain]
    B -->|Yes| D[Convert to ChainAST]
    D --> E[Apply Section Summarization]
    E --> F[Process Oversized Pairs]
    F --> G[Manage Last Section Size]
    G --> H[Apply QA Summarization]
    H --> I[Rebuild Chain with Summaries]
    I --> J{Is New Chain Smaller?}
    J -->|Yes| K[Return Optimized Chain]
    J -->|No| C

    classDef process fill:#bbf,stroke:#333,stroke-width:2px,color:#000
    classDef decision fill:#bfb,stroke:#333,stroke-width:2px,color:#000
    classDef output fill:#fbb,stroke:#333,stroke-width:2px,color:#000

    class A,D,E,F,G,H,I process
    class B,J decision
    class C,K output

该算法作用于对话链的结构化表示（ChainAST），保留包括工具调用及其响应在内的消息类型。所有摘要操作在缩减上下文大小的同时保持关键对话流程。

全局摘要器配置选项

参数	环境变量	默认值	说明
保留最后一段	`SUMMARIZER_PRESERVE_LAST`	`true`	是否完整保留最后一段中的所有消息
使用 QA 配对	`SUMMARIZER_USE_QA`	`true`	是否使用 QA 配对摘要策略
摘要 QA 中的人类消息	`SUMMARIZER_SUM_MSG_HUMAN_IN_QA`	`false`	是否对 QA 配对中的人类消息进行摘要
最后一段大小	`SUMMARIZER_LAST_SEC_BYTES`	`51200`	最后一段的最大字节大小（50KB）
最大正文配对大小	`SUMMARIZER_MAX_BP_BYTES`	`16384`	单个正文配对的最大字节大小（16KB）
最大 QA 段数	`SUMMARIZER_MAX_QA_SECTIONS`	`10`	最多保留的 QA 配对段数
最大 QA 大小	`SUMMARIZER_MAX_QA_BYTES`	`65536`	QA 配对段的最大字节大小（64KB）
保留 QA 段数	`SUMMARIZER_KEEP_QA_SECTIONS`	`1`	保留最近 QA 段的数量（不进行摘要）

Assistant 摘要器配置选项

Assistant 实例可使用自定义摘要设置来微调上下文管理行为：

参数	环境变量	默认值	说明
保留最后一段	`ASSISTANT_SUMMARIZER_PRESERVE_LAST`	`true`	是否保留 assistant 最后一段中的所有消息
最后一段大小	`ASSISTANT_SUMMARIZER_LAST_SEC_BYTES`	`76800`	assistant 最后一段的最大字节大小（75KB）
最大 Body Pair 大小	`ASSISTANT_SUMMARIZER_MAX_BP_BYTES`	`16384`	assistant 上下文中单个 body pair 的最大字节大小（16KB）
最大 QA 段数	`ASSISTANT_SUMMARIZER_MAX_QA_SECTIONS`	`7`	在 assistant 上下文中保留的最大 QA 段数
最大 QA 大小	`ASSISTANT_SUMMARIZER_MAX_QA_BYTES`	`76800`	assistant QA 段的最大字节大小（75KB）
保留 QA 段数	`ASSISTANT_SUMMARIZER_KEEP_QA_SECTIONS`	`3`	不进行摘要而保留的最近 QA 段数量

与全局设置相比，assistant 摘要器配置为上下文保留提供更多内存，在保留更多近期对话历史的同时仍确保高效的 token 使用。

摘要器环境配置

# Default values for global summarizer logic
SUMMARIZER_PRESERVE_LAST=true
SUMMARIZER_USE_QA=true
SUMMARIZER_SUM_MSG_HUMAN_IN_QA=false
SUMMARIZER_LAST_SEC_BYTES=51200
SUMMARIZER_MAX_BP_BYTES=16384
SUMMARIZER_MAX_QA_SECTIONS=10
SUMMARIZER_MAX_QA_BYTES=65536
SUMMARIZER_KEEP_QA_SECTIONS=1

# Default values for assistant summarizer logic
ASSISTANT_SUMMARIZER_PRESERVE_LAST=true
ASSISTANT_SUMMARIZER_LAST_SEC_BYTES=76800
ASSISTANT_SUMMARIZER_MAX_BP_BYTES=16384
ASSISTANT_SUMMARIZER_MAX_QA_SECTIONS=7
ASSISTANT_SUMMARIZER_MAX_QA_BYTES=76800
ASSISTANT_SUMMARIZER_KEEP_QA_SECTIONS=3

高级 Agent 监管（点击展开）

PentAGI 包含复杂的多层 agent 监管机制，以确保高效的任务执行、防止无限循环，并在陷入卡住状态时提供智能恢复：

执行监控（Beta）

自动 Mentor 干预：当执行模式表明可能存在问题时，会自动调用 Adviser agent（mentor）
模式检测：监控相同的工具调用（阈值：5，可配置）和工具调用总数（阈值：10，可配置）
进度分析：评估 agent 是否朝着子任务目标推进，检测循环和低效情况
替代策略：当前策略失败时推荐不同方法
信息检索指导：建议搜索已有解决方案，而非重新发明
增强响应格式：工具响应同时包含 <original_result> 和 <mentor_analysis> 段
可配置：通过 EXECUTION_MONITOR_ENABLED 启用（默认：false），使用 EXECUTION_MONITOR_SAME_TOOL_LIMIT 和 EXECUTION_MONITOR_TOTAL_TOOL_LIMIT 自定义阈值

最适合：较小模型（< 32B 参数）、需要持续指导的复杂攻击场景、防止 agent 卡在单一方法上

性能影响：执行时间和 token 使用量增加 2-3 倍，但根据 Qwen3.5-27B-FP8 的测试，结果质量提升 2 倍

智能任务规划（Beta）

自动分解：Planner（规划模式下的 adviser）在 specialist agent 开始工作前生成 3-7 个具体可执行的步骤
上下文感知计划：通过 enricher agent 分析完整执行上下文以制定知情计划
结构化分配：原始请求包装在 <task_assignment> 结构中，包含执行计划和指令
范围管理：通过让 agent 仅专注于当前子任务来防止范围蔓延
增强指令：计划突出关键操作、潜在陷阱和验证点
可配置：通过 AGENT_PLANNING_STEP_ENABLED 启用（默认：false）

最适合：< 32B 参数的模型、复杂渗透测试工作流、提高复杂任务的成功率

增强 Adviser 配置：当 adviser agent 使用更强模型或增强设置时效果特别好。示例：对 adviser 使用相同基础模型并开启最大推理模式（参见 vllm-qwen3.5-27b-fp8.provider.yml）可在相同模型架构下实现全面的任务分析和战略规划。

性能影响：增加规划开销，但显著提高完成率并减少冗余工作

工具调用限制（始终启用）

硬性限制：无论监管模式状态如何，均可防止失控执行
按 Agent 类型区分：
- 通用 agent（Assistant、Primary Agent、Pentester、Coder、Installer）：MAX_GENERAL_AGENT_TOOL_CALLS（默认：100）
- 受限 agent（Searcher、Enricher、Memorist、Generator、Reporter、Adviser、Reflector、Planner）：MAX_LIMITED_AGENT_TOOL_CALLS（默认：20）
优雅终止：接近限制时 Reflector 引导 agent 正确完成
资源保护：确保系统稳定并防止资源耗尽

Reflector 集成（始终启用）

自动纠正：LLM 在 3 次尝试后仍未能生成工具调用时触发
战略指导：分析失败并引导 agent 正确使用工具或屏障工具（done、ask）
恢复机制：根据特定失败模式提供上下文指导
限制执行：达到工具调用限制时协调优雅终止

开源模型建议

< 32B 参数模型必备： Qwen3.5-27B-FP8 的测试表明，对于较小的开源模型，同时启用执行监控和任务规划是必不可少的：

质量提升：与无监管的基线执行相比，结果好 2 倍
循环预防：显著减少无限循环和冗余工作
攻击多样性：鼓励探索多种攻击向量，而非执着于单一方法
气隙部署：在封闭网络环境中通过本地 LLM 推理实现生产级自主渗透测试

权衡：

Token 消耗：由于 mentor/planner 调用增加 2-3 倍
执行时间：由于分析和规划步骤延长 2-3 倍
结果质量：完整性、准确性和攻击覆盖度提升 2 倍
模型要求：adviser 使用增强配置时效果最佳（更高推理参数、更强模型变体或不同模型）

配置策略：为在较小模型上获得最佳性能，请为 adviser agent 配置增强设置：

使用相同模型并开启最大推理模式（示例：vllm-qwen3.5-27b-fp8.provider.yml）
或为 adviser 使用更强模型，同时为其他 agent 保留基础模型
根据任务复杂度和模型能力调整监控阈值

PentAGI 的架构设计为模块化、可扩展且安全。以下是关键组件：

核心服务
- Frontend UI：基于 React 的 Web 界面，使用 TypeScript 确保类型安全
- Backend API：基于 Go 的 REST 和 GraphQL API，支持 Bearer token 认证以实现程序化访问
- Vector Store：PostgreSQL 配合 pgvector 用于语义搜索和记忆存储
- Task Queue：异步任务处理系统，确保可靠运行
- AI Agent：多 agent 系统，具有专门角色以实现高效测试
知识图谱（Knowledge Graph）
- Graphiti：用于语义关系追踪与上下文理解的知识图谱 API
- Neo4j：用于存储和查询实体、操作与结果之间关系的图数据库
- 自动捕获智能体响应与工具执行，以构建全面的知识库
监控栈（Monitoring Stack）
- OpenTelemetry：统一的可观测性数据采集与关联
- Grafana：实时可视化与告警仪表板
- VictoriaMetrics：高性能时序指标存储
- Jaeger：用于调试的端到端分布式追踪
- Loki：可扩展的日志聚合与分析
分析平台（Analytics Platform）
- Langfuse：高级 LLM 可观测性与性能分析
- ClickHouse：面向列的分析型数据仓库
- Redis：高速缓存与速率限制
- MinIO：用于存储产物的 S3 兼容对象存储
安全工具（Security Tools）
- Web Scraper：用于安全网页交互的隔离浏览器环境
- Pentesting Tools：包含 20+ 款专业安全工具的综合套件
- Sandboxed Execution：所有操作均在隔离容器中运行
记忆系统（Memory Systems）
- Long-term Memory：知识与经验的持久化存储
- Working Memory：当前操作的活跃上下文与目标
- Episodic Memory：历史操作与成功模式
- Knowledge Base：结构化的领域专业知识与工具能力
- Context Management：通过链式摘要智能管理不断增长的 LLM 上下文窗口

系统使用 Docker 容器实现隔离与便捷部署，为核心服务、监控和分析划分独立网络，以确保适当的安全边界。每个组件均支持水平扩展，并可针对生产环境配置为高可用。

快速开始

系统要求

Docker 与 Docker Compose（或 Podman — 参见 Podman 配置）
至少 2 个 vCPU
至少 4GB RAM
20GB 可用磁盘空间
可访问互联网以下载镜像与更新

使用安装程序（推荐）

PentAGI 提供带终端界面的交互式安装程序，用于简化配置与部署。安装程序会引导你完成系统检查、LLM 提供商设置、搜索引擎配置以及安全加固。

支持的平台：

Linux：amd64 download | arm64 download
Windows：amd64 download
macOS：amd64 (Intel) download | arm64 (M-series) download

快速安装（Linux amd64）：

# Create installation directory
mkdir -p pentagi && cd pentagi

# Download installer
wget -O installer.zip https://pentagi.com/downloads/linux/amd64/installer-latest.zip

# Extract
unzip installer.zip

# Run interactive installer
./installer

前提条件与权限：

安装程序需要适当权限以与 Docker API 交互，从而正常运行。默认情况下，它使用 Docker 套接字（/var/run/docker.sock），这需要满足以下任一条件：

选项 1（生产环境推荐）： 以 root 身份运行安装程序：
```
sudo ./installer
```
选项 2（开发环境）： 将用户加入 docker 组，以授予其对 Docker 套接字的访问权限：
```
# Add your user to the docker group
sudo usermod -aG docker $USER

# Log out and log back in, or activate the group immediately
newgrp docker

# Verify Docker access (should run without sudo)
docker ps
```
⚠️ 安全提示： 将用户加入 docker 组会授予与 root 等效的权限。仅在受控环境中的可信用户上执行此操作。对于生产部署，请考虑使用 rootless Docker 模式，或以 sudo 运行安装程序。

安装程序将执行以下步骤：

系统检查：验证 Docker、网络连接与系统要求
环境设置：创建并配置 .env 文件，采用最优默认值
提供商配置：设置 LLM 提供商（OpenAI、Anthropic、Gemini、Bedrock、Ollama、Custom）
搜索引擎：配置 DuckDuckGo、Google、Tavily、Traversaal、Perplexity、Sploitus、Searxng
安全加固：生成安全凭据并配置 SSL 证书
部署：使用 docker-compose 启动 PentAGI

当前 Web 设置覆盖范围

PentAGI Web 控制台在服务器启动运行后，已可管理多个设置区域：

Settings -> Providers：为支持的提供商类型创建、编辑、删除并测试用户自定义的提供商配置文件。这些配置文件控制每个智能体的模型选择、运行时参数、推理选项以及定价元数据。
Settings -> Prompts：管理系统、人类与工具提示词模板。
Settings -> PentAGI API：创建并管理用于 REST 与 GraphQL 访问的 PentAGI Bearer 令牌。
其他由 UI 管理的偏好设置：收藏流程以用户偏好形式存储，主题选择由主侧边栏/个人资料控件处理，而非 Settings 页面。

仍由服务器管理

以下配置区域仍需通过环境变量、compose 文件或挂载的配置文件在服务器端设置：

LLM 凭据与连接详情：OpenAI、Anthropic、Bedrock、Ollama、自定义提供商及类似后端的 API 密钥、端点、认证模式与提供商特定连接设置；config-path 设置仅在受支持的场景下适用，例如 OLLAMA_SERVER_CONFIG_PATH 与 LLM_SERVER_CONFIG_PATH。
搜索提供商凭据与选项：如 DUCKDUCKGO_*、GOOGLE_*、TAVILY_API_KEY、TRAVERSAAL_API_KEY、PERPLEXITY_*、SEARXNG_* 以及 SPLOITUS_ENABLED 等设置。
第三方集成：Langfuse、Graphiti 及类似外部服务仍为服务器端配置。
MCP 服务器管理：MCP 设置页面目前尚未作为实时 Web 控制台功能开放。

面向生产环境与增强安全性：

对于生产部署或安全敏感环境，我们强烈建议采用分布式双节点架构，将 worker 操作隔离在独立服务器上。这可防止不可信代码执行与主系统上的网络访问问题。

详见详细指南：Worker Node Setup

双节点部署提供：

隔离执行：Worker 容器在专用硬件上运行
网络隔离：渗透测试采用独立的网络边界
安全边界：带 TLS 认证的 Docker-in-Docker
OOB 攻击支持：为带外（out-of-band）技术提供专用端口范围

手动安装

mkdir pentagi && cd pentagi

将 .env.example 复制为 .env，或下载它：

curl -o .env https://raw.githubusercontent.com/vxcontrol/pentagi/master/.env.example

创建示例文件（example.custom.provider.yml、example.ollama.provider.yml），或下载它：

curl -o example.custom.provider.yml https://raw.githubusercontent.com/vxcontrol/pentagi/master/examples/configs/custom-openai.provider.yml
curl -o example.ollama.provider.yml https://raw.githubusercontent.com/vxcontrol/pentagi/master/examples/configs/ollama-llama318b.provider.yml

在 .env 文件中填写所需的 API 密钥。

# Required: At least one of these LLM providers
OPEN_AI_KEY=your_openai_key
ANTHROPIC_API_KEY=your_anthropic_key
GEMINI_API_KEY=your_gemini_key

# Optional: AWS Bedrock provider (enterprise-grade models)
BEDROCK_REGION=us-east-1
# Choose one authentication method:
BEDROCK_DEFAULT_AUTH=true                        # Option 1: Use AWS SDK default credential chain (recommended for EC2/ECS)
# BEDROCK_BEARER_TOKEN=your_bearer_token         # Option 2: Bearer token authentication
# BEDROCK_ACCESS_KEY_ID=your_aws_access_key      # Option 3: Static credentials
# BEDROCK_SECRET_ACCESS_KEY=your_aws_secret_key

# Optional: Ollama provider (local or cloud)
# OLLAMA_SERVER_URL=http://ollama-server:11434   # Local server
# OLLAMA_SERVER_URL=https://ollama.com           # Cloud service
# OLLAMA_SERVER_API_KEY=your_ollama_cloud_key    # Required for cloud, empty for local

# Optional: Chinese AI providers
# DEEPSEEK_API_KEY=your_deepseek_key             # DeepSeek (strong reasoning)
# GLM_API_KEY=your_glm_key                       # GLM (Zhipu AI)
# KIMI_API_KEY=your_kimi_key                     # Kimi (Moonshot AI, ultra-long context)
# QWEN_API_KEY=your_qwen_key                     # Qwen (Alibaba Cloud, multimodal)

# Optional: Local LLM provider (zero-cost inference)
OLLAMA_SERVER_URL=http://localhost:11434
OLLAMA_SERVER_MODEL=your_model_name

# Optional: Additional search capabilities
DUCKDUCKGO_ENABLED=true
DUCKDUCKGO_REGION=us-en
DUCKDUCKGO_SAFESEARCH=
DUCKDUCKGO_TIME_RANGE=
SPLOITUS_ENABLED=true
GOOGLE_API_KEY=your_google_key
GOOGLE_CX_KEY=your_google_cx
TAVILY_API_KEY=your_tavily_key
TRAVERSAAL_API_KEY=your_traversaal_key
PERPLEXITY_API_KEY=your_perplexity_key
PERPLEXITY_MODEL=sonar-pro
PERPLEXITY_CONTEXT_SIZE=medium

# Searxng meta search engine (aggregates results from multiple sources)
SEARXNG_URL=http://your-searxng-instance:8080
SEARXNG_CATEGORIES=general
SEARXNG_LANGUAGE=
SEARXNG_SAFESEARCH=0
SEARXNG_TIME_RANGE=
SEARXNG_TIMEOUT=

## Graphiti knowledge graph settings
GRAPHITI_ENABLED=true
GRAPHITI_TIMEOUT=30
GRAPHITI_URL=http://graphiti:8000
GRAPHITI_MODEL_NAME=gpt-5-mini

# Neo4j settings (used by Graphiti stack)
NEO4J_USER=neo4j
NEO4J_DATABASE=neo4j
NEO4J_PASSWORD=devpassword
NEO4J_URI=bolt://neo4j:7687

# Assistant configuration
ASSISTANT_USE_AGENTS=false         # Default value for agent usage when creating new assistants

修改 .env 文件中所有与安全相关的环境变量，以提升安全性。

与安全相关的环境变量

主要安全设置

COOKIE_SIGNING_SALT - 用于 Cookie 签名的盐值，请改为随机值
PUBLIC_URL - 服务器的公开 URL（例如 https://pentagi.example.com）
SERVER_SSL_CRT 和 SERVER_SSL_KEY - 现有 SSL 证书与密钥的自定义路径，用于 HTTPS（这些路径应在 docker-compose.yml 文件中作为卷挂载使用）

爬虫（Scraper）访问

SCRAPER_PUBLIC_URL - 若要为公开 URL 使用不同的爬虫服务器，请设置爬虫的公开 URL
SCRAPER_PRIVATE_URL - 爬虫的私有 URL（docker-compose.yml 文件中的本地爬虫服务器，用于访问本地 URL）

访问凭据

PENTAGI_POSTGRES_USER 和 PENTAGI_POSTGRES_PASSWORD - PostgreSQL 凭据
NEO4J_USER 和 NEO4J_PASSWORD - Neo4j 凭据（用于 Graphiti 知识图谱）

若要在 VSCode 或其他 IDE 中将其作为 envFile 选项使用，请移除 .env 文件中的所有行内注释：

perl -i -pe 's/\s+#.*$//' .env

运行 PentAGI 栈：

curl -O https://raw.githubusercontent.com/vxcontrol/pentagi/master/docker-compose.yml
docker compose up -d

访问 localhost:8443 以打开 PentAGI Web UI（默认为 admin@pentagi.com / admin）

Web UI 账户

PentAGI 不会在登录页提供公开的自助注册。全新安装会创建默认的本地管理员账户：

Email：admin@pentagi.com
Password：admin

首次登录时，请在使用该实例进行实际工作前修改默认密码。若之后遗失管理员密码，可使用安装程序的维护菜单重置默认 admin@pentagi.com 账户密码。

对于多用户部署，已认证的管理员可通过 Users REST API（/api/v1/users/）管理本地用户。实例运行后，可在 https://localhost:8443/api/v1/swagger/index.html 访问 OpenAPI UI。

