[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Stanford-Trinity--ARTEMIS":3,"tool-Stanford-Trinity--ARTEMIS":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","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。\n\n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。\n\nOpenClaw 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",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-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。\n\n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。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-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。\n\n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。\n\n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",149489,2,"2026-04-10T11:32:46",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","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。\n\n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。\n\n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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-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。\n\n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。\n\n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。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","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。\n\n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。\n\n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",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":65,"owner_location":65,"owner_email":76,"owner_twitter":65,"owner_website":77,"owner_url":78,"languages":79,"stars":107,"forks":108,"last_commit_at":109,"license":110,"difficulty_score":111,"env_os":112,"env_gpu":113,"env_ram":113,"env_deps":114,"category_tags":122,"github_topics":123,"view_count":32,"oss_zip_url":65,"oss_zip_packed_at":65,"status":17,"created_at":127,"updated_at":128,"faqs":129,"releases":130},6210,"Stanford-Trinity\u002FARTEMIS","ARTEMIS",null,"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。\n\n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。","\u003Ch1 align=\"center\">🏹 ARTEMIS\u003C\u002Fh1>\n\u003Cp align=\"center\">\u003Cstrong>A\u003C\u002Fstrong>utomated \u003Cstrong>R\u003C\u002Fstrong>ed \u003Cstrong>T\u003C\u002Fstrong>eaming \u003Cstrong>E\u003C\u002Fstrong>ngine with \u003Cstrong>M\u003C\u002Fstrong>ulti-agent \u003Cstrong>I\u003C\u002Fstrong>ntelligent \u003Cstrong>S\u003C\u002Fstrong>upervision\u003C\u002Fp>\n\u003Cp align=\"center\">ARTEMIS is an autonomous agent created by the \u003Ca href=\"https:\u002F\u002Ftrinity.cs.stanford.edu\u002F\">Stanford Trinity project\u003C\u002Fa> to automate vulnerability discovery.\u003C\u002Fp>\n\n#### Quickstart\n\nInstall `uv` if you haven't already:\n\n```bash\ncurl -LsSf https:\u002F\u002Fastral.sh\u002Fuv\u002Finstall.sh | sh\n```\n\nInstall the latest version of Rust (required for building):\n\n```bash\n# Remove old Rust if installed via apt\nsudo apt remove rustc cargo\nsudo apt install libssl-dev\n\n# Install rustup (the official Rust toolchain installer)\ncurl --proto '=https' --tlsv1.2 -sSf https:\u002F\u002Fsh.rustup.rs | sh\n\n# Restart shell or source the environment\nsource ~\u002F.cargo\u002Fenv\n\n# Install latest stable Rust\nrustup install stable\nrustup default stable\n```\n\nFirst, we have to build the codex binary:\n\n```bash\ncargo build --release --manifest-path codex-rs\u002FCargo.toml\n```\n\nNow we can setup the Python environment:\n\n```bash\nuv sync\nsource .venv\u002Fbin\u002Factivate\n```\n\n### Environment Configuration\n\nCopy the example configuration and add your API keys:\n\n```bash\ncp .env.example .env\n# Edit .env with your API