ARTEMIS
ARTEMIS 是由斯坦福 Trinity 项目打造的一款自动化红队引擎,旨在通过多智能体协作与智能监督机制,自主发现软件系统中的安全漏洞。它解决了传统安全测试中依赖人工、效率低下且难以覆盖复杂场景的痛点,能够像经验丰富的安全专家一样,自动对目标系统进行持续的渗透测试与挑战尝试。
这款工具特别适合安全研究人员、开发者以及致力于提升系统鲁棒性的技术团队使用。其核心亮点在于独特的“多智能体智能监督”架构:系统不仅包含执行具体任务的子智能体(基于 Codex),还配备了一个高层监督者,负责统筹规划、评估进展并动态调整策略。这种设计使得 ARTEMIS 能够在无需人工干预的情况下,长时间自主运行于 CTF 挑战或真实环境中,高效识别潜在风险。无论是用于基准测试验证,还是集成到 DevSecOps 流程中,ARTEMIS 都为自动化安全防御提供了强大的技术支撑。
使用场景
某金融科技公司安全团队需要在每周发布前,对核心交易系统的微服务架构进行深度漏洞扫描和红队测试。
没有 ARTEMIS 时
- 人力成本高昂:资深安全专家需手动编写攻击脚本并逐一试探,单次全链路测试耗时数天,严重拖慢发布节奏。
- 覆盖范围有限:人工测试难以模拟复杂的多步攻击链,容易遗漏深层逻辑漏洞或边缘场景的权限绕过问题。
- 响应速度滞后:发现新漏洞后,修复验证周期长,无法在代码提交后的黄金时间内完成闭环,导致风险敞口长期存在。
- 知识复用困难:每次测试依赖特定专家的个人经验,缺乏标准化的自动化流程,团队能力难以规模化复制。
使用 ARTEMIS 后
- 全天候自动攻防:ARTEMIS 利用多智能体协作,7x24 小时自主生成并执行攻击策略,将原本数天的测试压缩至数小时内完成。
- 深度漏洞挖掘:通过智能监督机制,ARTEMIS 能自动规划复杂的攻击路径,成功发现人工难以察觉的逻辑缺陷和组合型漏洞。
- 即时反馈闭环:系统在检测到潜在风险后立即生成详细报告并触发复测,帮助开发人员在代码合并前即刻修复,大幅降低上线风险。
- 标准化持续集成:ARTEMIS 可无缝嵌入 CI/CD 流水线,将红队测试转化为标准化的自动化关卡,让每位开发者都能享受顶级安全专家的防护能力。
ARTEMIS 将被动的人工抽检转变为主动的自动化持续防御,从根本上提升了软件供应链的安全韧性。
运行环境要求
- Linux
- macOS
未说明
未说明

快速开始
🏹 ARTEMIS
Automated Red Teaming Engine with Multi-agent Intelligent Supervision
ARTEMIS是由斯坦福Trinity项目开发的自主智能体,用于自动化漏洞挖掘。
快速入门
如果您尚未安装 uv,请先进行安装:
curl -LsSf https://astral.sh/uv/install.sh | sh
安装最新版本的 Rust(构建所需):
# 如果之前通过 apt 安装过旧版 Rust,请先移除
sudo apt remove rustc cargo
sudo apt install libssl-dev
# 安装官方的 Rust 工具链管理器 rustup
curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh
# 重启终端或重新加载环境变量
source ~/.cargo/env
# 安装最新稳定版 Rust
rustup install stable
rustup default stable
首先,我们需要构建 codex 二进制文件:
cargo build --release --manifest-path codex-rs/Cargo.toml
接下来,我们可以设置 Python 环境:
uv sync
source .venv/bin/activate
环境配置
复制示例配置文件并添加您的 API 密钥:
cp .env.example .env
# 编辑 .env 文件,填入您的 API 密钥
所需的环境变量:
OPENROUTER_API_KEY或OPENAI_API_KEY- 用于监督模块和 LLM 调用SUBAGENT_MODEL- 用于生成的 Codex 实例的模型(例如:anthropic/claude-sonnet-4)
快速测试运行
尝试一个简单的 CTF 挑战来验证一切是否正常工作:
python -m supervisor.supervisor \
--config-file configs/tests/ctf_easy.yaml \
--benchmark-mode \
--duration 10 \
--skip-todos
这将在基准模式下运行一个持续 10 分钟的简单 CTF 挑战(不进行分类处理)。
有关详细的配置选项和使用方法,请参阅 supervisor-usage.md。
Docker
Docker 快速入门
构建 Docker 镜像:
docker build -t artemis .
环境配置
与上述相同——复制示例配置文件并添加您的 API 密钥:
cp .env.example .env
# 编辑 .env 文件,填入您的 API 密钥
所需的环境变量:
OPENROUTER_API_KEY或OPENAI_API_KEY- 用于监督模块和 LLM 调用SUBAGENT_MODEL- 用于生成的 Codex 实例的模型(例如:anthropic/claude-sonnet-4)
OpenRouter 的 Codex 配置
如果您使用 OpenRouter,则需要配置 codex 二进制文件。创建 ~/.codex/config.toml:
mkdir -p ~/.codex
cat > ~/.codex/config.toml <<'EOF'
model_provider = "openrouter"
[model_providers.openrouter]
name = "OpenRouter"
base_url = "https://openrouter.ai/api/v1"
env_key = "OPENROUTER_API_KEY"
[sandbox]
mode = "workspace-write"
network_access = true
EOF
使用 Docker 运行
使用提供的 run_docker.sh 脚本:
# 使用 OpenRouter 运行(挂载 ~/.codex/config.toml)
./run_docker.sh openrouter
# 仅使用 OpenAI 运行(无需挂载配置文件)
./run_docker.sh openai
该脚本将:
- 挂载您的
~/.codex/config.toml(如果使用 OpenRouter) - 挂载
./logs目录以保存持久化日志 - 使用您的
.env文件中的 API 密钥 - 在一个简单的 CTF 挑战上运行 10 分钟的测试
手动运行 Docker:
如果您更倾向于手动运行 Docker:
# 使用 OpenRouter
docker run -it \
--env-file .env \
-v $HOME/.codex/config.toml:/root/.codex/config.toml:ro \
-v $(pwd)/logs:/app/trinity/ARTEMIS/logs \
artemis \
python -m supervisor.supervisor \
--config-file configs/tests/ctf_easy.yaml \
--benchmark-mode \
--duration 10 \
--skip-todos
# 仅使用 OpenAI
docker run -it \
--env-file .env \
-v $(pwd)/logs:/app/trinity/ARTEMIS/logs \
artemis \
python -m supervisor.supervisor \
--config-file configs/tests/ctf_easy.yaml \
--benchmark-mode \
--duration 10 \
--skip-todos
致谢
本项目基于 OpenAI Codex 开发,并从 commit c221eab 分支而来。
许可证
此仓库采用 Apache-2.0 许可证授权。
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具,它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言,它提供了一条从输入提示词到获取模型响应的最短路径,无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点,让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用,还是执行复杂的 Git 操作,gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口,具备出色的逻辑推理能力;内置 Google 搜索、文件操作及 Shell 命令执行等实用工具;更独特的是,它支持 MCP(模型上下文协议),允许用户灵活扩展自定义集成,连接如图像生成等外部能力。此外,个人谷歌账号即可享受免费的额度支持,且项目基于 Apache 2.0 协议完全开源,是提升终端工作效率的理想助手。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器