Note

若遇到与 pentagi-network、observability-network 或 langfuse-network 相关的错误，需先运行 docker-compose.yml 以创建这些网络，然后再运行 docker-compose-langfuse.yml、docker-compose-graphiti.yml 和 docker-compose-observability.yml，才能使用 Langfuse、Graphiti 和 Observability 服务。

必须至少配置一个语言模型（Language Model）提供商（OpenAI、Anthropic、Gemini、AWS Bedrock 或 Ollama）才能使用 PentAGI。AWS Bedrock 提供企业级访问，可调用多家领先 AI 公司的基础模型；若具备足够的计算资源，Ollama 可提供零成本的本地推理。搜索引擎的额外 API 密钥为可选项，但建议配置以获得更好效果。

完全本地部署并使用高级模型：请参阅我们的完整指南使用 vLLM 与 Qwen3.5-27B-FP8 运行 PentAGI，了解生产级本地 LLM 配置。该方案在 4× RTX 5090 GPU 上可实现约 13,000 TPS 的提示处理吞吐与约 650 TPS 的补全吞吐，支持 12+ 个并发流程，且完全不依赖云服务商。

LLM_SERVER_* 环境变量为实验性功能，未来可能会变更。目前可用它们指定自定义 LLM 服务器 URL，并为所有智能体类型指定同一模型。

PROXY_URL 是所有 LLM 提供商与外部搜索系统的全局代理 URL，可用于与外部网络隔离。

docker-compose.yml 文件以 root 用户运行 PentAGI 服务，因为需要访问 docker.sock 以管理容器。若使用 TCP/IP 网络连接 Docker 而非套接字文件，可移除 root 权限，改用默认的 pentagi 用户以提升安全性。

从外部网络访问 PentAGI

默认情况下，PentAGI 绑定到 127.0.0.1（仅 localhost），以确保安全。若要从网络中的其他机器访问 PentAGI，需要配置外部访问。

配置步骤

更新 .env 文件，填入服务器的 IP 地址：

# Network binding - allow external connections
PENTAGI_LISTEN_IP=0.0.0.0
PENTAGI_LISTEN_PORT=8443

# Public URL - use your actual server IP or hostname
# Replace 192.168.1.100 with your server's IP address
PUBLIC_URL=https://192.168.1.100:8443

# CORS origins - list all URLs that will access PentAGI
# Include localhost for local access AND your server IP for external access
CORS_ORIGINS=https://localhost:8443,https://192.168.1.100:8443

Important

将 192.168.1.100 替换为服务器的实际 IP 地址

不要在 PUBLIC_URL 或 CORS_ORIGINS 中使用 0.0.0.0 —— 应使用实际 IP 地址

在 CORS_ORIGINS 中同时包含 localhost 与服务器 IP，以便灵活使用

重新创建容器以应用更改：

docker compose down
docker compose up -d --force-recreate

验证端口绑定：

docker ps | grep pentagi

应看到 0.0.0.0:8443->8443/tcp 或 :::8443->8443/tcp。

若看到 127.0.0.1:8443->8443/tcp，说明环境变量未被读取。此时请直接编辑 docker-compose.yml 第 31 行：

ports:
  - "0.0.0.0:8443:8443"

然后再次重新创建容器。

配置防火墙，允许 8443 端口的入站连接：

# Ubuntu/Debian with UFW
sudo ufw allow 8443/tcp
sudo ufw reload

# CentOS/RHEL with firewalld
sudo firewall-cmd --permanent --add-port=8443/tcp
sudo firewall-cmd --reload

访问 PentAGI：

本地访问： https://localhost:8443
网络访问： https://your-server-ip:8443

Note

通过 IP 地址访问时，需要在浏览器中接受自签名 SSL 证书警告。

使用 Podman 运行 PentAGI

PentAGI 完全支持 Podman 作为 Docker 的替代方案。但在使用 Podman 无根（rootless）模式时，爬虫服务需要特殊配置，因为无根容器无法绑定特权端口（1024 以下端口）。

Podman 无根模式配置

默认爬虫配置使用 443 端口（HTTPS），属于特权端口。对于 Podman 无根模式，需将爬虫重新配置为使用非特权端口：

1. 编辑 docker-compose.yml —— 修改 scraper 服务（约第 199 行）：

scraper:
  image: vxcontrol/scraper:latest
  restart: unless-stopped
  container_name: scraper
  hostname: scraper
  expose:
    - 3000/tcp  # Changed from 443 to 3000
  ports:
    - "${SCRAPER_LISTEN_IP:-127.0.0.1}:${SCRAPER_LISTEN_PORT:-9443}:3000"  # Map to port 3000
  environment:
    - MAX_CONCURRENT_SESSIONS=${LOCAL_SCRAPER_MAX_CONCURRENT_SESSIONS:-10}
    - USERNAME=${LOCAL_SCRAPER_USERNAME:-someuser}
    - PASSWORD=${LOCAL_SCRAPER_PASSWORD:-somepass}
  logging:
    options:
      max-size: 50m
      max-file: "7"
  volumes:
    - scraper-ssl:/usr/src/app/ssl
  networks:
    - pentagi-network
  shm_size: 2g

2. 更新 .env 文件 —— 将爬虫 URL 改为使用 HTTP 与 3000 端口：

# Scraper configuration for Podman rootless
SCRAPER_PRIVATE_URL=http://someuser:somepass@scraper:3000/
LOCAL_SCRAPER_USERNAME=someuser
LOCAL_SCRAPER_PASSWORD=somepass

Important

Podman 的关键变更：

SCRAPER_PRIVATE_URL 使用 HTTP 而非 HTTPS

使用端口 3000 而非 443

将内部 expose 改为 3000/tcp

将端口映射目标从 443 更新为 3000

3. 重新创建容器：

podman-compose down
podman-compose up -d --force-recreate

4. 测试爬虫连通性：

# Test from within the pentagi container
podman exec -it pentagi wget -O- "http://someuser:somepass@scraper:3000/html?url=http://example.com"

若看到 HTML 输出，说明爬虫工作正常。

Podman 有根（Rootful）模式

若以有根模式运行 Podman（使用 sudo），可使用默认配置而无需修改。爬虫将按预期在 443 端口上工作。

Docker 兼容性

所有 Podman 配置与 Docker 完全兼容。非特权端口方案在两种容器运行时上的工作方式相同。

助手配置

PentAGI 允许你为助手配置默认行为：

Variable	Default	Description
`ASSISTANT_USE_AGENTS`	`false`	控制创建新助手时代理（agent）用量的默认值

ASSISTANT_USE_AGENTS 设置会影响在 UI 中创建新助手时「Use Agents」开关的初始状态：

false（默认）：新助手默认创建时禁用代理委派
true：新助手默认创建时启用代理委派

请注意，用户在创建或编辑助手时，始终可以通过 UI 中的「Use Agents」按钮覆盖此设置。该环境变量仅控制初始默认状态。

登录后如何使用 PentAGI

堆栈运行且你可以登录 Web UI 后，最快的入门方式是通过 Flows 工作流。

1. 创建你的第一个 flow

在侧边栏中打开 Flows。
点击 New Flow。
选择符合你目标的运行模式：
- Automation：针对你希望 PentAGI 端到端完成的测试目标，进行完全自主执行
- Assistant：当你希望逐步引导调查时，进行交互式来回协助。在此模式下，你还可以启用 Use Agents 开关，让 PentAGI 将子任务委派给专门的子代理（sub-agent），以应对更复杂的调查。
选择要用于此 flow 的 LLM 提供商。
在消息框中用自然语言描述目标与目的。

良好的首个提示通常包括：

目标系统或 URL
你想要的评估类型
任何范围限制或交战规则（rules of engagement）
你期望的结果，例如漏洞报告或对假设的验证

示例：

Assess https://target.example for common web application vulnerabilities. Focus on authentication, file handling, and injection issues. Stay within the provided target only and summarize confirmed findings with reproduction steps.

仅测试你拥有或已获明确授权评估的系统。可接受使用要求请参阅 EULA.md。

2. 使用模板实现可重复的工作流

新建 flow 表单包含模板选择器，可用已保存的 flow 模板预填消息框。当你反复运行类似评估时，这很有用。

若你已在 Templates 中保存模板，可使用现有模板
若需要 Web 测试的实用基线，可从 examples/prompts/base_web_pentest.md 中的示例提示入手
启动 flow 前，请调整目标、范围和约束

模板只是起点。使用 PentAGI 无需特殊语法：只要目标与目的清晰，纯自然语言指令即可良好工作。

3. 监控执行并审阅输出

提交 flow 后，PentAGI 会自动打开 flow 页面。

使用主 flow 视图跟踪消息、代理活动与任务进度
在 flow 运行期间检查工具活动与终端输出
审阅生成的任务与子任务，以了解 PentAGI 正在做什么

当 flow 已有足够结果时，使用 flow 页面上的 Report 菜单可：

在 Web 视图中打开报告
将生成的报告复制到剪贴板
将报告下载为 Markdown
将报告下载为 PDF

4. 使用 Assistant 视图引导活跃的 flow

每个 flow 还包含用于交互式引导的 Assistant 视图。当自主运行发现需要人工指引而非硬性重启的情况时，这很有用。

在更改任何内容之前，若你想检查当前状态，请为同一 flow 打开 Assistant 视图。
使用助手检查 flow 状态、停止当前任务、提交后续指令，或在下一步运行前修补剩余计划子任务。
将其视为当前 flow 的显式控制路径，而非不可见的后台队列。若要改变方向，请明确说明，并使新指令与当前交战范围保持一致。
这最适合澄清范围、在中间发现后重定向优先级，或在不丢失其余 flow 上下文的情况下响应自动化检查点。

5. 管理 flow 范围内的文件

每个 flow 在 flow 页面都有各自的 Files 标签页。文件限定于父 flow：它们位于主机上的 {dataDir}/flow-{id}-data/，且绝不会泄漏到其他 flow。

该标签页展示三类文件来源：

Uploads（uploads/）：你从 Web UI 提供的文件。使用 Upload files 操作，或直接拖放到 Files 标签页。代理容器运行时，上传的文件也会推送到其中的 /work/uploads/，以便代理用常规 shell 工具读取。
Resources（resources/）：通过 Attach resources from library 从你已保存的用户资源库附加的文件。附加的资源会复制到 flow，并推送到运行中容器的 /work/resources/。
Container（container/）：通过 Pull file or directory from container 从运行中的代理容器拉取的快照。它们在 flow 侧为只读，且绝不会发回容器。

Files 标签页中每个文件的操作包括 Download、Copy path、Save as resource（将 flow 文件提升到你可复用的资源库），以及 Delete。容器未运行时 Pull 操作会被禁用，工具提示为「Container is not running」。

上传的文件与附加资源会通过 {{.UserFiles}} 模板变量自动列在代理的系统提示中，该变量会渲染紧凑的 <task_files> XML 块（含嵌套的 <uploads> 与 <resources> 节），以便助手与自动化代理按路径引用它们，而无需你将内容粘贴到聊天中。容器快照仅在 UI 中可见，不会自动注入回提示。

需注意的当前限制：

单文件最大上传大小为 300 MB；单次上传请求最多 1000 个文件、总计 2 GB。文件名上限为 255 字节（约 255 个 ASCII 字符；非 ASCII 名称每个字符占用多个字节）。
上传与资源会镜像到运行中容器的固定路径 /work/uploads/ 与 /work/resources/；写入其他容器路径的文件不会自动镜像回 flow 文件模型。容器快照可来自你拉取的任意容器路径（例如 /etc/...），并在 flow 侧缓存于 container/ 下；它们不会推回容器。
容器快照为时间点拉取。在 UI 中编辑快照不会写回运行中的容器。
目前删除 flow 会移除 flow 记录及其长期记忆条目，但尚未归档或删除磁盘上该 flow 的 flow-{id}-data/ 目录。若运维人员希望回收空间，仍需手动清理数据目录。

早期测试时，请从狭窄目标与单一清晰目的入手。这样输出更易审阅，也有助于在运行更大规模评估前优化提示。

API 访问

PentAGI 通过 REST 与 GraphQL API 提供全面的程序化访问，使你能够将渗透测试工作流集成到自动化流水线、CI/CD 流程与自定义应用中。

生成 API 令牌

API 令牌通过 PentAGI Web 界面管理：

在 Web UI 中导航至 Settings → API Tokens
点击 Create Token 生成新的 API 令牌
配置令牌属性：
- Name（可选）：令牌的描述性名称
- Expiration Date：令牌过期时间（最短 1 分钟，最长 3 年）
点击 Create 并立即复制令牌——出于安全考虑，令牌仅显示一次
在 API 请求中将该令牌用作 Bearer 令牌

每个令牌均与您的用户账户关联，并继承您角色所拥有的权限。

使用 API 令牌

在 HTTP 请求的 Authorization 请求头中包含 API 令牌：

# GraphQL API example
curl -X POST https://your-pentagi-instance:8443/api/v1/graphql \
  -H "Authorization: Bearer YOUR_API_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{"query": "{ flows { id title status } }"}'

# REST API example
curl https://your-pentagi-instance:8443/api/v1/flows \
  -H "Authorization: Bearer YOUR_API_TOKEN"

API 探索与测试

PentAGI 提供交互式文档，用于探索和测试 API 端点：

GraphQL Playground

在 https://your-pentagi-instance:8443/api/v1/graphql/playground 访问 GraphQL Playground

点击底部的 HTTP Headers 标签页

添加您的授权请求头：

{
  "Authorization": "Bearer YOUR_API_TOKEN"
}

交互式地探索 schema、运行查询并测试变更（mutation）

Swagger UI

在 https://your-pentagi-instance:8443/api/v1/swagger/index.html 访问 REST API 文档

点击 Authorize 按钮
按以下格式输入您的令牌：Bearer YOUR_API_TOKEN
点击 Authorize 以应用
直接在 Swagger UI 中测试端点

生成 API 客户端

您可以使用 PentAGI 附带的 schema 文件，为偏好的编程语言生成类型安全的 API 客户端：

GraphQL 客户端

GraphQL schema 可通过以下方式获取：

Web UI：前往 Settings 下载 schema.graphqls
直接文件：仓库中的 backend/pkg/graph/schema.graphqls

可使用以下工具生成客户端：

GraphQL Code Generator（JavaScript/TypeScript）：https://the-guild.dev/graphql/codegen
genqlient（Go）：https://github.com/Khan/genqlient
Apollo iOS（Swift）：https://www.apollographql.com/docs/ios

REST API 客户端

OpenAPI 规范可通过以下方式获取：

Swagger JSON：https://your-pentagi-instance:8443/api/v1/swagger/doc.json
Swagger YAML：可在 backend/pkg/server/docs/swagger.yaml 中获取

可使用以下工具生成客户端：

OpenAPI Generator：https://openapi-generator.tech

openapi-generator-cli generate \
  -i https://your-pentagi-instance:8443/api/v1/swagger/doc.json \
  -g python \
  -o ./pentagi-client

Swagger Codegen：https://github.com/swagger-api/swagger-codegen

swagger-codegen generate \
  -i https://your-pentagi-instance:8443/api/v1/swagger/doc.json \
  -l typescript-axios \
  -o ./pentagi-client

swagger-typescript-api（TypeScript）：https://github.com/acacode/swagger-typescript-api

npx swagger-typescript-api \
  -p https://your-pentagi-instance:8443/api/v1/swagger/doc.json \
  -o ./src/api \
  -n pentagi-api.ts

API 使用示例

创建新 Flow（GraphQL）

mutation CreateFlow {
  createFlow(
    modelProvider: "openai"
    input: "Test the security of https://example.com"
  ) {
    id
    title
    status
    createdAt
  }
}

列出 Flow（REST API）

curl https://your-pentagi-instance:8443/api/v1/flows \
  -H "Authorization: Bearer YOUR_API_TOKEN" \
  | jq '.flows[] | {id, title, status}'

Python 客户端示例

import requests

class PentAGIClient:
    def __init__(self, base_url, api_token):
        self.base_url = base_url
        self.headers = {
            "Authorization": f"Bearer {api_token}",
            "Content-Type": "application/json"
        }
    
    def create_flow(self, provider, target):
        query = """
        mutation CreateFlow($provider: String!, $input: String!) {
          createFlow(modelProvider: $provider, input: $input) {
            id
            title
            status
          }
        }
        """
        response = requests.post(
            f"{self.base_url}/api/v1/graphql",
            json={
                "query": query,
                "variables": {
                    "provider": provider,
                    "input": target
                }
            },
            headers=self.headers
        )
        return response.json()
    
    def get_flows(self):
        response = requests.get(
            f"{self.base_url}/api/v1/flows",
            headers=self.headers
        )
        return response.json()

# Usage
client = PentAGIClient(
    "https://your-pentagi-instance:8443",
    "your_api_token_here"
)

# Create a new flow
flow = client.create_flow("openai", "Scan https://example.com for vulnerabilities")
print(f"Created flow: {flow}")

# List all flows
flows = client.get_flows()
print(f"Total flows: {len(flows['flows'])}")

TypeScript 客户端示例

import axios, { AxiosInstance } from 'axios';

interface Flow {
  id: string;
  title: string;
  status: string;
  createdAt: string;
}

class PentAGIClient {
  private client: AxiosInstance;

  constructor(baseURL: string, apiToken: string) {
    this.client = axios.create({
      baseURL: `${baseURL}/api/v1`,
      headers: {
        'Authorization': `Bearer ${apiToken}`,
        'Content-Type': 'application/json',
      },
    });
  }

  async createFlow(provider: string, input: string): Promise<Flow> {
    const query = `
      mutation CreateFlow($provider: String!, $input: String!) {
        createFlow(modelProvider: $provider, input: $input) {
          id
          title
          status
          createdAt
        }
      }
    `;

    const response = await this.client.post('/graphql', {
      query,
      variables: { provider, input },
    });

    return response.data.data.createFlow;
  }

  async getFlows(): Promise<Flow[]> {
    const response = await this.client.get('/flows');
    return response.data.flows;
  }

  async getFlow(flowId: string): Promise<Flow> {
    const response = await this.client.get(`/flows/${flowId}`);
    return response.data;
  }
}

// Usage
const client = new PentAGIClient(
  'https://your-pentagi-instance:8443',
  'your_api_token_here'
);

// Create a new flow
const flow = await client.createFlow(
  'openai',
  'Perform penetration test on https://example.com'
);
console.log('Created flow:', flow);

// List all flows
const flows = await client.getFlows();
console.log(`Total flows: ${flows.length}`);

安全最佳实践

使用 API 令牌时：

切勿将令牌提交到版本控制 — 请使用环境变量或密钥管理服务
定期轮换令牌 — 设置合适的过期时间，并定期创建新令牌
为不同应用使用独立令牌 — 便于在需要时撤销访问权限
监控令牌使用情况 — 在 Settings 页面查看 API 令牌活动
撤销未使用的令牌 — 禁用或删除不再需要的令牌
仅使用 HTTPS — 切勿通过未加密的连接发送 API 令牌

令牌管理

查看令牌：在 Settings → API Tokens 中查看所有活跃令牌
编辑令牌：更新令牌名称或撤销令牌
删除令牌：永久删除令牌（此操作无法撤销）
令牌 ID：每个令牌都有唯一的 ID，可复制以供参考

令牌列表显示：

令牌名称（如已提供）
令牌 ID（唯一标识符）
状态（active/revoked/expired）
创建日期
过期日期

自定义 LLM 提供商配置

将自定义 LLM 提供商与 LLM_SERVER_* 变量配合使用时，您可以微调请求中使用的推理格式。

Tip

对于生产级本地部署，建议使用 vLLM 配合 Qwen3.5-27B-FP8 以获得最佳性能。请参阅我们的完整部署指南，其中包含硬件要求、配置模板（thinking mode 与 non-thinking mode），以及在 4× RTX 5090 GPU 上实现 13K TPS 提示词处理吞吐量的性能基准测试。

Variable	Default	Description
`LLM_SERVER_URL`		自定义 LLM API 端点的 Base URL
`LLM_SERVER_KEY`		自定义 LLM 提供商的 API 密钥
`LLM_SERVER_MODEL`		默认使用的模型（可在提供商配置中覆盖）
`LLM_SERVER_CONFIG_PATH`		Agent 专用模型的 YAML 配置文件路径
`LLM_SERVER_PROVIDER`		模型名称的提供商名前缀（例如，LiteLLM proxy 使用 `openrouter`、`deepseek`）
`LLM_SERVER_LEGACY_REASONING`	`false`	控制 API 请求中的推理（reasoning）格式
`LLM_SERVER_PRESERVE_REASONING`	`false`	在多轮对话中保留推理内容（部分提供商要求）