keys\n```\n\nRequired environment variables:\n- `OPENROUTER_API_KEY` or `OPENAI_API_KEY` - For the supervisor and LLM calls\n- `SUBAGENT_MODEL` - Model to use for spawned Codex instances (e.g., `anthropic\u002Fclaude-sonnet-4`)\n\n### Quick Test Run\n\nTry a simple CTF challenge to verify everything works:\n\n```bash\npython -m supervisor.supervisor \\\n  --config-file configs\u002Ftests\u002Fctf_easy.yaml \\\n  --benchmark-mode \\\n  --duration 10 \\\n  --skip-todos\n```\n\nThis runs a 10-minute test on an easy CTF challenge in benchmark mode (no triage process).\n\nFor detailed configuration options and usage, see [supervisor-usage.md](docs\u002Fsupervisor-usage.md).\n\n---\n\n## Docker\n\n### Docker Quickstart\n\nBuild the Docker image:\n\n```bash\ndocker build -t artemis .\n```\n\n### Environment Configuration\n\nSame as above - copy the example configuration and add your API keys:\n\n```bash\ncp .env.example .env\n# Edit .env with your API keys\n```\n\nRequired environment variables:\n- `OPENROUTER_API_KEY` or `OPENAI_API_KEY` - For the supervisor and LLM calls\n- `SUBAGENT_MODEL` - Model to use for spawned Codex instances (e.g., `anthropic\u002Fclaude-sonnet-4`)\n\n### Codex Configuration for OpenRouter\n\nIf using OpenRouter, you'll need to configure the codex binary. Create `~\u002F.codex\u002Fconfig.toml`:\n\n```bash\nmkdir -p ~\u002F.codex\ncat > ~\u002F.codex\u002Fconfig.toml \u003C\u003C'EOF'\nmodel_provider = \"openrouter\"\n\n[model_providers.openrouter]\nname = \"OpenRouter\"\nbase_url = \"https:\u002F\u002Fopenrouter.ai\u002Fapi\u002Fv1\"\nenv_key = \"OPENROUTER_API_KEY\"\n\n[sandbox]\nmode = \"workspace-write\"\nnetwork_access = true\nEOF\n```\n\n### Running with Docker\n\nUse the provided `run_docker.sh` script:\n\n```bash\n# Run with OpenRouter (mounts ~\u002F.codex\u002Fconfig.toml)\n.\u002Frun_docker.sh openrouter\n\n# Run with OpenAI only (no config mount needed)\n.\u002Frun_docker.sh openai\n```\n\nThe script will:\n- Mount your `~\u002F.codex\u002Fconfig.toml` (if using OpenRouter)\n- Mount the `.\u002Flogs` directory for persistent logs\n- Use your `.env` file for API keys\n- Run a 10-minute test on an easy CTF challenge\n\n**Manual Docker Run:**\n\nIf you prefer to run docker manually:\n\n```bash\n# With OpenRouter\ndocker run -it \\\n  --env-file .env \\\n  -v $HOME\u002F.codex\u002Fconfig.toml:\u002Froot\u002F.codex\u002Fconfig.toml:ro \\\n  -v $(pwd)\u002Flogs:\u002Fapp\u002Ftrinity\u002FARTEMIS\u002Flogs \\\n  artemis \\\n  python -m supervisor.supervisor \\\n    --config-file configs\u002Ftests\u002Fctf_easy.yaml \\\n    --benchmark-mode \\\n    --duration 10 \\\n    --skip-todos\n\n# With OpenAI only\ndocker run -it \\\n  --env-file .env \\\n  -v $(pwd)\u002Flogs:\u002Fapp\u002Ftrinity\u002FARTEMIS\u002Flogs \\\n  artemis \\\n  python -m supervisor.supervisor \\\n    --config-file configs\u002Ftests\u002Fctf_easy.yaml \\\n    --benchmark-mode \\\n    --duration 10 \\\n    --skip-todos\n```\n\n---\n\n## Acknowledgments\n\nThis project uses [OpenAI Codex](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fcodex) as a base, forked from [commit c221eab](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fcodex\u002Fcommit\u002Fc221eab0b5cad59ce3dafebf7ca630f217263cc6).\n\n---\n\n## License\n\nThis repository is licensed under the [Apache-2.0 License](LICENSE).\n\n","\u003Ch1 align=\"center\">🏹 ARTEMIS\u003C\u002Fh1>\n\u003Cp align=\"center\">\u003Cstrong>A\u003C\u002Fstrong>utomated \u003Cstrong>R\u003C\u002Fstrong>ed \u003Cstrong>T\u003C\u002Fstrong>eaming \u003Cstrong>E\u003C\u002Fstrong>ngine with \u003Cstrong>M\u003C\u002Fstrong>ulti-agent \u003Cstrong>I\u003C\u002Fstrong>ntelligent \u003Cstrong>S\u003C\u002Fstrong>upervision\u003C\u002Fp>\n\u003Cp align=\"center\">ARTEMIS是由\u003Ca href=\"https:\u002F\u002Ftrinity.cs.stanford.edu\u002F\">斯坦福Trinity项目\u003C\u002Fa>开发的自主智能体，用于自动化漏洞挖掘。