LLM_SERVER_PROVIDER 设置在使用 LiteLLM proxy 时特别有用，该代理会为模型名称添加提供商前缀。例如，通过 LiteLLM 连接 Moonshot API 时，像 kimi-2.5 这样的模型会变成 moonshot/kimi-2.5。通过设置 LLM_SERVER_PROVIDER=moonshot，你可以使用同一份提供商配置文件，无需修改即可同时支持直接 API 访问和 LiteLLM proxy 访问。

LLM_SERVER_LEGACY_REASONING 设置影响推理参数如何发送至 LLM：

false（默认）：使用现代格式，推理以结构化对象发送，并带有 max_tokens 参数
true：使用旧版格式，采用基于字符串的 reasoning_effort 参数

在使用不同 LLM 提供商时，此设置很重要，因为各提供商可能在 API 请求中期望不同的推理格式。若在使用自定义提供商时遇到与推理相关的错误，请尝试更改此设置。

LLM_SERVER_PRESERVE_REASONING 设置控制是否在多轮对话中保留推理内容：

false（默认）：对话历史中不保留推理内容
true：保留推理内容并在后续 API 调用中发送

部分 LLM 提供商（例如 Moonshot）要求此设置；若多轮对话中未包含推理内容，可能返回类似 "thinking is enabled but reasoning_content is missing in assistant tool call message" 的错误。若你的提供商要求保留推理内容，请启用此设置。

Ollama 提供商配置

PentAGI 支持 Ollama，可用于本地 LLM 推理（零成本、增强隐私）以及 Ollama Cloud（带免费额度的托管服务）。

配置变量

Variable	Default	Description
`OLLAMA_SERVER_URL`		Ollama 服务器或 Ollama Cloud 的 URL
`OLLAMA_SERVER_API_KEY`		Ollama Cloud 身份验证的 API 密钥
`OLLAMA_SERVER_MODEL`		推理默认模型
`OLLAMA_SERVER_CONFIG_PATH`		自定义 Agent 配置文件路径
`OLLAMA_SERVER_PULL_MODELS_TIMEOUT`	`600`	模型下载超时时间（秒）
`OLLAMA_SERVER_PULL_MODELS_ENABLED`	`false`	启动时自动下载模型
`OLLAMA_SERVER_LOAD_MODELS_ENABLED`	`false`	向服务器查询可用模型

Ollama Cloud 配置

Ollama Cloud 提供托管推理服务，拥有慷慨的免费额度以及可扩展的付费方案。

免费层级设置（单模型）

# Free tier allows one model at a time
OLLAMA_SERVER_URL=https://ollama.com
OLLAMA_SERVER_API_KEY=your_ollama_cloud_api_key
OLLAMA_SERVER_MODEL=gpt-oss:120b  # Example: OpenAI OSS 120B model

付费层级设置（多模型与预构建配置）

对于支持多个并发模型的付费层级，请使用预构建的 Ollama Cloud 配置：

# Using pre-built Ollama Cloud configuration (included in Docker image)
OLLAMA_SERVER_URL=https://ollama.com
OLLAMA_SERVER_API_KEY=your_ollama_cloud_api_key
OLLAMA_SERVER_CONFIG_PATH=/opt/pentagi/conf/ollama-cloud.provider.yml

预构建的 ollama-cloud.provider.yml 配置包含针对所有 Agent 类型的优化模型分配：

Simple/Assistant：nemotron-3-super:cloud - 快速通用模型
Primary Agent：qwen3-coder-next:cloud - 高努力模式的高级推理
Coder/Pentester：qwen3-coder-next:cloud - 专用编码模型
Searcher：qwen3.5:397b-cloud - 大上下文信息收集
Refiner/Refactor：glm-5:cloud - 高质量文本精炼
Adviser/Enricher：minimax-m2.7:cloud - 高效咨询任务
Installer：devstral-2:123b-cloud - 安装与设置任务

自定义配置（高级）

要创建你自己的 Agent 配置，请从宿主机文件系统挂载自定义文件：

# Using custom provider configuration
OLLAMA_SERVER_URL=https://ollama.com
OLLAMA_SERVER_API_KEY=your_ollama_cloud_api_key
OLLAMA_SERVER_CONFIG_PATH=/opt/pentagi/conf/ollama.provider.yml

# Mount custom configuration from host filesystem (in .env or docker-compose override)
PENTAGI_OLLAMA_SERVER_CONFIG_PATH=/path/on/host/my-ollama-config.yml

PENTAGI_OLLAMA_SERVER_CONFIG_PATH 环境变量将你的宿主机配置文件映射到容器内的 /opt/pentagi/conf/ollama.provider.yml。

自定义配置示例（my-ollama-config.yml）：

primary_agent:
  model: "qwen3-coder-next:cloud"
  temperature: 1.0
  top_p: 0.9
  max_tokens: 32768
  reasoning:
    effort: high

coder:
  model: "qwen3-coder:32b"
  temperature: 1.0
  max_tokens: 20480

本地 Ollama 配置

对于自托管的 Ollama 实例：

# Basic local Ollama setup
OLLAMA_SERVER_URL=http://localhost:11434
OLLAMA_SERVER_MODEL=llama3.1:8b-instruct-q8_0

# Production setup with auto-pull and model discovery
OLLAMA_SERVER_URL=http://ollama-server:11434
OLLAMA_SERVER_PULL_MODELS_ENABLED=true
OLLAMA_SERVER_PULL_MODELS_TIMEOUT=900
OLLAMA_SERVER_LOAD_MODELS_ENABLED=true

# Using pre-built configurations from Docker image
OLLAMA_SERVER_CONFIG_PATH=/opt/pentagi/conf/ollama-llama318b.provider.yml
# or
OLLAMA_SERVER_CONFIG_PATH=/opt/pentagi/conf/ollama-qwen332b-fp16-tc.provider.yml
# or
OLLAMA_SERVER_CONFIG_PATH=/opt/pentagi/conf/ollama-qwq32b-fp16-tc.provider.yml

性能注意事项：

模型发现（OLLAMA_SERVER_LOAD_MODELS_ENABLED=true）：查询 Ollama API 会增加 1-2 秒启动延迟
自动拉取（OLLAMA_SERVER_PULL_MODELS_ENABLED=true）：首次启动可能需要数分钟下载模型
拉取超时（OLLAMA_SERVER_PULL_MODELS_TIMEOUT=900）：15 分钟（以秒为单位）
静态配置：禁用上述两个标志并在配置文件中指定模型，可获得最快启动速度

使用扩展上下文创建自定义 Ollama 模型

PentAGI 需要比默认 Ollama 配置更大的上下文窗口。你需要通过 Modelfile 创建带有更大 num_ctx 参数的自定义模型。虽然典型 Agent 工作流大约消耗 64K token，但 PentAGI 使用 110K 上下文大小，以留出安全余量并处理复杂的渗透测试场景。

重要：num_ctx 参数只能在通过 Modelfile 创建模型时设置——模型创建后无法更改，也无法在运行时覆盖。

示例：带扩展上下文的 Qwen3 32B FP16

创建一个名为 Modelfile_qwen3_32b_fp16_tc 的 Modelfile：

FROM qwen3:32b-fp16
PARAMETER num_ctx 110000
PARAMETER temperature 0.3
PARAMETER top_p 0.8
PARAMETER min_p 0.0
PARAMETER top_k 20
PARAMETER repeat_penalty 1.1

构建自定义模型：

ollama create qwen3:32b-fp16-tc -f Modelfile_qwen3_32b_fp16_tc

示例：QwQ 32B FP16 扩展上下文

创建一个名为 Modelfile_qwq_32b_fp16_tc 的 Modelfile：

FROM qwq:32b-fp16
PARAMETER num_ctx 110000
PARAMETER temperature 0.2
PARAMETER top_p 0.7
PARAMETER min_p 0.0
PARAMETER top_k 40
PARAMETER repeat_penalty 1.2

构建自定义模型：

ollama create qwq:32b-fp16-tc -f Modelfile_qwq_32b_fp16_tc

注意：QwQ 32B FP16 模型推理大约需要 71.3 GB VRAM。在尝试使用该模型之前，请确保系统拥有足够的 GPU 显存。

这些自定义模型会在 Docker 镜像中 /opt/pentagi/conf/ 路径下附带的预构建提供商配置文件（ollama-qwen332b-fp16-tc.provider.yml 和 ollama-qwq32b-fp16-tc.provider.yml）中被引用。

OpenAI 提供商配置

PentAGI 与 OpenAI 全面的模型阵容集成，具备扩展思维链（chain-of-thought）的高级推理能力、增强工具集成的智能体（agentic）模型，以及面向安全工程的专业代码模型。

配置变量

变量	默认值	说明
`OPEN_AI_KEY`		OpenAI 服务的 API 密钥
`OPEN_AI_SERVER_URL`	`https://api.openai.com/v1`	OpenAI API 端点

配置示例

# Basic OpenAI setup
OPEN_AI_KEY=your_openai_api_key
OPEN_AI_SERVER_URL=https://api.openai.com/v1

# Using with proxy for enhanced security
OPEN_AI_KEY=your_openai_api_key
PROXY_URL=http://your-proxy:8080

支持的模型

PentAGI 支持 31 个具备工具调用、流式输出、推理模式和提示缓存（prompt caching）的 OpenAI 模型。标记为 * 的模型用于默认配置。

GPT-5.2 系列 - 最新旗舰智能体模型（2025 年 12 月）

模型 ID	思考模式	价格（输入/输出/缓存）	使用场景
`gpt-5.2`*	✅	$1.75/$14.00/$0.18	最新旗舰模型，具备增强推理与工具集成，适用于自主安全研究
`gpt-5.2-pro`	✅	$21.00/$168.00/$0.00	高级版本，具备卓越智能体编码能力，适用于关键任务安全研究与零日漏洞发现
`gpt-5.2-codex`	✅	$1.75/$14.00/$0.18	最先进的代码专用模型，支持上下文压缩，具备强大网络安全能力

GPT-5/5.1 系列 - 高级智能体模型

模型 ID	思考模式	价格（输入/输出/缓存）	使用场景
`gpt-5`	✅	$1.25/$10.00/$0.13	顶级智能体模型，具备高级推理能力，适用于自主安全研究与漏洞利用链开发
`gpt-5.1`	✅	$1.25/$10.00/$0.13	增强型智能体模型，具备自适应推理，适用于均衡渗透测试与强大工具协同
`gpt-5-pro`	✅	$15.00/$120.00/$0.00	高级版本，具备重大推理改进与更少幻觉，适用于关键安全操作
`gpt-5-mini`	✅	$0.25/$2.00/$0.03	在速度与智能之间高效平衡，适用于自动化漏洞分析与漏洞利用生成
`gpt-5-nano`	✅	$0.05/$0.40/$0.01	最快的高吞吐量扫描模型，适用于侦察与批量漏洞检测

GPT-5/5.1 Codex 系列 - 代码专用模型

模型 ID	思考模式	价格（输入/输出/缓存）	使用场景
`gpt-5.1-codex-max`	✅	$1.25/$10.00/$0.13	面向复杂编码的增强推理，适用于已验证 CVE 发现与系统化漏洞利用开发
`gpt-5.1-codex`	✅	$1.25/$10.00/$0.13	标准代码优化模型，具备强大推理能力，适用于漏洞利用生成与漏洞分析
`gpt-5-codex`	✅	$1.25/$10.00/$0.13	基础代码专用模型，适用于漏洞扫描与基础漏洞利用生成
`gpt-5.1-codex-mini`	✅	$0.25/$2.00/$0.03	紧凑高性能模型，容量提升 4 倍，适用于快速漏洞检测
`codex-mini-latest`	✅	$1.50/$6.00/$0.38	最新紧凑代码模型，适用于自动化代码审查与基础漏洞分析

GPT-4.1 系列 - 增强智能模型

模型 ID	思考模式	价格（输入/输出/缓存）	使用场景
`gpt-4.1`	❌	$2.00/$8.00/$0.50	增强旗舰模型，具备卓越函数调用能力，适用于复杂威胁分析与高级漏洞利用开发
`gpt-4.1-mini`*	❌	$0.40/$1.60/$0.10	性能均衡且效率更高，适用于常规安全评估与自动化代码分析
`gpt-4.1-nano`	❌	$0.10/$0.40/$0.03	超快轻量模型，适用于批量安全扫描、快速侦察与持续监控

GPT-4o 系列 - 多模态旗舰模型

模型 ID	思考模式	价格（输入/输出/缓存）	使用场景
`gpt-4o`	❌	$2.50/$10.00/$1.25	多模态旗舰模型，具备视觉能力，适用于图像分析、Web UI 评估与多工具编排
`gpt-4o-mini`	❌	$0.15/$0.60/$0.08	紧凑多模态模型，具备强大函数调用能力，适用于高频扫描与高性价比批量操作

o 系列 - 高级推理模型

模型 ID	思考模式	价格（输入/输出/缓存）	使用场景
`o4-mini`*	✅	$1.10/$4.40/$0.28	下一代推理模型，速度更快，适用于系统化安全评估与系统化漏洞利用开发
`o3`*	✅	$2.00/$8.00/$0.50	高级推理强力模型，适用于多阶段攻击链与深度漏洞分析
`o3-mini`	✅	$1.10/$4.40/$0.55	紧凑推理模型，支持扩展思考，适用于分步攻击规划与逻辑化漏洞串联
`o1`	✅	$15.00/$60.00/$7.50	顶级推理模型，具备最大深度，适用于高级渗透测试与新型漏洞利用研究
`o3-pro`	✅	$20.00/$80.00/$0.00	最先进推理模型，比 o1-pro 便宜 80%，适用于零日研究与关键安全调查
`o1-pro`	✅	$150.00/$600.00/$0.00	上一代高级推理模型，适用于详尽安全分析与关键任务挑战

价格：按每 100 万 token 计费。推理模型的输出定价包含思考 token。

Warning

GPT-5 模型 - 需要可信访问权限*

所有 GPT-5 系列模型（gpt-5、gpt-5.1、gpt-5.2、gpt-5-pro、gpt-5.2-pro 以及所有 Codex 变体）在 PentAGI 中运行不稳定，且在没有经过验证的访问权限时可能触发 OpenAI 的网络安全安全机制。

要可靠使用 GPT-5 模型：*

个人用户：在 chatgpt.com/cyber 验证身份

企业团队：通过 OpenAI 代表申请可信访问权限

安全研究人员：申请网络安全资助计划（Cybersecurity Grant Program）（包含 1000 万美元 API 额度）

无需验证的推荐替代方案：

推理任务使用 o-series 模型（o3、o4-mini、o1）

通用智能与函数调用使用 gpt-4.1 系列

所有 o 系列和 gpt-4.x 模型无需特殊访问权限即可稳定运行

推理力度等级：

High：最大推理深度（refiner - o3，high effort）
Medium：均衡推理（primary_agent、assistant、reflector - o4-mini/o3，medium effort）
Low：高效定向推理（coder、installer、pentester - o3/o4-mini，low effort；adviser - gpt-5.2，low effort）

核心特性：

扩展推理（Extended Reasoning）：o 系列模型配合思维链（chain-of-thought），用于复杂安全分析
智能体能力（Agentic Intelligence）：GPT-5/5.1/5.2 系列，增强工具集成与自主能力
提示缓存（Prompt Caching）：重复上下文可降低成本（约为输入价格的 10-50%）
代码专精：专用 Codex 模型，用于漏洞发现与 exploit 开发
多模态支持：GPT-4o 系列，用于基于视觉的安全评估
工具调用（Tool Calling）：全系模型稳健函数调用，用于渗透测试工具编排
流式输出（Streaming）：实时响应流，用于交互式工作流
成熟实绩：行业领先模型，具备 CVE 发现与真实场景安全应用记录

Anthropic 提供商配置

PentAGI 集成 Anthropic 的 Claude 模型，具备先进的扩展思考能力、卓越的安全机制，以及对复杂安全语境的深刻理解，并支持提示缓存。

配置变量

Variable	Default	Description
`ANTHROPIC_API_KEY`		Anthropic 服务 API 密钥
`ANTHROPIC_SERVER_URL`	`https://api.anthropic.com/v1`	Anthropic API 端点

配置示例

# Basic Anthropic setup
ANTHROPIC_API_KEY=your_anthropic_api_key
ANTHROPIC_SERVER_URL=https://api.anthropic.com/v1

# Using with proxy for secure environments
ANTHROPIC_API_KEY=your_anthropic_api_key
PROXY_URL=http://your-proxy:8080

Note

适用于 Claude 模型的 Google Vertex AI

PentAGI 目前在 .env 中尚未提供面向 Anthropic Claude 的专用 Google Vertex AI 配置路径。目前尚无独立的 Vertex AI API 密钥字段，现有 Anthropic 变量（ANTHROPIC_API_KEY、ANTHROPIC_SERVER_URL）指向 Anthropic 直连 API。Claude 的支持路由包括：

Anthropic 直连 API：ANTHROPIC_API_KEY 与 ANTHROPIC_SERVER_URL（见上文）。

AWS Bedrock：BEDROCK_* 相关变量（见 AWS Bedrock 提供商配置）。

若你当下需要使用 Vertex AI，最安全且受支持的变通方案是：通过 OpenAI 兼容代理或网关暴露 Vertex AI，将 Vertex AI 调用转换为 Chat Completions 格式，同时保留 PentAGI 所依赖的聊天与 tool-call 行为，然后通过 LLM_SERVER_URL、LLM_SERVER_KEY 与 LLM_SERVER_MODEL 将 Custom LLM 提供商指向该网关。此路径的可靠性取决于你所选网关。

支持的模型

PentAGI 支持 10 款 Claude 模型，具备工具调用、流式输出、扩展思考、自适应思考与提示缓存。标有 * 的模型用于默认配置。

Claude 4 系列 — 最新模型（2025-2026）

Model ID	Thinking	Release Date	Price (Input/Output/Cache R/W)	Use Case
`claude-opus-4-6`*	✅	May 2025	$5.00/$25.00/$0.50/$6.25	面向自主智能体与编码的最强模型。扩展 + 自适应思考，用于复杂 exploit 开发、多阶段攻击模拟
`claude-sonnet-4-6`*	✅	Aug 2025	$3.00/$15.00/$0.30/$3.75	速度与智能的最佳平衡，具备自适应思考。多阶段安全评估、智能漏洞分析、实时威胁狩猎
`claude-haiku-4-5`*	✅	Oct 2025	$1.00/$5.00/$0.10/$1.25	速度最快、接近前沿智能的模型。高频扫描、实时监控、批量自动化测试

旧版模型 — 仍受支持

Model ID	Thinking	Release Date	Price (Input/Output/Cache R/W)	Use Case
`claude-sonnet-4-5`	✅	Sep 2025	$3.00/$15.00/$0.30/$3.75	顶尖推理能力（已被 4-6 取代）。复杂渗透测试、高级威胁分析
`claude-opus-4-5`	✅	Nov 2025	$5.00/$25.00/$0.50/$6.25	极致推理（已被 opus-4-6 取代）。关键安全研究、零日漏洞发现、红队行动
`claude-opus-4-1`	✅	Aug 2025	$15.00/$75.00/$1.50/$18.75	高级推理（已取代）。复杂渗透测试、精细威胁建模
`claude-sonnet-4-0`	✅	May 2025	$3.00/$15.00/$0.30/$3.75	高性能推理（已取代）。复杂威胁建模、多工具协同
`claude-opus-4-0`	✅	May 2025	$15.00/$75.00/$1.50/$18.75	第一代 Opus（已取代）。多步骤 exploit 开发、自主渗透测试工作流

已弃用模型 — 请迁移至当前模型

Model ID	Thinking	Release Date	Price (Input/Output/Cache R/W)	Notes
`claude-3-haiku-20240307`	❌	Mar 2024	$0.25/$1.25/$0.03/$0.30	将于 2026 年 4 月 19 日停用。请迁移至 claude-haiku-4-5

价格：按每 100 万 token 计。缓存定价包含读与写成本。

扩展思考配置：

Max Tokens 4096：Generator（claude-opus-4-6），用于复杂 exploit 开发的最大推理深度
Max Tokens 2048：Coder（claude-sonnet-4-6），用于均衡的代码分析与漏洞研究
Max Tokens 1024：Primary agent、assistant、refiner、adviser、reflector、searcher、installer、pentester，用于针对特定任务的聚焦推理
Extended Thinking：所有 Claude 4.5+ 与 4.6 模型均支持可配置的扩展思考，用于深度推理任务

核心特性：

扩展思考（Extended Thinking）：所有 Claude 4.5+ 与 4.6 模型，可配置思维链推理深度，用于复杂安全分析
自适应思考（Adaptive Thinking）：Claude 4.6 系列（Opus/Sonnet）根据任务复杂度动态调整推理深度，以获得最佳性能
提示缓存（Prompt Caching）：显著降低成本，读写分开计价（读为输入的 10%，写为输入的 125%）
扩展上下文窗口：标准 200K token，Claude Opus/Sonnet 4.6 最高可达 1M token（beta），用于全面代码库分析
工具调用（Tool Calling）：稳健的函数调用，精度出色，用于安全工具编排
流式输出（Streaming）：实时响应流，用于交互式渗透测试工作流
安全优先设计：内置安全机制，确保负责任的安全测试实践
多模态支持：最新模型具备视觉能力，用于截图分析与 UI 安全评估
Constitutional AI：先进安全训练，提供可靠且合乎伦理的安全指导

Google AI（Gemini）提供商配置

PentAGI 通过 Google AI API 集成 Google 的 Gemini 模型，提供顶尖多模态推理能力，并支持扩展思考与上下文缓存。

配置变量

Variable	Default	Description
`GEMINI_API_KEY`		Google AI 服务 API 密钥
`GEMINI_SERVER_URL`	`https://generativelanguage.googleapis.com`	Google AI API 端点

配置示例

# Basic Gemini setup
GEMINI_API_KEY=your_gemini_api_key
GEMINI_SERVER_URL=https://generativelanguage.googleapis.com

# Using with proxy
GEMINI_API_KEY=your_gemini_api_key
PROXY_URL=http://your-proxy:8080

支持的模型

PentAGI 支持 9 款 Gemini 模型，具备工具调用（tool calling）、流式输出（streaming）、思考模式（thinking modes）和上下文缓存（context caching）能力。标记为 * 的模型用于默认配置。

Gemini 3.5 系列 - 最新稳定版 Flash（2026 年 5 月）

Model ID	Thinking	Context	Price (Input/Output/Cache)	Use Case
`gemini-3.5-flash`*	✅	1M	$1.50/$9.00/$0.15	最智能的 Flash 模型，在智能体与编码任务上持续保持前沿性能，搜索与 grounding 能力出众

Gemini 3.1 系列 - 稳定版 Flash-Lite + Pro 预览版（2026 年 2 月至 5 月）

Model ID	Thinking	Context	Price (Input/Output/Cache)	Use Case
`gemini-3.1-pro-preview`*	✅	1M	$2.00/$12.00/$0.20	最新旗舰模型，思考能力更精炼、token 效率更高，针对软件工程与智能体工作流优化
`gemini-3.1-pro-preview-customtools`	✅	1M	$2.00/$12.00/$0.20	面向 bash 与自定义工具（view_file、search_code）优先级的自定义工具端点
`gemini-3.1-flash-lite`*	✅	1M	$0.25/$1.50/$0.025	最具成本效益的稳定多模态模型，面向高吞吐量智能体任务与低延迟应用提供前沿级性能

Gemini 2.5 系列 - 高级思考模型（活跃至 2026 年 10 月 16 日）

Model ID	Thinking	Context	Price (Input/Output/Cache)	Use Case
`gemini-2.5-pro`	✅	1M	$1.25/$10.00/$0.125	复杂编码与推理的顶尖选择，擅长精细化威胁建模
`gemini-2.5-flash`	✅	1M	$0.30/$2.50/$0.03	首款支持思考预算（thinking budgets）的混合推理模型，大规模评估场景下性价比最佳
`gemini-2.5-flash-lite`	✅	1M	$0.10/$0.40/$0.01	体量最小、成本最低，适合大规模使用与高吞吐量扫描

Gemma 4 开源模型（Apache 2.0，免费层）

Model ID	Thinking	Context	Price (Input/Output/Cache)	Use Case
`gemma-4-31b-it`	✅	256K	Free/Free/Free	最大的 Gemma 4 开源稠密模型（约 31B 参数），多模态文本+图像，支持 140+ 种语言，适用于本地部署安全运营
`gemma-4-26b-a4b-it`	✅	256K	Free/Free/Free	MoE 架构（总参数约 26B / 激活参数约 3.8B），在消费级 GPU 上高效推理，适合本地高吞吐量扫描

价格：按每 100 万 token 计费（Standard Paid 层）。上下文窗口为输入 token 上限。

Note

Gemini 2.5 系列下线

gemini-2.5-pro、gemini-2.5-flash 和 gemini-2.5-flash-lite 将于 2026 年 10 月 16 日 下线。建议迁移路径：

gemini-2.5-pro → gemini-3.1-pro-preview（相同 $2.00 输入定价层）

gemini-2.5-flash → gemini-3.5-flash（增强的前沿能力）

gemini-2.5-flash-lite → gemini-3.1-flash-lite（相同 $0.25 输入定价）

默认模型分配（config.yml）：

gemini-3.1-pro-preview - primary_agent、assistant、generator、refiner、adviser、coder、pentester
gemini-3.5-flash - reflector、searcher、enricher、installer
gemini-3.1-flash-lite - simple、simple_json

核心特性：

扩展思考（Extended Thinking）：面向复杂安全分析的逐步推理（所有 Gemini 3.x、2.5 系列及 Gemma 4 均支持可切换的思考模式）
上下文缓存（Context Caching）：重复上下文可显著降低成本（多数模型为输入价格的 10%）
超长上下文（Ultra-Long Context）：Gemini 对话模型支持 1M token，Gemma 4 开源模型支持 256K token
多模态支持（Multimodal Support）：支持文本、图像、视频、音频和 PDF 处理，便于全面评估
工具调用（Tool Calling）：通过函数调用无缝集成 20+ 款渗透测试工具
流式输出（Streaming）：实时响应流，适用于交互式安全工作流
代码执行（Code Execution）：内置代码执行，用于攻击性工具测试与漏洞利用验证
搜索 Grounding（Search Grounding）：集成 Google Search，用于威胁情报与 CVE 研究
文件搜索（File Search）：文档检索与 RAG 能力，支持基于知识的评估
批量 API（Batch API）：非实时批量处理可节省 50% 成本
自定义工具端点（Custom Tools Endpoint）：专用 gemini-3.1-pro-preview-customtools 路由，面向偏好已注册工具而非 bash 的工具密集型智能体工作流

推理力度级别（Reasoning Effort Levels）：

High：最大思考深度，适用于复杂多步分析（generator）
Medium：均衡推理，适用于通用智能体任务（primary_agent、assistant、refiner、adviser）
Low：高效思考，适用于聚焦型任务（coder、installer、pentester）

AWS Bedrock 提供商配置

PentAGI 集成 Amazon Bedrock，可访问来自 Anthropic、Amazon、Cohere、DeepSeek、OpenAI、Qwen、Mistral 和 Moonshot 等领先 AI 公司的 20+ 款基础模型。

配置变量

Variable	Default	Description
`BEDROCK_REGION`	`us-east-1`	Bedrock 服务所在的 AWS 区域
`BEDROCK_DEFAULT_AUTH`	`false`	使用 AWS SDK 默认凭证链（环境变量、EC2 角色、~/.aws/credentials）——优先级最高
`BEDROCK_BEARER_TOKEN`		Bearer token 认证——优先级高于静态凭证
`BEDROCK_ACCESS_KEY_ID`		静态凭证的 AWS 访问密钥 ID
`BEDROCK_SECRET_ACCESS_KEY`		静态凭证的 AWS 秘密访问密钥
`BEDROCK_SESSION_TOKEN`		临时凭证的 AWS 会话令牌（可选，与静态凭证配合使用）
`BEDROCK_SERVER_URL`		自定义 Bedrock 端点（VPC 端点、本地测试）

认证优先级：BEDROCK_DEFAULT_AUTH → BEDROCK_BEARER_TOKEN → BEDROCK_ACCESS_KEY_ID+BEDROCK_SECRET_ACCESS_KEY

配置示例

# Recommended: Default AWS SDK authentication (EC2/ECS/Lambda roles)
BEDROCK_REGION=us-east-1
BEDROCK_DEFAULT_AUTH=true

# Bearer token authentication (AWS STS, custom auth)
BEDROCK_REGION=us-east-1
BEDROCK_BEARER_TOKEN=your_bearer_token

# Static credentials (development, testing)
BEDROCK_REGION=us-east-1
BEDROCK_ACCESS_KEY_ID=your_aws_access_key
BEDROCK_SECRET_ACCESS_KEY=your_aws_secret_key

# With proxy and custom endpoint
BEDROCK_REGION=us-east-1
BEDROCK_DEFAULT_AUTH=true
BEDROCK_SERVER_URL=https://bedrock-runtime.us-east-1.vpce-xxx.amazonaws.com
PROXY_URL=http://your-proxy:8080

支持的模型

PentAGI 支持 21 个具备工具调用、流式输出和多模态能力的 AWS Bedrock 模型。标有 * 的模型用于默认配置。

Model ID	Provider	Thinking	Multimodal	Price (Input/Output)	Use Case
`us.amazon.nova-2-lite-v1:0`	Amazon Nova	❌	✅	$0.33/$2.75	自适应推理、高效思考
`us.amazon.nova-premier-v1:0`	Amazon Nova	❌	✅	$2.50/$12.50	复杂推理、高级分析
`us.amazon.nova-pro-v1:0`	Amazon Nova	❌	✅	$0.80/$3.20	准确度、速度与成本均衡
`us.amazon.nova-lite-v1:0`	Amazon Nova	❌	✅	$0.06/$0.24	快速处理、高吞吐量操作
`us.amazon.nova-micro-v1:0`	Amazon Nova	❌	❌	$0.035/$0.14	超低延迟、实时监控
`us.anthropic.claude-opus-4-6-v1`*	Anthropic	✅	✅	$5.00/$25.00	世界级编码、企业级智能体
`us.anthropic.claude-sonnet-4-6`	Anthropic	✅	✅	$3.00/$15.00	前沿智能、企业级规模
`us.anthropic.claude-opus-4-5-20251101-v1:0`	Anthropic	✅	✅	$5.00/$25.00	多日软件开发
`us.anthropic.claude-haiku-4-5-20251001-v1:0`*	Anthropic	✅	✅	$1.00/$5.00	接近前沿性能、高速响应
`us.anthropic.claude-sonnet-4-5-20250929-v1:0`*	Anthropic	✅	✅	$3.00/$15.00	真实场景智能体、卓越编码能力
`us.anthropic.claude-sonnet-4-20250514-v1:0`	Anthropic	✅	✅	$3.00/$15.00	性能均衡、可用于生产
`us.anthropic.claude-3-5-haiku-20241022-v1:0`	Anthropic	❌	❌	$0.80/$4.00	最快模型、高性价比扫描
`cohere.command-r-plus-v1:0`	Cohere	❌	❌	$3.00/$15.00	大规模操作、卓越 RAG
`deepseek.v3.2`	DeepSeek	❌	❌	$0.58/$1.68	长上下文推理、高效
`openai.gpt-oss-120b-1:0`*	OpenAI (OSS)	✅	❌	$0.15/$0.60	强推理能力、科学分析
`openai.gpt-oss-20b-1:0`	OpenAI (OSS)	✅	❌	$0.07/$0.30	高效编码、软件开发
`qwen.qwen3-next-80b-a3b`	Qwen	❌	❌	$0.15/$1.20	超长上下文、旗舰级推理
`qwen.qwen3-32b-v1:0`	Qwen	❌	❌	$0.15/$0.60	推理均衡、研究场景
`qwen.qwen3-coder-30b-a3b-v1:0`	Qwen	❌	❌	$0.15/$0.60	Vibe coding、自然语言优先
`qwen.qwen3-coder-next`	Qwen	❌	❌	$0.45/$1.80	工具使用、函数调用优化
`mistral.mistral-large-3-675b-instruct`	Mistral	❌	✅	$4.00/$12.00	高级多模态、长上下文
`moonshotai.kimi-k2.5`	Moonshot	❌	✅	$0.60/$3.00	视觉、语言与代码一体化模型

价格：按每 100 万 token 计费。支持思考/推理的模型在推理阶段会产生额外计算成本。

已测试但不兼容的模型

部分 AWS Bedrock 模型已完成测试，但由于技术限制不受支持：

Model Family	Reason for Incompatibility
GLM (Z.AI)	工具调用格式与 Converse API 不兼容（期望字符串而非 JSON）
AI21 Jamba	严格的速率限制（1-2 req/min）导致无法可靠测试及用于生产环境
Meta Llama 3.3/3.1	工具调用结果处理不稳定，会在多轮工作流中引发意外失败
Mistral Magistral	模型不支持工具调用
Moonshot K2-Thinking	带工具调用的流式输出行为不稳定，在生产环境中不可靠
Qwen3-VL	带工具调用的流式输出不稳定，多模态与工具组合会间歇性失败

Important

速率限制与配额管理

Claude 模型的默认 AWS Bedrock 配额极其严格（新账户为 2-20 requests/minute）。用于生产级渗透测试时：

申请提高配额——通过 AWS Service Quotas 控制台为计划使用的模型提交配额提升申请

使用 Amazon Nova 模型——默认配额更高，性能出色

启用预置吞吐量（provisioned throughput）——用于稳定的高吞吐量测试

监控用量——达到配额上限时 AWS 会进行激进限流

若不提高配额，预计会出现频繁延迟和工作流中断。

Warning

Converse API 要求

PentAGI 使用 Amazon Bedrock Converse API 实现统一模型访问。所有受支持的模型均需满足：

✅ 支持 Converse/ConverseStream API

✅ 支持工具使用（function calling），用于渗透测试工作流

✅ 支持流式工具使用，以实现实时反馈

请在以下地址核实模型能力：AWS Bedrock Model Features

核心特性：

自动提示缓存（Automatic Prompt Caching）：重复上下文成本降低 40-70%（Claude 4.x 模型）
扩展思考（Extended Thinking）：针对复杂安全分析的逐步推理（Claude、DeepSeek R1、OpenAI GPT）
多模态分析（Multimodal Analysis）：处理截图、图表、视频以进行全面测试（Nova、Claude、Mistral、Kimi）
工具调用（Tool Calling）：通过函数调用与 20+ 渗透测试工具无缝集成
流式输出（Streaming）：实时响应流，适用于交互式安全评估工作流

DeepSeek 提供商配置

PentAGI 集成 DeepSeek，以具有竞争力的价格提供先进 AI 模型访问，具备强推理能力、编码能力以及上下文缓存。

配置变量

Variable	Default Value	Description
`DEEPSEEK_API_KEY`		用于身份验证的 DeepSeek API 密钥
`DEEPSEEK_SERVER_URL`	`https://api.deepseek.com`	DeepSeek API 端点 URL
`DEEPSEEK_PROVIDER`		用于 LiteLLM 集成的提供商前缀（可选）

配置示例

# Direct API usage
DEEPSEEK_API_KEY=your_deepseek_api_key
DEEPSEEK_SERVER_URL=https://api.deepseek.com

# With LiteLLM proxy
DEEPSEEK_API_KEY=your_litellm_key
DEEPSEEK_SERVER_URL=http://litellm-proxy:4000
DEEPSEEK_PROVIDER=deepseek  # Adds prefix to model names (deepseek/deepseek-v4-flash) for LiteLLM

支持的模型

PentAGI 支持 2 款 DeepSeek V4 模型，具备工具调用（tool calling）、流式输出（streaming）、混合思考/非思考模式以及上下文缓存（context caching）能力。两款模型默认启用思考模式，可通过 extra_body 切换为非思考模式。标有 * 的模型用于默认配置。

Model ID	Thinking	Max Output	Context	Price (Input/Output/Cache)	Use Case
`deepseek-v4-flash`*	✅ hybrid	384K	1M	$0.14/$0.28/$0.0028	实用型智能体、通用对话、快速工具调用
`deepseek-v4-pro`*	✅ hybrid	384K	1M	$1.74/$3.48/$0.0145	高级推理、复杂逻辑、安全分析

价格：按每 100 万 token 计费。缓存定价适用于从缓存提供的提示词 token（输入缓存命中，自 2026-04-26 起降至首发价格的 1/10）。两款模型均支持混合思考——默认启用 thinking 模式；传入 extra_body.thinking.type: disabled 可切换为非思考模式，以获得更快、更便宜的响应。

定价说明（deepseek-v4-pro）：deepseek-v4-pro 的 75% 促销折扣已于 2026-05-31 15:59 UTC 正式结束。上表价格为促销结束后的标准定价。若你仍使用旧配置中的折扣价（$0.435/$0.87/$0.003625），请更新为当前费率，以便准确追踪成本。

旧版模型名称 deepseek-chat 和 deepseek-reasoner 已由 DeepSeek 计划于 2026-07-24 弃用。引用这些旧名称的现有用户配置在此之前仍可正常使用；上表默认配置使用当前 V4 名称。deepseek-chat 映射至 deepseek-v4-flash 非思考模式；deepseek-reasoner 映射至 deepseek-v4-flash 思考模式。

默认智能体配置：

策略：优先将 deepseek-v4-flash（输入便宜 12 倍、输出便宜 12 倍）作为实用型/轻量级智能体的主力；将 deepseek-v4-pro 保留给复杂的多步推理任务。installer 智能体在 Flash 上运行并启用思考模式，因为环境搭建任务（shell 命令、配置编辑）通常不需要 Pro 级推理能力。在将更多智能体升级为 Pro 之前，请针对自身工作负载进行 A/B 测试。

Agent Role	Default Model	Thinking	Reasoning Effort	Max Output	Temperature	Top P
Generator / Refiner	`deepseek-v4-pro`	Enabled	High	32768	(auto)	(auto)
Coder	`deepseek-v4-pro`	Enabled	High	20480	(auto)	(auto)
Primary Agent / Assistant / Pentester	`deepseek-v4-pro`	Enabled	High	16384	(auto)	(auto)
Adviser (mentor/planner)	`deepseek-v4-pro`	Enabled	High	8192	(auto)	(auto)
Installer	`deepseek-v4-flash`	Enabled	High	12288	(auto)	(auto)
Reflector / Searcher / Enricher	`deepseek-v4-flash`	Disabled	—	4096	0.5	0.9
Simple / Simple JSON	`deepseek-v4-flash`	Disabled	—	2048	0.3	0.9

说明：启用思考模式时，DeepSeek 会静默忽略 temperature、top_p、presence_penalty 和 frequency_penalty。当设置 reasoning_effort 时，langchaingo 客户端会自动将 temperature/top_p 置空，因此上表中显示为 "(auto)"。所有启用思考的智能体还会显式传入 extra_body.thinking.type: enabled，作为防御性编码，以应对未来提供商默认设置的变更。

核心特性：

混合思考模式（Hybrid Thinking Modes）：通过 extra_body.thinking.type 在思考模式（深度推理）与非思考模式（快速响应）之间切换
自动提示词缓存（Automatic Prompt Caching）：通过缓存命中定价（首发价格的 1/10）显著降低重复上下文的成本
扩展思考（Extended Thinking）：面向复杂安全分析的强化学习 CoT（两款 V4 模型均支持）
强编码能力（Strong Coding）：针对代码生成与漏洞利用开发进行优化
长上下文（Long Context）：100 万 token 上下文窗口，最多 384K 输出 token
工具调用（Tool Calling）：通过函数调用与 20+ 渗透测试工具无缝集成
流式输出（Streaming）：为交互式工作流提供实时响应流
多语言（Multilingual）：强大的中英文支持
其他特性（Additional Features）：JSON 输出、Chat Prefix Completion（beta）、FIM/Fill-in-the-Middle Completion（仅非思考模式）

并发限制：deepseek-v4-flash：2500 个并发请求；deepseek-v4-pro：500 个并发请求。

LiteLLM 集成：设置 DEEPSEEK_PROVIDER=deepseek 可在使用默认 PentAGI 配置配合 LiteLLM 代理时启用模型名称前缀。直连 API 使用时请留空。

GLM 提供商配置

PentAGI 集成智谱 AI（Z.AI）的 GLM，提供由清华大学开发、采用 MoE 架构、具备强推理与智能体能力的高级语言模型。

配置变量

Variable	Default Value	Description
`GLM_API_KEY`		用于身份验证的 GLM API 密钥
`GLM_SERVER_URL`	`https://api.z.ai/api/paas/v4`	GLM API 端点 URL（国际版）
`GLM_PROVIDER`		LiteLLM 集成的提供商前缀（可选）

配置示例

# Direct API usage (international endpoint)
GLM_API_KEY=your_glm_api_key
GLM_SERVER_URL=https://api.z.ai/api/paas/v4

# Alternative endpoints
GLM_SERVER_URL=https://open.bigmodel.cn/api/paas/v4  # China
GLM_SERVER_URL=https://api.z.ai/api/coding/paas/v4   # Coding-specific

# With LiteLLM proxy
GLM_API_KEY=your_litellm_key
GLM_SERVER_URL=http://litellm-proxy:4000
GLM_PROVIDER=zai  # Adds prefix to model names (zai/glm-4) for LiteLLM