\u003C\u002Fp>\n\n#### 快速入门\n\n如果您尚未安装 `uv`，请先进行安装：\n\n```bash\ncurl -LsSf https:\u002F\u002Fastral.sh\u002Fuv\u002Finstall.sh | sh\n```\n\n安装最新版本的 Rust（构建所需）：\n\n```bash\n# 如果之前通过 apt 安装过旧版 Rust，请先移除\nsudo apt remove rustc cargo\nsudo apt install libssl-dev\n\n# 安装官方的 Rust 工具链管理器 rustup\ncurl --proto '=https' --tlsv1.2 -sSf https:\u002F\u002Fsh.rustup.rs | sh\n\n# 重启终端或重新加载环境变量\nsource ~\u002F.cargo\u002Fenv\n\n# 安装最新稳定版 Rust\nrustup install stable\nrustup default stable\n```\n\n首先，我们需要构建 codex 二进制文件：\n\n```bash\ncargo build --release --manifest-path codex-rs\u002FCargo.toml\n```\n\n接下来，我们可以设置 Python 环境：\n\n```bash\nuv sync\nsource .venv\u002Fbin\u002Factivate\n```\n\n### 环境配置\n\n复制示例配置文件并添加您的 API 密钥：\n\n```bash\ncp .env.example .env\n# 编辑 .env 文件，填入您的 API 密钥\n```\n\n所需的环境变量：\n- `OPENROUTER_API_KEY` 或 `OPENAI_API_KEY` - 用于监督模块和 LLM 调用\n- `SUBAGENT_MODEL` - 用于生成的 Codex 实例的模型（例如：`anthropic\u002Fclaude-sonnet-4`）\n\n### 快速测试运行\n\n尝试一个简单的 CTF 挑战来验证一切是否正常工作：\n\n```bash\npython -m supervisor.supervisor \\\n  --config-file configs\u002Ftests\u002Fctf_easy.yaml \\\n  --benchmark-mode \\\n  --duration 10 \\\n  --skip-todos\n```\n\n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）。\n\n有关详细的配置选项和使用方法，请参阅 [supervisor-usage.md](docs\u002Fsupervisor-usage.md)。\n\n---\n\n## Docker\n\n### Docker 快速入门\n\n构建 Docker 镜像：\n\n```bash\ndocker build -t artemis .\n```\n\n### 环境配置\n\n与上述相同——复制示例配置文件并添加您的 API 密钥：\n\n```bash\ncp .env.example .env\n# 编辑 .env 文件，填入您的 API 密钥\n```\n\n所需的环境变量：\n- `OPENROUTER_API_KEY` 或 `OPENAI_API_KEY` - 用于监督模块和 LLM 调用\n- `SUBAGENT_MODEL` - 用于生成的 Codex 实例的模型（例如：`anthropic\u002Fclaude-sonnet-4`）\n\n### OpenRouter 的 Codex 配置\n\n如果您使用 OpenRouter，则需要配置 codex 二进制文件。创建 `~\u002F.codex\u002Fconfig.toml`：\n\n```bash\nmkdir -p ~\u002F.codex\ncat > ~\u002F.codex\u002Fconfig.toml \u003C\u003C'EOF'\nmodel_provider = \"openrouter\"\n\n[model_providers.openrouter]\nname = \"OpenRouter\"\nbase_url = \"https:\u002F\u002Fopenrouter.ai\u002Fapi\u002Fv1\"\nenv_key = \"OPENROUTER_API_KEY\"\n\n[sandbox]\nmode = \"workspace-write\"\nnetwork_access = true\nEOF\n```\n\n### 使用 Docker 运行\n\n使用提供的 `run_docker.sh` 脚本：\n\n```bash\n# 使用 OpenRouter 运行（挂载 ~\u002F.codex\u002Fconfig.toml）\n.\u002Frun_docker.sh openrouter\n\n# 仅使用 OpenAI 运行（无需挂载配置文件）\n.\u002Frun_docker.sh openai\n```\n\n该脚本将：\n- 挂载您的 `~\u002F.codex\u002Fconfig.toml`（如果使用 OpenRouter）\n- 挂载 `.\u002Flogs` 目录以保存持久化日志\n- 使用您的 `.env` 文件中的 API 密钥\n- 在一个简单的 CTF 挑战上运行 10 分钟的测试\n\n**手动运行 Docker：**\n\n如果您更倾向于手动运行 Docker：\n\n```bash\n# 使用 OpenRouter\ndocker run -it \\\n  --env-file .env \\\n  -v $HOME\u002F.codex\u002Fconfig.toml:\u002Froot\u002F.codex\u002Fconfig.toml:ro \\\n  -v $(pwd)\u002Flogs:\u002Fapp\u002Ftrinity\u002FARTEMIS\u002Flogs \\\n  artemis \\\n  python -m supervisor.supervisor \\\n    --config-file configs\u002Ftests\u002Fctf_easy.yaml \\\n    --benchmark-mode \\\n    --duration 10 \\\n    --skip-todos\n\n# 仅使用 OpenAI\ndocker run -it \\\n  --env-file .env \\\n  -v $(pwd)\u002Flogs:\u002Fapp\u002Ftrinity\u002FARTEMIS\u002Flogs \\\n  artemis \\\n  python -m supervisor.supervisor \\\n    --config-file configs\u002Ftests\u002Fctf_easy.yaml \\\n    --benchmark-mode \\\n    --duration 10 \\\n    --skip-todos\n```\n\n---\n\n## 致谢\n\n本项目基于 [OpenAI Codex](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fcodex) 开发，并从 [commit c221eab](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fcodex\u002Fcommit\u002Fc221eab0b5cad59ce3dafebf7ca630f217263cc6) 分支而来。