支持的模型

PentAGI 支持 13 款 GLM 模型，具备工具调用、流式输出、混合思考模式以及提示词缓存能力。标有 * 的模型用于默认配置。思考模式通过 extra_body.thinking.type（"enabled"/"disabled"）控制；与 Kimi 不同，GLM 在两种模式下对 temperature 的限制都较为宽松。

GLM-5.x 系列 - 最新一代（200K 上下文，128K 最大输出）

Model ID	Thinking	Context	Max Output	Price (Input/Output/Cache)	Use Case
`glm-5.1`*	✅ Hybrid	200K	128K	$1.40/$4.40/$0.26	最新旗舰：8 小时持续自主执行，对齐 Claude Opus 4.6（generator/refiner/adviser/coder/pentester 默认）
`glm-5`	✅ Hybrid	200K	128K	$1.00/$3.20/$0.20	智能体工程（Agentic Engineering）基座，MoE 744B/40B active，Claude Opus 4.5 级编码能力
`glm-5-turbo`*	✅ Hybrid	200K	128K	$1.20/$4.00/$0.24	OpenClaw 原生：针对工具调用、持久化任务、长链执行优化（primary_agent/assistant 默认）

GLM-4.7 系列 - 高级版，支持交错思考（Interleaved Thinking）

Model ID	Thinking	Context	Max Output	Price (Input/Output/Cache)	Use Case
`glm-4.7`	✅ Hybrid	200K	128K	$0.60/$2.20/$0.11	增强编程能力，稳定的多步推理
`glm-4.7-flashx`	✅ Hybrid	200K	128K	$0.07/$0.40/$0.01	超低价且享有优先 GPU，但 RPM 限制较低（不适合高频使用）
`glm-4.7-flash`	✅ Hybrid	200K	128K	Free/Free/Free	免费约 30B SOTA 模型，1 个并发请求

GLM-4.6 系列 - 均衡型，支持自动思考（Auto-Thinking）

Model ID	Thinking	Context	Max Output	Price (Input/Output/Cache)	Use Case
`glm-4.6`	✅ Auto	200K	128K	$0.60/$2.20/$0.11	均衡型、流式工具调用、省 token

GLM-4.5 系列 - 统一推理/编码/智能体

Model ID	Thinking	Context	Max Output	Price (Input/Output/Cache)	Use Case
`glm-4.5`	✅ Auto	128K	96K	$0.60/$2.20/$0.11	统一型，MoE 355B/32B 激活参数
`glm-4.5-x`	✅ Auto	128K	96K	$2.20/$8.90/$0.45	超快高端版，最低延迟
`glm-4.5-air`*	✅ Auto	128K	96K	$0.20/$1.10/$0.03	高性价比 MoE 106B/12B（simple/simple_json/reflector/searcher/enricher/installer 默认）
`glm-4.5-airx`	✅ Auto	128K	96K	$1.10/$4.50/$0.22	加速版 Air，优先 GPU
`glm-4.5-flash`	✅ Auto	128K	96K	Free/Free/Free	免费，支持推理/编码/智能体

GLM-4 旧版 - 稠密架构（Dense Architecture）

Model ID	Thinking	Context	Max Output	Price (Input/Output)	Use Case
`glm-4-32b-0414-128k`	❌	128K	16K	$0.10/$0.10	超低成本稠密 32B，无推理的解析任务

价格：按每 100 万 token 计费。缓存价格为提示词缓存命中价格；根据 Z.AI 促销，缓存存储目前免费。GLM-4-32B 不支持缓存。

默认智能体配置：

策略：关键推理使用 glm-5.1（最新旗舰，输入 $1.40），编排使用 glm-5-turbo（OpenClaw 原生、面向智能体优化），所有 utility/installer 智能体使用 glm-4.5-air（低价 MoE，支持混合思考且 RPM 稳定）。由于 RPM 限制较低，高频调用时易出现 429 错误，默认配置避免使用 glm-4.7-flashx。

Agent Role	Default Model	Thinking	Temperature	Top P	Max Output
生成器 / 精炼器	`glm-5.1`	启用	1.0	0.95	32768
编码器	`glm-5.1`	启用	1.0	0.95	20480
顾问 / 渗透测试	`glm-5.1`	启用	1.0	0.95	16384
主智能体 / 助手	`glm-5-turbo`	启用	1.0	0.95	16384
安装器	`glm-4.5-air`	启用	1.0	0.95	16384
Simple / Reflector	`glm-4.5-air`	禁用	0.6	0.9	8192
搜索器 / 增强器 / Simple JSON	`glm-4.5-air`	禁用	0.6	0.9	4096

关于 temperature 的说明：根据 Z.AI 文档，GLM 在思考/非思考模式下均接受 1.0 和 0.6。langchaingo 的 IsReasoningModel 会匹配 glm-4.5*/glm-4.6*/glm-4.7* 前缀，并在 createChatRequest 中强制将 temperature 覆盖为 1.0——这对 GLM 无害（与 Kimi 不同），但意味着这些模型在 YAML 中的 temperature 值仅供参考。glm-5/glm-5.1/glm-5-turbo 不会被匹配，因此显式设置的值会原样传递。

思考模式：

Hybrid（混合）（GLM-5.x、GLM-4.7）：通过 extra_body.thinking.type 显式切换
Auto（自动）（GLM-4.6、GLM-4.5 系列）：模型自动判断何时需要推理
Preserved Thinking（保留思考）（Z.AI Coding 能力）：PentAGI 中所有启用思考的智能体也会传递 extra_body.thinking.clear_thinking: false，以便在对话中保留先前助手轮次的 reasoning_content。这在标准 API 端点（/api/paas/v4）上是必需的——在 Coding Plan 端点上默认启用。可提升多轮工具调用链中的推理连续性和缓存命中率。
所有启用思考的智能体也会出于防御性目的传递 extra_body.tool_choice: auto

核心特性：

长程任务（Long-Horizon Tasks）：GLM-5.1 支持最长 8 小时的持续自主执行，适合复杂的多阶段智能体工作流
OpenClaw 原生编排：GLM-5-Turbo 专门针对工具调用、指令遵循和长链执行进行了优化
提示词缓存（Prompt Caching）：重复上下文可显著降低成本（表中已列出缓存输入价格）
超长上下文：GLM-5.x/4.7/4.6 系列支持 200K token
MoE 架构：高效 744B/40B 激活参数（GLM-5/5.1）、355B/32B（GLM-4.5）、106B/12B（GLM-4.5-Air）
工具调用（Tool Calling）：通过 function calling 与 20+ 渗透测试工具无缝集成
流式输出（Streaming）：实时流式输出，支持流式工具调用（GLM-4.6+）
多语言：出色的中英文 NLP 能力
免费选项：GLM-4.7-Flash 和 GLM-4.5-Flash 可用于原型开发与实验

LiteLLM 集成：将 GLM_PROVIDER=zai 设置为启用模型名前缀，以便在使用 LiteLLM 代理的默认 PentAGI 配置时生效。直接调用 API 时请留空。

Kimi 提供商配置

PentAGI 集成 Moonshot AI 的 Kimi，提供具备多模态能力的超长上下文模型，非常适合分析大型代码库和文档。

配置变量

Variable	Default Value	Description
`KIMI_API_KEY`		Kimi API 密钥，用于身份验证
`KIMI_SERVER_URL`	`https://api.moonshot.ai/v1`	Kimi API 端点 URL（国际版）
`KIMI_PROVIDER`		LiteLLM 集成的提供商前缀（可选）

配置示例

# Direct API usage (international endpoint)
KIMI_API_KEY=your_kimi_api_key
KIMI_SERVER_URL=https://api.moonshot.ai/v1

# Alternative endpoint
KIMI_SERVER_URL=https://api.moonshot.cn/v1  # China

# With LiteLLM proxy
KIMI_API_KEY=your_litellm_key
KIMI_SERVER_URL=http://litellm-proxy:4000
KIMI_PROVIDER=moonshot  # Adds prefix to model names (moonshot/kimi-k2.5) for LiteLLM

支持的模型

PentAGI 支持 8 个具备工具调用、流式输出、混合思考模式及多模态能力（K2.x 支持文本/图像/视频）的 Kimi/Moonshot 模型。所有 kimi-k2-* 旧版模型（turbo-preview、0905-preview、0711-preview、thinking、thinking-turbo）已于 2026-05-25 被 Moonshot 弃用，未包含在内。标记为 * 的模型用于默认配置。

Kimi K2.x 系列 - 多模态旗舰

Model ID	Thinking	Multimodal	Context	Price (Input Miss / Output / Cache Hit)	Use Case
`kimi-k2.6`*	✅ hybrid	✅	256K	$0.95 / $4.00 / $0.16	最新旗舰：原生多模态、更强代码能力、指令遵从性更佳（generator/refiner/adviser/coder/pentester 默认）
`kimi-k2.5`*	✅ hybrid	✅	256K	$0.60 / $3.00 / $0.10	上一代：输入价格低 36%，架构相同（primary/assistant/installer/utility 默认）

Moonshot V1 系列 - 生成模型（灵活参数）

Model ID	Thinking	Multimodal	Context	Price (Input / Output)	Use Case
`moonshot-v1-8k`	❌	❌	8K	$0.20 / $2.00	短文本生成，超低成本
`moonshot-v1-32k`	❌	❌	32K	$1.00 / $3.00	长文本生成
`moonshot-v1-128k`	❌	❌	128K	$2.00 / $5.00	超长上下文

Moonshot V1 Vision 系列 - 图像理解

Model ID	Thinking	Multimodal	Context	Price (Input / Output)	Use Case
`moonshot-v1-8k-vision-preview`	❌	✅	8K	$0.20 / $2.00	视觉 + 短上下文
`moonshot-v1-32k-vision-preview`	❌	✅	32K	$1.00 / $3.00	视觉 + 中等上下文
`moonshot-v1-128k-vision-preview`	❌	✅	128K	$2.00 / $5.00	视觉 + 长上下文

价格：按每 100 万 token 计费。缓存定价适用于从自动上下文缓存（automatic context cache）提供的提示 token（仅 Kimi K2.x 模型支持缓存）。

重要 — Kimi K2.6/K2.5 参数约束：API 对任何偏离将返回 invalid_request_error：

temperature：在 thinking 模式下 MUST 为 1.0，在非 thinking 模式下 MUST 为 0.6

top_p：MUST 为 0.95

n：MUST 为 1

presence_penalty 与 frequency_penalty：MUST 为 0（不可修改）

Moonshot V1 模型使用标准 OpenAI 兼容参数，无此类约束。

默认 Agent 配置：

策略：优先选用 kimi-k2.5 作为高性价比主力模型（输入成本比 kimi-k2.6 低 36%）；将 kimi-k2.6 保留给关键推理任务。所有 kimi-k2.x agent 均配置 API 要求的固定参数（temp/top_p/n）及显式 extra_body.thinking.type。对于启用 thinking 的 agent，extra_body.thinking.keep: "all" 设置为在多轮工具调用链中保留历史 reasoning_content（若无此设置，Moonshot 将返回 "thinking is enabled but reasoning_content is missing"）。

Agent Role	Default Model	Thinking	Temperature	Top P	Max Output
Generator / Refiner	`kimi-k2.6`	Enabled (keep=all)	1.0	0.95	32768
Coder	`kimi-k2.6`	Enabled (keep=all)	1.0	0.95	20480
Pentester	`kimi-k2.6`	Enabled (keep=all)	1.0	0.95	16384
Adviser (mentor/planner)	`kimi-k2.6`	Enabled (keep=all)	1.0	0.95	8192
Primary Agent / Assistant	`kimi-k2.5`	Enabled (keep=all)	1.0	0.95	16384
Installer	`kimi-k2.5`	Enabled (keep=all)	1.0	0.95	12288
Reflector / Searcher / Enricher	`kimi-k2.5`	Disabled	0.6	0.95	4096
Simple / Simple JSON	`kimi-k2.5`	Disabled	0.6	0.95	2048

核心特性：

超长上下文（Ultra-Long Context）：最高 256K token（K2.x），适用于全面的代码库/文档分析
原生多模态（Native Multimodal）：K2.6/K2.5 开箱即用地支持文本 + 图像 + 视频输入
混合思考（Hybrid Thinking）：K2.6/K2.5 可通过 extra_body.thinking.type 在 thinking 与非 thinking 模式间切换
思考内容保留（Preserved Thinking）（K2.6）：thinking.keep: "all" 在多轮对话中保留历史 reasoning_content — 多轮工具调用链所必需
自动上下文缓存（Automatic Context Caching）：K2.x 模型缓存重复前缀（K2.6 约为未命中价格的 ~17%，K2.5 约为 ~17%）
工具调用（Tool Calling）：K2.x 与 Moonshot V1 全面支持 function-calling
自我纠错（Self-Correction）：K2.6 具备更强的指令遵循与自我纠错能力
多语言（Multilingual）：强大的中文、英文及多语言支持

Thinking + 工具调用的多轮对话：PentAGI 的通用推理保留模式（TextPartWithReasoning + WithPreserveReasoningContent）自动确保按所需的 TextContent → ToolCall 顺序回传 reasoning_content，满足 Moonshot 对 "thinking is enabled but reasoning_content is missing in assistant tool call message" 的要求。

LiteLLM 集成：将 KIMI_PROVIDER=moonshot 设置为在使用默认 PentAGI 配置配合 LiteLLM 代理时启用模型名称前缀。直连 API 使用时留空即可。

Qwen 提供商配置

PentAGI 集成阿里云百炼（DashScope）的 Qwen，提供具备推理能力与上下文缓存支持的强大多语言模型。

配置变量

Variable	Default Value	Description
`QWEN_API_KEY`		用于身份验证的 Qwen API 密钥
`QWEN_SERVER_URL`	`https://dashscope-us.aliyuncs.com/compatible-mode/v1`	Qwen API 端点 URL（国际版）
`QWEN_PROVIDER`		LiteLLM 集成的提供商前缀（可选）

配置示例

# Direct API usage (Global/US endpoint)
QWEN_API_KEY=your_qwen_api_key
QWEN_SERVER_URL=https://dashscope-us.aliyuncs.com/compatible-mode/v1

# Alternative endpoints
QWEN_SERVER_URL=https://dashscope-intl.aliyuncs.com/compatible-mode/v1  # International (Singapore)
QWEN_SERVER_URL=https://dashscope.aliyuncs.com/compatible-mode/v1       # Chinese Mainland (Beijing)

# With LiteLLM proxy
QWEN_API_KEY=your_litellm_key
QWEN_SERVER_URL=http://litellm-proxy:4000
QWEN_PROVIDER=dashscope  # Adds prefix to model names (dashscope/qwen-plus) for LiteLLM

支持的模型

PentAGI 支持 33 款为 agent 工作流精选的 Qwen 模型：文本推理、代码生成及视觉语言（浏览器截图）。所有模型均为非快照主别名，支持工具调用、流式输出、thinking 模式及上下文缓存。标记有 * 的模型用于默认配置。

旗舰模型（顶级推理）

Model ID	Thinking	Intl	Global/US	China	Price (Input/Output/Cache)	Use Case
`qwen3.7-max`*	✅	✅	✅	✅	$2.50/$7.50/$0.50	面向 agent 时代的新一代旗舰（generator/refiner/adviser 默认）
`qwen3.6-max-preview`	✅	✅	✅	✅	$1.30/$7.80/$0.13	预览版 Max，增强 vibe coding 与前端技能
`qwen3-max`	✅	✅	✅	✅	$1.20/$6.00/$0.24	上一代旗舰，具备 agent 编程升级
`qwen-plus`	✅	✅	✅	✅	$0.40/$4.00/$0.08	基于 Qwen3 的 Plus，可切换 thinking 模式

均衡 Plus 模型（中档）

Model ID	Thinking	Intl	Global/US	China	Price (Input/Output/Cache)	Use Case
`qwen3.6-plus`*	✅	✅	✅	✅	$0.50/$3.00/$0.05	原生 VL Plus，具备 agentic coding（primary/assistant/pentester 默认）
`qwen3.5-plus`	✅	✅	✅	✅	$0.40/$2.40/$0.04	上一代原生 VL，多模态能力强劲

快速 Flash 模型（成本优化）

Model ID	Thinking	Intl	Global/US	China	Price (Input/Output/Cache)	Use Case
`qwen3.6-flash`	✅	✅	✅	✅	$0.25/$1.50/$0.025	最新 Flash，显著增强 agentic 编码能力
`qwen3.5-flash`*	✅	✅	✅	✅	$0.10/$0.40/$0.01	超快轻量（simple/reflector/searcher/enricher 默认）
`qwen-flash`	✅	✅	✅	✅	$0.05/$0.40/$0.01	Qwen3 系列 Flash，1M 上下文，阶梯定价

代码专用模型

Model ID	Thinking	Intl	Global/US	China	Price (Input/Output/Cache)	Use Case
`qwen3-coder-plus`*	❌	✅	✅	✅	$1.00/$5.00/$0.20	强力编码智能体，支持自主编程（coder 默认）
`qwen3-coder-flash`*	❌	✅	✅	✅	$0.30/$1.50/$0.06	快速代码生成，多轮工具调用稳定（installer 默认）
`qwen3-coder-next`	❌	✅	✅	✅	$0.30/$1.50/—	开源代码生成，同规模 SOTA

视觉语言模型（浏览器与截图分析）

Model ID	Thinking	Intl	Global/US	China	Price (Input/Output/Cache)	Use Case
`qwen3-vl-plus`	✅	✅	✅	✅	$0.20/$1.60/$0.04	具备视觉智能体能力的 VL，超长视频理解
`qwen3-vl-flash`	✅	✅	✅	✅	$0.05/$0.40/$0.01	小型 VL，2D/3D 定位，用于浏览器分流
`qvq-max`	✅	✅	✅	✅	$1.20/$4.80/—	视觉推理，支持思维链（chain-of-thought）

开源 Qwen3.6 系列

Model ID	Thinking	Intl	Global/US	China	Price (Input/Output/Cache)	Use Case
`qwen3.6-27b`	✅	✅	✅	✅	$0.60/$3.60/—	混合架构原生 VL，支持本地部署
`qwen3.6-35b-a3b`	✅	✅	✅	✅	$0.25/$1.49/—	高效 35B MoE（约 3B 活跃参数），适合持续监控

开源 Qwen3.5 系列

Model ID	Thinking	Intl	Global/US	China	Price (Input/Output/Cache)	Use Case
`qwen3.5-397b-a17b`	✅	✅	✅	✅	$0.60/$3.60/—	最大 397B 参数（约 17B 活跃），卓越推理能力
`qwen3.5-122b-a10b`	✅	✅	✅	✅	$0.40/$3.20/—	大型 122B 参数（约 10B 活跃），强劲均衡
`qwen3.5-35b-a3b`	✅	✅	✅	✅	$0.25/$2.00/—	高效 35B MoE（约 3B 活跃参数），性价比高
`qwen3.5-27b`	✅	✅	✅	✅	$0.30/$2.40/—	中型 27B，混合线性注意力 + 稀疏 MoE

开源 Qwen3 Coder 系列

Model ID	Thinking	Intl	Global/US	China	Price (Input/Output/Cache)	Use Case
`qwen3-coder-480b-a35b-instruct`	❌	✅	✅	✅	$1.50/$7.50/—	最大开源 Coder MoE（480B/约 35B 活跃）
`qwen3-coder-30b-a3b-instruct`	❌	✅	✅	✅	$0.45/$2.25/—	高效 30B MoE（约 3B 活跃参数），仓库级规模

开源 Qwen3 Dense 与 MoE 系列

Model ID	Thinking	Intl	Global/US	China	Price (Input/Output/Cache)	Use Case
`qwen3-next-80b-a3b-thinking`	✅	✅	✅	✅	$0.15/$1.20/—	下一代 80B MoE（约 3B 活跃参数），仅思考模式
`qwen3-next-80b-a3b-instruct`	❌	✅	✅	✅	$0.15/$1.20/—	下一代 80B MoE，指令遵循
`qwen3-235b-a22b`	✅	✅	✅	✅	$0.70/$8.40/—	双模式 235B MoE（约 22B 活跃）
`qwen3-32b`	✅	✅	✅	✅	$0.16/$0.64/—	多功能 32B dense 双模式
`qwen3-30b-a3b`	✅	✅	✅	✅	$0.20/$2.40/—	高效 30B MoE（约 3B 活跃参数）
`qwen3-14b`	✅	✅	✅	✅	$0.35/$4.20/—	中型 14B dense，性能与成本均衡
`qwen3-8b`	✅	✅	✅	✅	$0.18/$2.10/—	紧凑 8B dense，高效
`qwen3-4b`	✅	✅	✅	✅	$0.11/$1.26/—	轻量 4B dense，适合简单任务
`qwen3-1.7b`	✅	✅	✅	✅	$0.11/$1.26/—	超紧凑 1.7B，基础检查
`qwen3-0.6b`	✅	✅	✅	✅	$0.11/$1.26/—	最小 0.6B，边缘监控

价格：按每 100 万 token 计费。缓存价格反映隐式缓存命中（如可用）；MoE/dense 开源模型不提供缓存定价。阶梯模型（Max/Plus）显示最低档价格（通常 ≤32k 或 ≤256k 输入）；更大上下文按阿里云定价收取更高费率。

区域可用性：

Intl（国际）：新加坡区域（dashscope-intl.aliyuncs.com）
Global/US：美国弗吉尼亚区域（dashscope-us.aliyuncs.com）
China：中国大陆北京区域（dashscope.aliyuncs.com）

默认智能体配置：

Agent Role	Default Model	Tier
Generator / Refiner / Adviser（规划、导师）	`qwen3.7-max`	Flagship
Primary / Assistant / Pentester	`qwen3.6-plus`	Balanced
Coder（漏洞利用开发）	`qwen3-coder-plus`	Code+
Installer（环境配置）	`qwen3-coder-flash`	Code Fast
Simple / Reflector / Searcher / Enricher	`qwen3.5-flash`	Fast

核心特性：

以 Agent 为中心的设计：Qwen3.7-Max 专为长周期自主执行与工具调用而打造
自动上下文缓存（Automatic Context Caching）：通过隐式缓存，在重复上下文场景下可降低 30-50% 成本
扩展思考（Extended Thinking）：面向复杂安全分析的链式思维推理（Qwen3.7/3.6/3.5/3-Max、QVQ-Max）
代码专精：Qwen3-Coder 系列支持多轮工具交互与仓库级理解
视觉-语言（Vision-Language）：Qwen3-VL 系列适用于浏览器截图分诊、2D/3D 定位、OCR 级分析
工具调用（Tool Calling）：通过 function calling 与 20+ 款渗透测试工具无缝集成
流式输出（Streaming）：为交互式工作流提供实时响应流
多语言（Multilingual）：对中文、英文及多种语言有良好支持
开源变体（Open-Source Variants）：提供 0.6B 至 480B 的 Dense 与 MoE 模型，适用于本地部署/气隙（air-gapped）环境

LiteLLM 集成：将 QWEN_PROVIDER=dashscope 设置为在使用默认 PentAGI 配置配合 LiteLLM 代理时启用模型名称前缀。若直接调用 API，请留空。

其他集成方式

DashScope 完全兼容 OpenAI，因此 Qwen 也可通过标准 OpenAI 客户端为 PentAGI 的另外两个子系统提供能力。

作为嵌入（embedding）提供方（text-embedding-v4，参见 Alibaba Cloud Model Studio 定价):

EMBEDDING_PROVIDER=openai
EMBEDDING_URL=https://dashscope-intl.aliyuncs.com/compatible-mode/v1  # International (Singapore)
# EMBEDDING_URL=https://dashscope.aliyuncs.com/compatible-mode/v1     # Chinese Mainland
EMBEDDING_KEY=sk-*******
EMBEDDING_MODEL=text-embedding-v4
EMBEDDING_BATCH_SIZE=         # optional, default applies
EMBEDDING_STRIP_NEW_LINES=    # optional, default applies

注意：Global/US DashScope 端点（dashscope-us.aliyuncs.com）不提供 embedding API —— 请使用 International 或 China 端点以配置 text-embedding-v4。

作为 OpenAI 类型的自定义 LLM 提供方：无需使用专用的 QWEN_* 变量，可将任意 Qwen 对话模型通过 PentAGI 的自定义 OpenAI 兼容提供方接入：将 OPENAI_SERVER_URL（或自定义 provider 条目）指向 DashScope 的 /compatible-mode/v1 端点，并选择所需的 Qwen 模型名称。适用于你已通过单一 OpenAI 形态客户端统一管理全部模型流量（例如与 LiteLLM/OneAPI 代理共用）的场景。

高级配置

Langfuse 集成

Langfuse 为监控与分析 AI Agent 运行提供高级能力。

在现有的 .env 文件中配置 Langfuse 环境变量。

Langfuse 重要环境变量

数据库凭据

LANGFUSE_POSTGRES_USER 与 LANGFUSE_POSTGRES_PASSWORD - Langfuse PostgreSQL 凭据
LANGFUSE_CLICKHOUSE_USER 与 LANGFUSE_CLICKHOUSE_PASSWORD - ClickHouse 凭据
LANGFUSE_REDIS_AUTH - Redis 密码

加密与安全密钥

LANGFUSE_SALT - Langfuse Web UI 中用于哈希的盐值
LANGFUSE_ENCRYPTION_KEY - 加密密钥（32 字节十六进制）
LANGFUSE_NEXTAUTH_SECRET - NextAuth 密钥

管理员凭据

LANGFUSE_INIT_USER_EMAIL - 管理员邮箱
LANGFUSE_INIT_USER_PASSWORD - 管理员密码
LANGFUSE_INIT_USER_NAME - 管理员用户名

API 密钥与令牌

LANGFUSE_INIT_PROJECT_PUBLIC_KEY - 项目公钥（PentAGI 侧也会使用）
LANGFUSE_INIT_PROJECT_SECRET_KEY - 项目私钥（PentAGI 侧也会使用）

S3 存储

LANGFUSE_S3_ACCESS_KEY_ID - S3 访问密钥 ID
LANGFUSE_S3_SECRET_ACCESS_KEY - S3 秘密访问密钥

在 .env 文件中为 PentAGI 服务启用 Langfuse 集成。

LANGFUSE_BASE_URL=http://langfuse-web:3000
LANGFUSE_PROJECT_ID= # default: value from ${LANGFUSE_INIT_PROJECT_ID}
LANGFUSE_PUBLIC_KEY= # default: value from ${LANGFUSE_INIT_PROJECT_PUBLIC_KEY}
LANGFUSE_SECRET_KEY= # default: value from ${LANGFUSE_INIT_PROJECT_SECRET_KEY}

启动 Langfuse 栈：

curl -O https://raw.githubusercontent.com/vxcontrol/pentagi/master/docker-compose-langfuse.yml
docker compose -f docker-compose.yml -f docker-compose-langfuse.yml up -d

访问 localhost:4000 以使用 .env 文件中的凭据登录 Langfuse Web UI：

LANGFUSE_INIT_USER_EMAIL - 管理员邮箱
LANGFUSE_INIT_USER_PASSWORD - 管理员密码

监控与可观测性

如需详细跟踪系统运行，可集成监控工具。

在 .env 文件中为 PentAGI 启用 OpenTelemetry 及全部可观测性服务集成。

OTEL_HOST=otelcol:8148

启动可观测性栈：

curl -O https://raw.githubusercontent.com/vxcontrol/pentagi/master/docker-compose-observability.yml
docker compose -f docker-compose.yml -f docker-compose-observability.yml up -d

访问 localhost:3000 以打开 Grafana Web UI。

Note

若要将可观测性栈与 Langfuse 一起使用，需在 .env 文件中启用集成，将 LANGFUSE_OTEL_EXPORTER_OTLP_ENDPOINT 设置为 http://otelcol:4318。

要同时运行所有可用栈（Langfuse、Graphiti 与 Observability）：
docker compose -f docker-compose.yml -f docker-compose-langfuse.yml -f docker-compose-graphiti.yml -f docker-compose-observability.yml up -d
你也可以在 shell 中为这些命令注册别名以便更快执行：
alias pentagi="docker compose -f docker-compose.yml -f docker-compose-langfuse.yml -f docker-compose-graphiti.yml -f docker-compose-observability.yml"
alias pentagi-up="docker compose -f docker-compose.yml -f docker-compose-langfuse.yml -f docker-compose-graphiti.yml -f docker-compose-observability.yml up -d"
alias pentagi-down="docker compose -f docker-compose.yml -f docker-compose-langfuse.yml -f docker-compose-graphiti.yml -f docker-compose-observability.yml down"

知识图谱集成（Graphiti）

Important

Graphiti 集成目前为 beta 功能，存在明显的提供方限制。在生产环境启用前，请参阅下文当前限制。

PentAGI 与 Graphiti, 集成 —— 这是一个由 Neo4j 驱动的时序知识图谱系统，可为 AI Agent 运行提供高级语义理解与关系追踪。vxcontrol 分支提供了针对渗透测试场景的自定义实体与边类型。

什么是 Graphiti？

Graphiti 会自动从 Agent 交互中提取并存储结构化知识，构建实体、关系与时序上下文的图谱。由此可实现：

语义记忆（Semantic Memory）：存储并回忆工具、目标、漏洞与技术之间的关联
上下文理解（Contextual Understanding）：追踪不同渗透测试操作如何随时间相互关联
知识复用（Knowledge Reuse）：从过往渗透测试中学习，并将洞察应用于新评估
高级查询（Advanced Querying）：搜索复杂模式，例如「哪些工具对类似目标有效？」

启用 Graphiti

Graphiti 知识图谱为可选功能，默认关闭。启用步骤：

在 .env 文件中配置 Graphiti 环境变量：

## Graphiti knowledge graph settings
GRAPHITI_ENABLED=true
GRAPHITI_TIMEOUT=30
GRAPHITI_URL=http://graphiti:8000
GRAPHITI_MODEL_NAME=gpt-5-mini

# Neo4j settings (used by Graphiti stack)
NEO4J_USER=neo4j
NEO4J_DATABASE=neo4j
NEO4J_PASSWORD=devpassword
NEO4J_URI=bolt://neo4j:7687

# OpenAI API key (required by Graphiti for entity extraction)
OPEN_AI_KEY=your_openai_api_key

与 PentAGI 主服务一并启动 Graphiti 栈：

# Download the Graphiti compose file if needed
curl -O https://raw.githubusercontent.com/vxcontrol/pentagi/master/docker-compose-graphiti.yml

# Start PentAGI with Graphiti
docker compose -f docker-compose.yml -f docker-compose-graphiti.yml up -d

验证 Graphiti 是否正在运行：

# Check service health
docker compose -f docker-compose.yml -f docker-compose-graphiti.yml ps graphiti neo4j

# View Graphiti logs
docker compose -f docker-compose.yml -f docker-compose-graphiti.yml logs -f graphiti

# Access Neo4j Browser (optional)
# Visit http://localhost:7474 and login with NEO4J_USER/NEO4J_PASSWORD

# Access Graphiti API (optional, for debugging)
# Visit http://localhost:8000/docs for Swagger API documentation

Note

Graphiti 服务在 docker-compose-graphiti.yml 中定义为独立堆栈。你必须同时运行这两个 compose 文件才能启用知识图谱功能。默认使用预构建的 Docker 镜像 vxcontrol/graphiti:latest。

存储内容

启用后，PentAGI 会自动捕获：

Agent 响应（Agent Responses）：所有 agent 的推理、分析与决策
工具执行（Tool Executions）：已执行的命令、使用的工具及其结果
上下文信息（Context Information）：Flow、任务与子任务的层级结构

当前限制

Graphiti 集成目前为 beta 功能。在生产环境中启用前，运维人员应针对以下约束做好规划：

仅支持 OpenAI 兼容 LLM。 捆绑的 vxcontrol/graphiti 镜像针对通过 PentAGI 的 .env 变量 OPEN_AI_KEY 与 OPEN_AI_SERVER_URL（默认 https://api.openai.com/v1）配置的单一 OpenAI 兼容端点进行认证。docker-compose-graphiti.yml 会将其映射到容器内的 OPENAI_API_KEY 与 OPENAI_BASE_URL，因此运维人员无需直接设置容器变量。PentAGI 中在其他位置为 Anthropic、Google AI（Gemini）、AWS Bedrock、DeepSeek、GLM、Kimi 或 Qwen 配置的提供商凭据不会被 Graphiti 用于实体抽取。若你的部署无法访问 OpenAI 兼容端点，请保持 GRAPHITI_ENABLED=false。
每个部署固定单一模型。 Graphiti 对所有抽取使用同一模型名称（GRAPHITI_MODEL_NAME，默认 gpt-5-mini）。无法按 agent 或 flow 选择模型。
独立计费。 即使 flow 使用非 OpenAI 提供商运行，Graphiti 仍会在所配置的 OpenAI 兼容端点上产生费用。
尚无应用内图谱浏览器。 浏览已捕获的图谱需依赖 http://localhost:7474 上的 Neo4j Browser 与 http://localhost:8000/docs 上的 Graphiti Swagger UI。目前 PentAGI 没有面向图谱的 UI 界面。

当 GRAPHITI_ENABLED=false 时，PentAGI 会继续使用其主内存与向量存储运行；仅跳过额外的知识图谱功能。

GitHub 与 Google OAuth 集成

与 GitHub 和 Google 的 OAuth 集成允许用户使用这些平台上的现有账户进行身份验证。这带来多项好处：

简化登录流程，无需创建独立凭据
通过可信身份提供商增强安全性
可访问 GitHub/Google 账户中的用户资料信息
与现有开发工作流无缝集成

PentAGI 使用 PUBLIC_URL 作为 OAuth 重定向的公开源站/基础 URL。在默认部署中，GitHub 与 Google 回调均由以下端点处理：

${PUBLIC_URL}/api/v1/auth/login-callback

GitHub OAuth：

在你的 GitHub 账户中创建新的 OAuth App。
将 Homepage URL 设置为你的 PUBLIC_URL。
将 Authorization callback URL 设置为 ${PUBLIC_URL}/api/v1/auth/login-callback。
将客户端凭据添加到你的 .env 文件：

PUBLIC_URL=https://pentagi.example.com
OAUTH_GITHUB_CLIENT_ID=your_github_client_id
OAUTH_GITHUB_CLIENT_SECRET=your_github_client_secret

Google OAuth：

在你的 Google Cloud 项目中创建 OAuth 凭据。
使用相同的回调端点：${PUBLIC_URL}/api/v1/auth/login-callback。
将客户端凭据添加到你的 .env 文件：

PUBLIC_URL=https://pentagi.example.com
OAUTH_GOOGLE_CLIENT_ID=your_google_client_id
OAUTH_GOOGLE_CLIENT_SECRET=your_google_client_secret

请确保 PUBLIC_URL 与 PentAGI 实例对外可访问的 HTTPS 地址一致，且本身不包含回调路径。若在 OAuth 提供商处配置的 URL 与 PentAGI 生成的回调不完全匹配，提供商将因 redirect URI 不匹配而拒绝登录尝试。

Docker 镜像配置

PentAGI 允许你配置用于执行各类任务的 Docker 镜像选择。系统会根据任务类型自动选择最合适的镜像，但你可以通过指定首选镜像来约束这一选择：

Variable	Default	Description
`PENTAGI_IMAGE`	`vxcontrol/pentagi:latest`	主 PentAGI 应用服务使用的 Docker 镜像
`DOCKER_DEFAULT_IMAGE`	`debian:latest`	一般任务与模糊场景的默认 Docker 镜像
`DOCKER_DEFAULT_IMAGE_FOR_PENTEST`	`vxcontrol/kali-linux`	安全/渗透测试任务的默认 Docker 镜像

PENTAGI_IMAGE 会更改 docker-compose.yml 中主 pentagi 服务所使用的镜像。DOCKER_DEFAULT_IMAGE 与 DOCKER_DEFAULT_IMAGE_FOR_PENTEST 变量仅影响 PentAGI 内部任务执行时的自动 worker 镜像选择。它们不会改写 Compose 堆栈的其余部分，因此 pgvector、scraper 以及可选的 graphiti 堆栈等服务仍使用 compose 文件中定义的镜像引用。

当设置 DOCKER_DEFAULT_IMAGE 与 DOCKER_DEFAULT_IMAGE_FOR_PENTEST 时，AI agent 将仅限于你指定的镜像选择。这在以下场景尤其有用：

安全强制（Security Enforcement）：限制仅使用已验证且受信任的镜像
环境标准化（Environment Standardization）：在所有操作中使用企业或定制镜像
性能优化（Performance Optimization）：使用已预装必要工具的镜像

配置示例：

# Using a custom PentAGI application image
PENTAGI_IMAGE=registry.example.com/security/pentagi:latest

# Using a custom image for general tasks
DOCKER_DEFAULT_IMAGE=mycompany/custom-debian:latest

# Using a specialized image for penetration testing
DOCKER_DEFAULT_IMAGE_FOR_PENTEST=mycompany/pentest-tools:v2.0

Note

若用户在任务中显式指定了特定 Docker 镜像，系统将尝试使用该确切镜像，忽略这些设置。这些变量仅影响系统的自动镜像选择流程。

有关使用自定义渗透测试镜像进行高级 OpenVAS/GVM 实验，请参阅 OpenVAS via a Custom Pentest Image。

受限网络、Docker 镜像源与代理

若你的环境无法直接访问 Docker Hub（docker.io），仅修改 PentAGI 环境变量通常不足以解决镜像下载失败。PentAGI 仍依赖 Docker 自身的 registry 访问来管理 Compose 服务，安装程序的网络检查也会验证 Docker Hub 可达性。

对于受限网络：

确认主机能够解析并访问 docker.io。
若环境需要出站代理以访问 PentAGI 或安装程序的 HTTP 流量，请设置 PROXY_URL 环境变量。若要通过代理拉取 Docker 镜像，请单独配置 Docker 守护进程或 Docker Desktop 代理——Docker 不会使用 PentAGI 的 PROXY_URL 进行 registry 访问。
若 Docker Hub 被封锁或严重限流，请在运行安装程序或 docker compose up 之前配置组织批准的 registry 镜像或 registry 代理。
修改守护进程配置后重启 Docker，然后重新运行安装程序检查或 Compose 启动。

Docker 守护进程镜像源配置示例：

{
  "registry-mirrors": ["https://mirror.example.com"]
}

在 Linux 上，通常可在 /etc/docker/daemon.json 中进行配置。在 Docker Desktop 上，请使用等效的 Docker Engine 或代理设置。Docker Hub 镜像可覆盖 Docker Hub 托管的镜像（例如 vxcontrol/*），但主 Compose 栈已包含 quay.io/prometheuscommunity/postgres-exporter，可选的可观测性栈则包含 gcr.io/cadvisor/cadvisor。这些 registry 仍需要直连访问，或单独获批的代理/镜像路径。

请参阅官方 Docker 文档：registry mirrors 和 daemon proxy configuration.

开发

开发环境要求

golang
nodejs
docker
postgres
commitlint

环境配置

后端配置

运行一次 cd backend && go mod download 以安装所需软件包。

生成 swagger 文件需要运行

swag init -g ../../pkg/server/router.go -o pkg/server/docs/ --parseDependency --parseInternal --parseDepth 2 -d cmd/pentagi

然后通过以下方式安装 swag 软件包

go install github.com/swaggo/swag/cmd/swag@v1.8.7

生成 graphql resolver 文件需要运行

go run github.com/99designs/gqlgen --config ./gqlgen/gqlgen.yml

之后可在 pkg/graph 文件夹中查看生成的文件。

根据 sqlc 配置生成 ORM 方法（database 包）

docker run --rm -v $(pwd):/src -w /src --network pentagi-network -e DATABASE_URL="{URL}" sqlc/sqlc:1.27.0 generate -f sqlc/sqlc.yml

根据 OpenAPI 规范生成 Langfuse SDK

fern generate --local

并安装 fern-cli

pnpm add -g fern-api

测试

运行测试：cd backend && go test -v ./...