\n\n---\n\n## 许可证\n\n此仓库采用 [Apache-2.0 许可证](LICENSE)授权。","# ARTEMIS 快速上手指南\n\nARTEMIS 是由斯坦福 Trinity 项目开发的自动化红队引擎，利用多智能体监督机制自动发现系统漏洞。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n- **操作系统**：Linux 或 macOS（Windows 用户建议使用 WSL2 或 Docker）\n- **前置依赖**：\n  - `curl`\n  - `git`\n  - `libssl-dev` (Ubuntu\u002FDebian)\n  - Python 环境（将通过 `uv` 自动管理）\n  - Rust 工具链（用于构建 Codex 二进制文件）\n\n> **注意**：如果您通过 `apt` 安装过旧版 Rust，建议先卸载以避免冲突。\n\n## 安装步骤\n\n### 1. 安装 UV 包管理器\n```bash\ncurl -LsSf https:\u002F\u002Fastral.sh\u002Fuv\u002Finstall.sh | sh\n```\n\n### 2. 安装 Rust 工具链\n```bash\n# 移除可能存在的旧版 Rust (仅限 Debian\u002FUbuntu)\nsudo apt remove rustc cargo\nsudo apt install libssl-dev\n\n# 安装 rustup\ncurl --proto '=https' --tlsv1.2 -sSf https:\u002F\u002Fsh.rustup.rs | sh\n\n# 加载环境变量\nsource ~\u002F.cargo\u002Fenv\n\n# 安装并设置最新稳定版 Rust\nrustup install stable\nrustup default stable\n```\n\n### 3. 构建 Codex 二进制文件\n```bash\ncargo build --release --manifest-path codex-rs\u002FCargo.toml\n```\n\n### 4. 配置 Python 环境\n```bash\nuv sync\nsource .venv\u002Fbin\u002Factivate\n```\n\n### 5. 配置 API 密钥\n复制示例配置文件并填入您的密钥：\n```bash\ncp .env.example .env\n# 使用编辑器打开 .env 文件，填入以下变量：\n# OPENROUTER_API_KEY 或 OPENAI_API_KEY\n# SUBAGENT_MODEL (例如：anthropic\u002Fclaude-sonnet-4)\n```\n\n## 基本使用\n\n完成安装和配置后，您可以运行一个简单的 CTF 挑战测试来验证环境是否正常工作。以下命令将运行一个 10 分钟的基准测试：\n\n```bash\npython -m supervisor.supervisor \\\n  --config-file configs\u002Ftests\u002Fctf_easy.yaml \\\n  --benchmark-mode \\\n  --duration 10 \\\n  --skip-todos\n```\n\n**说明：**\n- `--benchmark-mode`：启用基准模式，跳过分类整理过程。\n- `--duration 10`：测试运行时长为 10 分钟。\n- `--skip-todos`：跳过待办事项处理。\n\n如需更详细的配置选项，请参考项目文档 `docs\u002Fsupervisor-usage.md`。","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。\n\n### 没有 ARTEMIS 时\n- **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。\n- **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。\n- **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。\n- **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。\n\n### 使用 ARTEMIS 后\n- **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。\n- **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。\n- **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。\n- **标准化持续集成**：ARTEMIS 可无缝嵌入 CI\u002FCD 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。\n\nARTEMIS 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。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FStanford-Trinity_ARTEMIS_f7fcbaf7.png","Stanford-Trinity","Trinity","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FStanford-Trinity_0ab14879.jpg","","trinity-research@lists.stanford.edu","https:\u002F\u002Ftrinity.cs.stanford.edu","https:\u002F\u002Fgithub.com\u002FStanford-Trinity",[80,84,88,92,96,100,103,105],{"name":81,"color":82,"percentage":83},"Rust","#dea584",88,{"name":85,"color":86,"percentage":87},"Python","#3572A5",11.4,{"name":89,"color":90,"percentage":91},"HTML","#e34c26",0.3,{"name":93,"color":94,"percentage":95},"Shell","#89e051",0.2,{"name":97,"color":98,"percentage":99},"Nix","#7e7eff",0,{"name":101,"color":102,"percentage":99},"Dockerfile","#384d54",{"name":104,"color":102,"percentage":99},"Just",{"name":106,"color":65,"percentage":99},"RenderScript",504,119,"2026-04-07T10:37:11","Apache-2.0",4,"Linux, macOS","未说明",{"notes":115,"python":116,"dependencies":117},"1. 必须安装 Rust 工具链以构建 codex 二进制文件。2. 需配置 LLM API 密钥 (OPENROUTER_API_KEY 或 OPENAI_API_KEY)。3. 若使用 OpenRouter，需在 ~\u002F.codex\u002Fconfig.toml 中额外配置模型提供商和沙箱网络访问权限。4. 支持 Docker 部署，运行脚本会自动挂载配置文件和日志目录。","未说明 (通过 uv 管理环境)",[118,119,120,121],"uv","Rust (stable)","libssl-dev","OpenAI Codex (fork)",[13,14,15],[124,125,126],"ai","ai-agents","cybersecurity-tools","2026-03-27T02:49:30.150509","2026-04-10T20:32:47.489022",[],[]]