前端配置

运行一次 cd frontend && pnpm install 以安装所需软件包。

生成 graphql 文件需要运行 pnpm run graphql:generate，它使用 graphql-codegen.ts 文件。

请确保已全局安装 graphql-codegen：

pnpm add -g graphql-codegen

之后可以运行：

pnpm run prettier —— 检查代码格式是否正确
pnpm run prettier:fix —— 修复格式问题
pnpm run lint —— 检查代码 lint 是否正确
pnpm run lint:fix —— 修复 lint 问题

生成 SSL 证书需要运行 pnpm run ssl:generate（使用 generate-ssl.ts 文件），或在运行 pnpm run dev 时会自动生成。

后端配置

在 .vscode/launch.json 文件中编辑 backend 的配置：

DATABASE_URL - PostgreSQL 数据库 URL（例如 postgres://postgres:postgres@localhost:5432/pentagidb?sslmode=disable）
DOCKER_HOST - Docker SDK API（例如 macOS 上为 DOCKER_HOST=unix:///Users/<my-user>/Library/Containers/com.docker.docker/Data/docker.raw.sock）更多信息

可选：

SERVER_PORT - 服务器运行端口（默认：8443）
SERVER_USE_SSL - 是否为服务器启用 SSL（默认：false）

PostgreSQL / pgvector 连接池大小

PentAGI 会向同一 Postgres 实例打开两个独立的连接池：

连接池	环境变量	默认值	使用者
共享 `sql.DB`	`DATABASE_MAX_OPEN_CONNS`	`25`	所有 sqlc 查询与 GORM handler 共享同一个 `*sql.DB`
共享 `pgxpool`	`DATABASE_VECTOR_MAX_CONNS`	`10`	所有 pgvector 存储（agent memory + knowledge API）共享同一个连接池

额外调优参数：

DATABASE_MAX_IDLE_CONNS — sql.DB 连接池在请求之间保持打开的最大空闲连接数（默认：5）。

标准 vxcontrol/pgvector 镜像的连接预算（max_connections = 100、superuser_reserved_connections = 3）：

Available for client connections  = 97
  pentagi sql.DB  (DATABASE_MAX_OPEN_CONNS)   = 25
  pentagi pgxpool (DATABASE_VECTOR_MAX_CONNS) = 10
  pgexporter                                  =  3
  autovacuum workers                          =  3
  ─────────────────────────────────────────
  Total consumed                              = 41
  Free buffer                                 = 56  (≈ 58 %)

默认配置面向 10 个并行 flow 及并发 API 请求。若运行更多 flow，或在同一 Postgres 上部署多个 PentAGI 实例，请通过 docker-compose.yml 中的 command 覆盖提高 max_connections，并同比例增大连接池大小：

pgvector:
  image: vxcontrol/pgvector:latest
  command: postgres -c max_connections=200

若要查看运行中部署的实时连接预算：

# Postgres limits
docker exec pgvector sh -c 'psql -U "$POSTGRES_USER" -d "$POSTGRES_DB" -c \
  "SELECT name, setting FROM pg_settings
   WHERE name IN ('"'"'max_connections'"'"', '"'"'superuser_reserved_connections'"'"');"'

# Current usage vs. available
docker exec pgvector sh -c 'psql -U "$POSTGRES_USER" -d "$POSTGRES_DB" -c \
  "SELECT max_conn, used, max_conn - used AS available
   FROM (SELECT current_setting('"'"'max_connections'"'"')::int AS max_conn,
                count(*) AS used FROM pg_stat_activity) t;"'

# Breakdown by client
docker exec pgvector sh -c 'psql -U "$POSTGRES_USER" -d "$POSTGRES_DB" -c \
  "SELECT application_name, client_addr, state, count(*)
   FROM pg_stat_activity
   WHERE pid <> pg_backend_pid()
   GROUP BY 1, 2, 3 ORDER BY count DESC;"'

前端配置

在 .vscode/launch.json 文件中编辑 frontend 的配置：

VITE_API_URL - 后端 API URL。省略 URL scheme（例如 localhost:8080，而非 http://localhost:8080）
VITE_USE_HTTPS - 是否为服务器启用 SSL（默认：false）
VITE_PORT - 服务器运行端口（默认：8000）
VITE_HOST - 服务器运行主机（默认：0.0.0.0）

运行应用

后端

在 backend 文件夹中运行以下命令：

使用 .env 文件设置环境变量，如同 source .env
运行 go run cmd/pentagi/main.go 启动服务器

Note

首次运行可能耗时较长，因为需要下载依赖和 docker 镜像以配置后端环境。

前端

在 frontend 文件夹中运行以下命令：

运行 pnpm install 安装依赖
运行 pnpm run dev 启动 Web 应用
运行 pnpm run build 构建 Web 应用

打开浏览器并访问 Web 应用 URL。

测试 LLM Agent

PentAGI 包含名为 ctester 的强大工具，用于测试和验证 LLM agent 能力。该工具可帮助确保你的 LLM 提供商配置能与不同 agent 类型正确配合，从而针对各 agent 角色优化模型选择。

该工具支持多 agent 并行测试、详细报告和灵活配置选项。

主要特性

并行测试（Parallel Testing）：同时测试多个 agent，更快获得结果
全面测试套件（Comprehensive Test Suite）：评估基础补全、JSON 响应、function calling 及渗透测试知识
详细报告（Detailed Reporting）：生成包含成功率与性能指标的 markdown 报告
灵活配置（Flexible Configuration）：按需测试特定 agent 或测试组
专用测试组（Specialized Test Groups）：包含面向网络安全与渗透测试场景的领域专项测试

使用场景

面向开发者（本地 Go 环境）

若已克隆仓库并安装 Go：

# Default configuration with .env file
cd backend
go run cmd/ctester/*.go -verbose

# Custom provider configuration
go run cmd/ctester/*.go -config ../examples/configs/openrouter.provider.yml -verbose

# Generate a report file
go run cmd/ctester/*.go -config ../examples/configs/deepinfra.provider.yml -report ../test-report.md

# Test specific agent types only
go run cmd/ctester/*.go -agents simple,simple_json,primary_agent -verbose

# Test specific test groups only
go run cmd/ctester/*.go -groups basic,advanced -verbose

面向用户（使用 Docker 镜像）

若希望使用预构建 Docker 镜像、无需搭建开发环境：

# Using Docker to test with default environment
docker run --rm -v $(pwd)/.env:/opt/pentagi/.env vxcontrol/pentagi /opt/pentagi/bin/ctester -verbose

# Test with your custom provider configuration
docker run --rm \
  -v $(pwd)/.env:/opt/pentagi/.env \
  -v $(pwd)/my-config.yml:/opt/pentagi/config.yml \
  vxcontrol/pentagi /opt/pentagi/bin/ctester -config /opt/pentagi/config.yml -agents simple,primary_agent,coder -verbose

# Generate a detailed report
docker run --rm \
  -v $(pwd)/.env:/opt/pentagi/.env \
  -v $(pwd):/opt/pentagi/output \
  vxcontrol/pentagi /opt/pentagi/bin/ctester -report /opt/pentagi/output/report.md

使用预配置的提供商

Docker 镜像内置了对主流提供商（OpenAI、Anthropic、Gemini、Ollama）的支持，并为其他服务（OpenRouter、DeepInfra、DeepSeek、Moonshot、Novita）提供了预配置的提供商文件：

# Test with OpenRouter configuration
docker exec -it pentagi /opt/pentagi/bin/ctester -config /opt/pentagi/conf/openrouter.provider.yml

# Test with DeepInfra configuration
docker exec -it pentagi /opt/pentagi/bin/ctester -config /opt/pentagi/conf/deepinfra.provider.yml

# Test with DeepSeek configuration
docker exec -it pentagi /opt/pentagi/bin/ctester -provider deepseek

# Test with GLM configuration
docker exec -it pentagi /opt/pentagi/bin/ctester -provider glm

# Test with Kimi configuration
docker exec -it pentagi /opt/pentagi/bin/ctester -provider kimi

# Test with Qwen configuration
docker exec -it pentagi /opt/pentagi/bin/ctester -provider qwen

# Test with DeepSeek configuration file for custom provider
docker exec -it pentagi /opt/pentagi/bin/ctester -config /opt/pentagi/conf/deepseek.provider.yml

# Test with Moonshot configuration file for custom provider
docker exec -it pentagi /opt/pentagi/bin/ctester -config /opt/pentagi/conf/moonshot.provider.yml

# Test with Novita configuration
docker exec -it pentagi /opt/pentagi/bin/ctester -config /opt/pentagi/conf/novita.provider.yml

# Test with OpenAI configuration
docker exec -it pentagi /opt/pentagi/bin/ctester -type openai

# Test with Anthropic configuration
docker exec -it pentagi /opt/pentagi/bin/ctester -type anthropic

# Test with Gemini configuration
docker exec -it pentagi /opt/pentagi/bin/ctester -type gemini

# Test with AWS Bedrock configuration
docker exec -it pentagi /opt/pentagi/bin/ctester -type bedrock

# Test with Custom OpenAI configuration
docker exec -it pentagi /opt/pentagi/bin/ctester -config /opt/pentagi/conf/custom-openai.provider.yml

# Test with Ollama configuration (local inference)
docker exec -it pentagi /opt/pentagi/bin/ctester -config /opt/pentagi/conf/ollama-llama318b.provider.yml

# Test with Ollama Qwen3 32B configuration (requires custom model creation)
docker exec -it pentagi /opt/pentagi/bin/ctester -config /opt/pentagi/conf/ollama-qwen332b-fp16-tc.provider.yml

# Test with Ollama QwQ 32B configuration (requires custom model creation and 71.3GB VRAM)
docker exec -it pentagi /opt/pentagi/bin/ctester -config /opt/pentagi/conf/ollama-qwq32b-fp16-tc.provider.yml

要使用这些配置，你的 .env 文件只需包含：

LLM_SERVER_URL=https://openrouter.ai/api/v1      # or https://api.deepinfra.com/v1/openai or https://api.openai.com/v1 or https://api.novita.ai/openai
LLM_SERVER_KEY=your_api_key
LLM_SERVER_MODEL=                                # Leave empty, as models are specified in the config
LLM_SERVER_CONFIG_PATH=/opt/pentagi/conf/openrouter.provider.yml  # or deepinfra.provider.ymll or custom-openai.provider.yml or novita.provider.yml
LLM_SERVER_PROVIDER=                             # Provider name for LiteLLM proxy (e.g., openrouter, deepseek, moonshot, novita)
LLM_SERVER_LEGACY_REASONING=false                # Controls reasoning format, for OpenAI must be true (default: false)
LLM_SERVER_PRESERVE_REASONING=false              # Preserve reasoning content in multi-turn conversations (required by Moonshot, default: false)

# For OpenAI (official API)
OPEN_AI_KEY=your_openai_api_key                  # Your OpenAI API key
OPEN_AI_SERVER_URL=https://api.openai.com/v1     # OpenAI API endpoint

# For Anthropic (Claude models)
ANTHROPIC_API_KEY=your_anthropic_api_key         # Your Anthropic API key
ANTHROPIC_SERVER_URL=https://api.anthropic.com/v1  # Anthropic API endpoint

# For Gemini (Google AI)
GEMINI_API_KEY=your_gemini_api_key               # Your Google AI API key
GEMINI_SERVER_URL=https://generativelanguage.googleapis.com  # Google AI API endpoint

# For AWS Bedrock (enterprise foundation models)
BEDROCK_REGION=us-east-1                         # AWS region for Bedrock service
# Authentication (choose one method, priority: DefaultAuth > BearerToken > AccessKey):
BEDROCK_DEFAULT_AUTH=false                       # Use AWS SDK credential chain (env vars, EC2 role, ~/.aws/credentials)
BEDROCK_BEARER_TOKEN=                            # Bearer token authentication (takes priority over static credentials)
BEDROCK_ACCESS_KEY_ID=your_aws_access_key        # AWS access key ID (static credentials)
BEDROCK_SECRET_ACCESS_KEY=your_aws_secret_key    # AWS secret access key (static credentials)
BEDROCK_SESSION_TOKEN=                           # AWS session token (optional, for temporary credentials with static auth)
BEDROCK_SERVER_URL=                              # Optional custom Bedrock endpoint (VPC endpoints, local testing)

# For Ollama (local server or cloud)
OLLAMA_SERVER_URL=                               # Local: http://ollama-server:11434, Cloud: https://ollama.com
OLLAMA_SERVER_API_KEY=                           # Required for Ollama Cloud (https://ollama.com/settings/keys), leave empty for local
OLLAMA_SERVER_MODEL=
OLLAMA_SERVER_CONFIG_PATH=
OLLAMA_SERVER_PULL_MODELS_TIMEOUT=
OLLAMA_SERVER_PULL_MODELS_ENABLED=
OLLAMA_SERVER_LOAD_MODELS_ENABLED=

# For DeepSeek (Chinese AI with strong reasoning)
DEEPSEEK_API_KEY=                                # DeepSeek API key
DEEPSEEK_SERVER_URL=https://api.deepseek.com     # DeepSeek API endpoint
DEEPSEEK_PROVIDER=                               # Optional: LiteLLM prefix (e.g., 'deepseek')

# For GLM (Zhipu AI)
GLM_API_KEY=                                     # GLM API key
GLM_SERVER_URL=https://api.z.ai/api/paas/v4      # GLM API endpoint (international)
GLM_PROVIDER=                                    # Optional: LiteLLM prefix (e.g., 'zai')

# For Kimi (Moonshot AI)
KIMI_API_KEY=                                    # Kimi API key
KIMI_SERVER_URL=https://api.moonshot.ai/v1       # Kimi API endpoint (international)
KIMI_PROVIDER=                                   # Optional: LiteLLM prefix (e.g., 'moonshot')

# For Qwen (Alibaba Cloud DashScope)
QWEN_API_KEY=                                    # Qwen API key
QWEN_SERVER_URL=https://dashscope-us.aliyuncs.com/compatible-mode/v1  # Qwen API endpoint (US)
QWEN_PROVIDER=                                   # Optional: LiteLLM prefix (e.g., 'dashscope')

# For Ollama (local inference) use variables above
OLLAMA_SERVER_URL=http://localhost:11434
OLLAMA_SERVER_MODEL=llama3.1:8b-instruct-q8_0
OLLAMA_SERVER_CONFIG_PATH=/opt/pentagi/conf/ollama-llama318b.provider.yml
OLLAMA_SERVER_PULL_MODELS_ENABLED=false
OLLAMA_SERVER_LOAD_MODELS_ENABLED=false

在未验证组织中使用 OpenAI

对于所属组织未验证、无法使用最新推理模型（o1、o3、o4-mini）的 OpenAI 账户，你需要使用自定义配置。

若要在未验证组织账户下使用 OpenAI，请按如下方式配置你的 .env 文件：

LLM_SERVER_URL=https://api.openai.com/v1
LLM_SERVER_KEY=your_openai_api_key
LLM_SERVER_MODEL=                                # Leave empty, models are specified in config
LLM_SERVER_CONFIG_PATH=/opt/pentagi/conf/custom-openai.provider.yml
LLM_SERVER_LEGACY_REASONING=true                 # Required for OpenAI reasoning format

该配置使用预构建的 custom-openai.provider.yml 文件，将所有 Agent 类型映射到未验证组织可用的模型，使用 o3-mini，而非 o1、o3 和 o4-mini 等模型。

你可以使用以下方式测试此配置：

# Test with custom OpenAI configuration for unverified accounts
docker exec -it pentagi /opt/pentagi/bin/ctester -config /opt/pentagi/conf/custom-openai.provider.yml

Note

LLM_SERVER_LEGACY_REASONING=true 设置对于 OpenAI 兼容性至关重要，因为它可确保推理参数以 OpenAI API 所期望的格式发送。

使用 LiteLLM Proxy

当使用 LiteLLM proxy 访问各类 LLM 提供商时，模型名称会带有提供商前缀（例如 moonshot/kimi-2.5，而非 kimi-2.5）。若要在直接 API 访问与 LiteLLM proxy 之间共用同一套提供商配置文件，请设置 LLM_SERVER_PROVIDER 变量：

# Direct access to Moonshot API
LLM_SERVER_URL=https://api.moonshot.ai/v1
LLM_SERVER_KEY=your_moonshot_api_key
LLM_SERVER_CONFIG_PATH=/opt/pentagi/conf/moonshot.provider.yml
LLM_SERVER_PROVIDER=                             # Empty for direct access

# Access via LiteLLM proxy
LLM_SERVER_URL=http://litellm-proxy:4000
LLM_SERVER_KEY=your_litellm_api_key
LLM_SERVER_CONFIG_PATH=/opt/pentagi/conf/moonshot.provider.yml
LLM_SERVER_PROVIDER=moonshot                     # Provider prefix for LiteLLM

设置 LLM_SERVER_PROVIDER=moonshot 后，系统会自动为配置文件中的所有模型名称添加 moonshot/ 前缀，使其与 LiteLLM 的模型命名约定兼容。

LiteLLM 提供商名称映射：

使用 LiteLLM proxy 时，请设置相应的 *_PROVIDER 变量以启用模型前缀：

deepseek - 用于 DeepSeek 模型（DEEPSEEK_PROVIDER=deepseek → deepseek/deepseek-v4-flash）
zai - 用于 GLM 模型（GLM_PROVIDER=zai → zai/glm-4）
moonshot - 用于 Kimi 模型（KIMI_PROVIDER=moonshot → moonshot/kimi-k2.5）
dashscope - 用于 Qwen 模型（QWEN_PROVIDER=dashscope → dashscope/qwen-plus）
openai、anthropic、gemini - 用于主流云提供商
openrouter - 用于 OpenRouter 聚合器
deepinfra - 用于 DeepInfra 托管
novita - 用于 Novita AI
你在 LiteLLM 实例中配置的任何其他提供商名称

LiteLLM 示例：

# Use DeepSeek models via LiteLLM proxy with model prefixing
DEEPSEEK_API_KEY=your_litellm_proxy_key
DEEPSEEK_SERVER_URL=http://litellm-proxy:4000
DEEPSEEK_PROVIDER=deepseek  # Models become deepseek/deepseek-v4-flash, deepseek/deepseek-v4-pro for LiteLLM

# Direct DeepSeek API usage (no prefix needed)
DEEPSEEK_API_KEY=your_deepseek_api_key
DEEPSEEK_SERVER_URL=https://api.deepseek.com
# Leave DEEPSEEK_PROVIDER empty

此方法可让你：

在直接访问与代理访问之间共用同一套配置文件
在不修改配置文件的情况下切换提供商
通过 LiteLLM 轻松测试不同的路由策略

在生产环境中运行测试

如果你已有正在运行的 PentAGI 容器，并希望测试当前配置：

# Run ctester in an existing container using current environment variables
docker exec -it pentagi /opt/pentagi/bin/ctester -verbose

# Test specific agent types with deterministic ordering
docker exec -it pentagi /opt/pentagi/bin/ctester -agents simple,primary_agent,pentester -groups basic,knowledge -verbose

# Generate a report file inside the container
docker exec -it pentagi /opt/pentagi/bin/ctester -report /opt/pentagi/data/agent-test-report.md

# Access the report from the host
docker cp pentagi:/opt/pentagi/data/agent-test-report.md ./

命令行选项

该工具接受以下选项：

-env <path> - 环境文件路径（默认：.env）
-type <provider> - 提供商类型：custom、openai、anthropic、ollama、bedrock、gemini（默认：custom）
-config <path> - 自定义提供商配置路径（默认：来自 LLM_SERVER_CONFIG_PATH 环境变量）
-tests <path> - 自定义测试 YAML 文件路径（可选）
-report <path> - 报告文件写入路径（可选）
-agents <list> - 要测试的 agent 类型列表，以逗号分隔（默认：all）
-groups <list> - 要运行的测试组列表，以逗号分隔（默认：all）
-verbose - 启用详细输出，显示每个 agent 的详细测试结果

可用的 Agent 类型

Agent 按以下确定性顺序进行测试：

simple - 基础补全任务
simple_json - JSON 结构化响应
primary_agent - 主推理 agent
assistant - 交互式助手模式
generator - 内容生成
refiner - 内容精炼与改进
adviser - 专家建议与咨询
reflector - 自我反思与分析
searcher - 信息收集与搜索
enricher - 数据丰富与扩展
coder - 代码生成与分析
installer - 安装与配置任务
pentester - 渗透测试与安全评估

可用的测试组

basic - 基础补全与提示响应测试
advanced - 复杂推理与函数调用（function calling）测试
json - JSON 格式验证与结构测试（专为 simple_json agent 设计）
knowledge - 特定领域的网络安全与渗透测试知识测试

注意：json 测试组专为 simple_json agent 类型设计，而所有其他 agent 使用 basic、advanced 和 knowledge 组进行测试。这种专门化可确保针对每个 agent 的预期用途实现最优测试覆盖。

提供商配置示例

提供商配置定义了不同 agent 类型应使用哪些模型：

simple:
  model: "provider/model-name"
  temperature: 0.7
  top_p: 0.95
  n: 1
  max_tokens: 4000

simple_json:
  model: "provider/model-name"
  temperature: 0.7
  top_p: 1.0
  n: 1
  max_tokens: 4000
  json: true

# ... other agent types ...

优化工作流

创建基线：使用默认配置运行测试，建立基准性能
分析各 agent 的性能：查看确定性 agent 排序，识别表现不佳的 agent
测试专用配置：使用特定于提供商的配置，为各 agent 类型尝试不同模型
关注领域知识：特别关注 knowledge 组测试，以评估网络安全专业能力
验证函数调用：确保基于工具的测试对关键 agent 类型稳定通过
对比结果：在所有测试组中寻找最佳成功率与性能
部署最优配置：在生产环境中使用优化后的配置

该工具可帮助确保你的 AI agent 为其特定任务使用最有效的模型，在优化成本的同时提升可靠性。

嵌入（Embedding）配置与测试

PentAGI 使用向量嵌入（vector embeddings）进行语义搜索、知识存储与记忆管理。系统支持多种嵌入提供商，可根据你的需求与偏好进行配置。

支持的嵌入提供商

PentAGI 支持以下嵌入提供商：

OpenAI（默认）：使用 OpenAI 的文本嵌入模型
Ollama：通过 Ollama 使用本地嵌入模型
Mistral：Mistral AI 的嵌入模型
Jina：Jina AI 的嵌入服务
HuggingFace：来自 HuggingFace 的模型
GoogleAI：Google 的嵌入模型
VoyageAI：VoyageAI 的嵌入模型

OpenAI 兼容第三方：任何提供 OpenAI /embeddings API 的提供商，均可通过 EMBEDDING_PROVIDER=openai 配合自定义 EMBEDDING_URL 接入。例如，Qwen DashScope 通过 /compatible-mode/v1 端点提供 text-embedding-v4（仅限国际版与中国大陆地区——美国区域不提供嵌入服务）。完整配置片段请参阅 Qwen Alternative Integrations 小节。

Embedding Provider Configuration (click to expand)

环境变量

要配置嵌入（embedding）提供方，请在 .env 文件中设置以下环境变量：

# Primary embedding configuration
EMBEDDING_PROVIDER=openai       # Provider type (openai, ollama, mistral, jina, huggingface, googleai, voyageai)
EMBEDDING_MODEL=text-embedding-3-small  # Model name to use
EMBEDDING_URL=                  # Optional custom API endpoint
EMBEDDING_KEY=                  # API key for the provider (if required)
EMBEDDING_BATCH_SIZE=100        # Number of documents to process in a batch
EMBEDDING_STRIP_NEW_LINES=true  # Whether to remove new lines from text before embedding
EMBEDDING_MAX_TEXT_BYTES=8192   # Max bytes of text sent to embedding model per document (byte proxy for token limit)

# Advanced settings
PROXY_URL=                      # Optional proxy for all API calls
HTTP_CLIENT_TIMEOUT=600         # Timeout in seconds for external API calls (default: 600, 0 = no timeout)
TERMINAL_TOOL_TIMEOUT=1200      # Default timeout in seconds for terminal tool commands when timeout=0 or negative (range: 1–10800; values <= 0 or above 10800 are clamped to 10800 = 3 hours)

# SSL/TLS Certificate Configuration (for external communication with LLM backends and tool servers)
EXTERNAL_SSL_CA_PATH=           # Path to custom CA certificate file (PEM format) inside the container
                                # Must point to /opt/pentagi/ssl/ directory (e.g., /opt/pentagi/ssl/ca-bundle.pem)
EXTERNAL_SSL_INSECURE=false     # Skip certificate verification (use only for testing)

如何添加自定义 CA 证书（点击展开）

如果你看到此错误：tls: failed to verify certificate: x509: certificate signed by unknown authority

步骤 1： 获取 PEM 格式的 CA 证书包（可包含多个证书）

步骤 2： 将文件放在宿主机的 SSL 目录中：

# Default location (if PENTAGI_SSL_DIR is not set)
cp ca-bundle.pem ./pentagi-ssl/

# Or custom location (if using PENTAGI_SSL_DIR in docker-compose.yml)
cp ca-bundle.pem /path/to/your/ssl/dir/

步骤 3： 在 .env 文件中设置路径（路径必须在容器内部）：

# The volume pentagi-ssl is mounted to /opt/pentagi/ssl inside the container
EXTERNAL_SSL_CA_PATH=/opt/pentagi/ssl/ca-bundle.pem
EXTERNAL_SSL_INSECURE=false

步骤 4： 重启 PentAGI：

docker compose restart pentagi

说明：

pentagi-ssl 卷会挂载到容器内的 /opt/pentagi/ssl
可在 docker-compose.yml 中使用 PENTAGI_SSL_DIR 变量更改宿主机目录
单个 PEM 文件可包含多个证书及中间 CA
仅将 EXTERNAL_SSL_INSECURE=true 用于测试（不建议用于生产环境）

各提供方特定限制

各提供方有特定的限制和支持的功能：

OpenAI：支持所有配置选项
Ollama：不支持 EMBEDDING_KEY，因其使用本地模型
Mistral：不支持 EMBEDDING_MODEL 或自定义 HTTP 客户端
Jina：不支持自定义 HTTP 客户端
HuggingFace：需要 EMBEDDING_KEY，并支持所有其他选项
GoogleAI：不支持 EMBEDDING_URL，需要 EMBEDDING_KEY
VoyageAI：支持所有配置选项

如果未指定 EMBEDDING_URL 和 EMBEDDING_KEY，系统将尝试使用对应的 LLM 提供方设置（例如，当 EMBEDDING_PROVIDER=openai 时使用 OPEN_AI_KEY）。

为何嵌入提供方需保持一致

始终使用同一嵌入提供方至关重要，原因如下：

向量兼容性（Vector Compatibility）：不同提供方产生的向量在维度和数学属性上各不相同
语义一致性（Semantic Consistency）：更换提供方可能破坏先前已嵌入文档之间的语义相似性
记忆污染（Memory Corruption）：混用不同嵌入可能导致搜索结果变差，知识库功能失效

如果更换嵌入提供方，应清空并重新索引整个知识库（见下文 etester 工具）。

嵌入测试工具（etester）

PentAGI 包含专用的 etester 工具，用于测试、管理和调试嵌入功能。该工具对于诊断和解决与向量嵌入及知识存储相关的问题至关重要。

Etester 命令（点击展开）

# Test embedding provider and database connection
cd backend
go run cmd/etester/main.go test -verbose

# Show statistics about the embedding database
go run cmd/etester/main.go info

# Delete all documents from the embedding database (use with caution!)
go run cmd/etester/main.go flush

# Recalculate embeddings for all documents (after changing provider)
go run cmd/etester/main.go reindex

# Search for documents in the embedding database
go run cmd/etester/main.go search -query "How to install PostgreSQL" -limit 5

使用 Docker

如果你在 Docker 中运行 PentAGI，可在容器内使用 etester：

# Test embedding provider
docker exec -it pentagi /opt/pentagi/bin/etester test

# Show detailed database information
docker exec -it pentagi /opt/pentagi/bin/etester info -verbose

高级搜索选项

search 命令支持多种筛选条件以缩小结果范围：

# Filter by document type
docker exec -it pentagi /opt/pentagi/bin/etester search -query "Security vulnerability" -doc_type guide -threshold 0.8

# Filter by flow ID
docker exec -it pentagi /opt/pentagi/bin/etester search -query "Code examples" -doc_type code -flow_id 42

# All available search options
docker exec -it pentagi /opt/pentagi/bin/etester search -help

可用的搜索参数：

-query STRING：搜索查询文本（必填）
-doc_type STRING：按文档类型筛选（answer、memory、guide、code）
-flow_id NUMBER：按 flow ID 筛选（正整数）
-answer_type STRING：按回答类型筛选（guide、vulnerability、code、tool、other）
-guide_type STRING：按指南类型筛选（install、configure、use、pentest、development、other）
-limit NUMBER：最大结果数量（默认：3）
-threshold NUMBER：相似度阈值（0.0-1.0，默认：0.7）

跨 Flow 的记忆生命周期

PentAGI 存储多种向量文档，各自用途不同：

memory 记录与 flow 相关的执行历史，例如工具结果和 agent 观测
guide、answer 和 code 用于可在后续运行中复用的知识

若要查看某次 engagement 中发生了什么，请使用相关的 flow_id 在向量存储中搜索。若希望知识在单次运行之外仍能保留，应显式将持久结果存储为 guide、answer 或 code 文档，而非仅依赖执行记忆。

例如，若目标存在重复出现的搭建说明、认证特性或目标专属测试方法，可指示 agent 将该信息保存为 guide，并在下次 engagement 开始时搜索它。若希望新 flow 以可复用上下文启动，这是当前最稳妥的工作流程。

删除 flow 会通过 PentAGI 的软删除机制将其从常规查询中移除，因此可复用知识应与各 flow 的执行历史分开管理。若启用本 README 前文所述的可选 Graphiti 知识图谱，应将其当前搜索上下文视为限定于活动 flow 或 engagement，除非你显式构建独立的跨 flow 复用工作流。

常见故障排查场景

更换嵌入提供方后：务必运行 flush 或 reindex 以确保一致性
搜索结果不佳：尝试调整相似度阈值，或检查嵌入是否正确生成
数据库连接问题：确认 PostgreSQL 正在运行且已安装 pgvector 扩展
缺少 API 密钥：检查所选嵌入提供方的环境变量

使用 ftester 进行函数测试

PentAGI 包含一款名为 ftester 的多功能工具，用于调试、测试和开发特定函数及 AI 智能体（agent）行为。ctester 侧重于测试 LLM 模型能力，而 ftester 则允许你直接调用各个系统函数和 AI 智能体组件，并对执行上下文进行精确控制。

主要特性

直接访问函数：无需运行整个系统即可测试单个函数
Mock 模式：使用内置 mock，无需在线 PentAGI 部署即可测试函数
交互式输入：交互式填写函数参数，便于探索性测试
详细输出：带颜色编码的终端输出，包含格式化的响应与错误信息
上下文感知测试：在特定流程（flow）、任务（task）和子任务（subtask）的上下文中调试 AI 智能体
可观测性集成：所有函数调用都会记录到 Langfuse 和 Observability 技术栈

使用模式

命令行参数

在命令行中直接指定函数和参数来运行 ftester：

# Basic usage with mock mode
cd backend
go run cmd/ftester/main.go [function_name] -[arg1] [value1] -[arg2] [value2]

# Example: Test terminal command in mock mode
go run cmd/ftester/main.go terminal -command "ls -la" -message "List files"

# Using a real flow context
go run cmd/ftester/main.go -flow 123 terminal -command "whoami" -message "Check user"

# Testing AI agent in specific task/subtask context
go run cmd/ftester/main.go -flow 123 -task 456 -subtask 789 pentester -message "Find vulnerabilities"

交互模式

不带参数运行 ftester，获得引导式交互体验：

# Start interactive mode
go run cmd/ftester/main.go [function_name]

# For example, to interactively fill browser tool arguments
go run cmd/ftester/main.go browser

可用函数（点击展开）

环境函数

terminal：在容器中执行命令并返回输出
file：在容器中执行文件操作（读取、写入、列出）

搜索函数

browser：访问网站并截取屏幕截图
google：使用 Google Custom Search 搜索网络
duckduckgo：使用 DuckDuckGo 搜索网络
tavily：使用 Tavily AI 搜索引擎进行搜索
traversaal：使用 Traversaal AI 搜索引擎进行搜索
perplexity：使用 Perplexity AI 进行搜索
sploitus：搜索安全漏洞利用、漏洞（CVE）和渗透测试工具
searxng：使用 Searxng 元搜索引擎进行搜索（聚合多个引擎的结果）

向量数据库函数

search_in_memory：在向量数据库中搜索信息
search_guide：在向量数据库中查找指导文档
search_answer：在向量数据库中查找问题的答案
search_code：在向量数据库中查找代码示例

AI 智能体函数

advice：从 AI 智能体获取专家建议
coder：请求生成或修改代码
maintenance：运行系统维护任务
memorist：在向量数据库中存储和组织信息
pentester：执行安全测试和漏洞分析
search：跨多个来源进行复杂搜索

工具函数

describe：显示有关流程、任务和子任务的信息

调试流程上下文（点击展开）

describe 函数提供流程内任务和子任务的详细信息。当 PentAGI 遇到问题或卡住时，这对于诊断问题特别有用。

# List all flows in the system
go run cmd/ftester/main.go describe

# Show all tasks and subtasks for a specific flow
go run cmd/ftester/main.go -flow 123 describe

# Show detailed information for a specific task
go run cmd/ftester/main.go -flow 123 -task 456 describe

# Show detailed information for a specific subtask
go run cmd/ftester/main.go -flow 123 -task 456 -subtask 789 describe

# Show verbose output with full descriptions and results
go run cmd/ftester/main.go -flow 123 describe -verbose

该函数可帮助你定位流程可能卡住的精确位置，并通过直接调用相应的智能体函数来恢复处理。

函数帮助与发现（点击展开）

每个函数都有帮助模式，可显示可用参数：

# Get help for a specific function
go run cmd/ftester/main.go [function_name] -help

# Examples:
go run cmd/ftester/main.go terminal -help
go run cmd/ftester/main.go browser -help
go run cmd/ftester/main.go describe -help

你也可以不带参数运行 ftester，查看所有可用函数的列表：

go run cmd/ftester/main.go

输出格式（点击展开）

ftester 工具使用颜色编码输出，便于解读：

蓝色标题：章节标题和键名
青色 [INFO]：一般信息消息
绿色 [SUCCESS]：操作成功
红色 [ERROR]：错误消息
黄色 [WARNING]：警告消息
黄色 [MOCK]：表示处于 mock 模式运行
洋红色值：函数参数和结果

JSON 和 Markdown 响应会自动格式化，以提高可读性。

高级使用场景（点击展开）

调试卡住的 AI 流程

当 PentAGI 在流程中卡住时：

通过 UI 暂停流程
使用 describe 识别当前任务和子任务
使用相同的任务/子任务 ID 直接调用智能体函数
检查详细输出以定位问题
根据需要恢复流程或手动干预

测试环境变量

验证 API 密钥和外部服务是否配置正确：

# Test Google search API configuration
go run cmd/ftester/main.go google -query "pentesting tools"

# Test browser access to external websites
go run cmd/ftester/main.go browser -url "https://example.com"

开发新的 AI 智能体行为

在开发新的提示词模板或智能体行为时：

在 UI 中创建测试流程
使用 ftester 以不同提示词直接调用智能体
观察响应并相应调整提示词
在 Langfuse 中查看所有函数调用的详细追踪记录

验证 Docker 容器配置

确保容器配置正确：

go run cmd/ftester/main.go -flow 123 terminal -command "env | grep -i proxy" -message "Check proxy settings"

Docker 容器用法（点击展开）

如果你在 Docker 中运行 PentAGI，可以在容器内使用 ftester：

# Run ftester inside the running PentAGI container
docker exec -it pentagi /opt/pentagi/bin/ftester [arguments]

# Examples:
docker exec -it pentagi /opt/pentagi/bin/ftester -flow 123 describe
docker exec -it pentagi /opt/pentagi/bin/ftester -flow 123 terminal -command "ps aux" -message "List processes"

这对于没有本地开发环境的生产部署特别有用。

与可观测性工具集成（点击展开）

通过 ftester 进行的所有函数调用都会记录到：

Langfuse：捕获完整的 AI 智能体交互链，包括提示词、响应和函数调用
OpenTelemetry：记录指标、追踪和日志，用于系统性能分析
终端输出：提供函数执行的即时反馈

要访问详细日志：

在 Langfuse UI 中查看 AI 智能体追踪记录（通常位于 http://localhost:4000）
使用 Grafana 仪表板查看系统指标（通常位于 http://localhost:3000）
检查终端输出以获取即时的函数结果和错误信息

命令行选项

主工具接受以下若干选项：

-env <path> - 环境文件路径（可选，默认：.env）
-provider <type> - 要使用的提供商类型（默认：custom，可选：openai、anthropic、ollama、bedrock、gemini、custom）
-flow <id> - 用于测试的 Flow ID（0 表示使用 mock，默认：0）
-task <id> - 智能体上下文的 Task ID（可选）
-subtask <id> - 智能体上下文的 Subtask ID（可选）

函数专属参数在函数名之后传递，格式为 -name value。

渗透测试提示词方法论

在为攻击性安全工作优化提示词时，应为智能体提供清晰的方法论，而非平铺直叙的载荷列表：

首先明确范围、授权和成功标准
先映射应用：角色、路由、参数、上传、集成和信任边界
系统性地优先排序攻击面，而不是一次性测试所有内容
在深入利用之前，用可复现的证据验证发现
最后整理可直接用于报告的笔记，记录影响、前置条件和后续步骤

有关 PentAGI 专属的提示词指导，请参阅 backend/docs/prompt_engineering_pentagi.md。如需实用的起点，可复用并调整 examples/prompts/base_web_pentest.md，以匹配目标应用、技术栈和项目范围。

构建

构建 Docker 镜像

Docker 构建过程会自动从 git 标签嵌入版本信息。要正确为构建打上版本号，请使用提供的脚本：

Linux/macOS

# Load version variables
source ./scripts/version.sh

# Standard build
docker build \
  --build-arg PACKAGE_VER=$PACKAGE_VER \
  --build-arg PACKAGE_REV=$PACKAGE_REV \
  -t pentagi:$PACKAGE_VER .

# Multi-platform build
docker buildx build \
  --platform linux/amd64,linux/arm64 \
  --build-arg PACKAGE_VER=$PACKAGE_VER \
  --build-arg PACKAGE_REV=$PACKAGE_REV \
  -t pentagi:$PACKAGE_VER .

# Build and push
docker buildx build \
  --platform linux/amd64,linux/arm64 \
  --build-arg PACKAGE_VER=$PACKAGE_VER \
  --build-arg PACKAGE_REV=$PACKAGE_REV \
  -t myregistry/pentagi:$PACKAGE_VER \
  --push .

Windows（PowerShell）

# Load version variables
. .\scripts\version.ps1

# Standard build
docker build `
  --build-arg PACKAGE_VER=$env:PACKAGE_VER `
  --build-arg PACKAGE_REV=$env:PACKAGE_REV `
  -t pentagi:$env:PACKAGE_VER .

# Multi-platform build
docker buildx build `
  --platform linux/amd64,linux/arm64 `
  --build-arg PACKAGE_VER=$env:PACKAGE_VER `
  --build-arg PACKAGE_REV=$env:PACKAGE_REV `
  -t pentagi:$env:PACKAGE_VER .

无版本信息的快速构建

适用于无需版本追踪的开发构建：

docker build -t pentagi:dev .

Note

构建脚本会自动根据 git 标签确定版本

发布构建（在标签提交上）没有修订后缀

开发构建（标签之后）将提交哈希作为修订号（例如，1.1.0-bc6e800）

要在本地使用构建的镜像，请在 docker-compose.yml 中更新镜像名称，或使用 build 选项

致谢

本项目的实现得益于以下研究与开发成果：

面向 LLM 应用的新兴架构
自主 LLM 智能体综述
Codel by Andriy Semenets - 基于智能体的自动化初期架构灵感

许可证

PentAGI 根据 MIT License 授权。

第三方依赖

所有第三方依赖均采用与 MIT 兼容的许可证。详见 licenses/ 目录中的详细许可证报告。

VXControl Cloud Services

⚠️ 注意： 虽然 VXControl Cloud SDK 代码采用 MIT 许可证，但访问 VXControl Cloud Services（威胁情报、AI 支持、高级功能）需要单独的 License Key，并须遵守服务条款.

SDK 代码本身可免费使用——服务访问需要注册。

如有疑问，请联系：info@pentagi.com 或 info@vxcontrol.com

186 KiB Raw Blame History Unescape Escape

PentAGI

目录

概述

功能特性

当前能力边界

架构

系统上下文

全局摘要器配置选项

Assistant 摘要器配置选项

摘要器环境配置

执行监控（Beta）

智能任务规划（Beta）

工具调用限制（始终启用）

Reflector 集成（始终启用）

开源模型建议

快速开始

系统要求

使用安装程序（推荐）

当前 Web 设置覆盖范围

仍由服务器管理

手动安装

主要安全设置

爬虫（Scraper）访问

访问凭据

Web UI 账户

从外部网络访问 PentAGI

配置步骤

使用 Podman 运行 PentAGI

Podman 无根模式配置

Podman 有根（Rootful）模式

Docker 兼容性

助手配置

登录后如何使用 PentAGI

1. 创建你的第一个 flow

2. 使用模板实现可重复的工作流

3. 监控执行并审阅输出

4. 使用 Assistant 视图引导活跃的 flow

5. 管理 flow 范围内的文件

API 访问

生成 API 令牌

使用 API 令牌

API 探索与测试

GraphQL Playground

Swagger UI

生成 API 客户端

GraphQL 客户端

REST API 客户端

API 使用示例

安全最佳实践

令牌管理

自定义 LLM 提供商配置

Ollama 提供商配置

配置变量

Ollama Cloud 配置

本地 Ollama 配置

使用扩展上下文创建自定义 Ollama 模型

示例：带扩展上下文的 Qwen3 32B FP16

示例：QwQ 32B FP16 扩展上下文

OpenAI 提供商配置

配置变量

配置示例

支持的模型

Anthropic 提供商配置

配置变量

配置示例

支持的模型

Google AI（Gemini）提供商配置

配置变量

配置示例

支持的模型

AWS Bedrock 提供商配置

配置变量

配置示例

支持的模型

已测试但不兼容的模型

DeepSeek 提供商配置

配置变量

配置示例

支持的模型

186 KiB

Raw Blame History