ThreatSimGPT：企业级人工智能驱动的威胁模拟平台

ThreatSimGPT 是一款企业级网络安全威胁模拟平台，利用大型语言模型（LLMs）生成逼真、上下文感知的威胁场景，用于安全培训、红队演练和合规性测试。

概述

• 多LLM支持: ✅ 集成 OpenAI GPT-4、Anthropic Claude、OpenRouter 和 Ollama（本地/离线）
• 本地LLM支持: 🆕 使用 Ollama 完全离线运行 - 无需 API 密钥或互联网！
• 基于 YAML 的配置: ✅ 使用直观的 YAML 模式定义威胁场景
• 生产就绪的核心: ✅ 可扩展的模拟引擎，配备完善的数据模型
• CLI 界面: ✅ 用于场景管理和执行的命令行工具
• REST API: ✅ 基于 FastAPI 的 REST 端点，便于企业集成
• 安全框架: 🚧 内置内容过滤和合规性检查（计划中）
• 分析与报告: 🚧 全面的日志记录与指标（计划中）

核心功能

• 多LLM支持: OpenAI GPT-4、Anthropic Claude、OpenRouter、Ollama 以及本地模型
• 基于 YAML 的模板: 使用直观且版本控制的模板定义威胁场景
• 生产级架构: 可扩展、易维护的代码库，无代码重复
• CLI 与 REST API: 灵活的接口，便于自动化和集成
• 企业部署: Docker、Kubernetes 和云原生部署选项
• 全面的日志记录: 审计轨迹和分析数据，满足合规要求
• 安全框架: 内置内容过滤和伦理准则
• 数据集集成: PhishTank、Enron Email Corpus、MITRE ATT&CK 框架

---

架构

系统组件

ThreatSimGPT 平台
├── 核心模拟引擎
│   ├── 模板管理器（基于 YAML 的场景定义）
│   ├── 模拟编排器（执行与工作流管理）
│   └── 输出管理器（内容生成与存储）
│
├── LLM 集成层
│   ├── 多提供商支持（OpenAI、Anthropic、OpenRouter、Ollama）
│   ├── 连接池（性能提升 40%以上）
│   ├── 速率限制与重试逻辑
│   └── 备用与错误处理
│
├── 数据集集成
│   ├── PhishTank（网络钓鱼情报）
│   ├── Enron Email Corpus（电子邮件通信模式）
│   ├── MITRE ATT&CK（威胁情报框架）
│   └── 可扩展的处理器架构
│
├── 集成层
│   ├── Microsoft 365（电子邮件投放）
│   ├── Proofpoint（安全平台集成）
│   ├── KnowBe4（培训平台）
│   ├── Slack（协作平台）
│   └── 用于自定义集成的可扩展基类
│
├── API 与 CLI 接口
│   ├── FastAPI REST API（企业集成）
│   ├── 命令行界面（直接使用）
│   └── Python SDK（程序化访问）
│
└── 安全与合规
    ├── 内容过滤
    ├── 审计日志
    ├── GDPR 合规
    └── 伦理使用指南

技术栈

• 语言: Python 3.11+
• API 框架: FastAPI
• LLM 集成: aiohttp、httpx（带连接池）
• 数据验证: Pydantic
• 配置: YAML
• 异步 I/O: asyncio、aiohttp
• 测试: pytest、pytest-asyncio
• 代码质量: black、isort、flake8、mypy
• 部署: Docker、Kubernetes

---

快速入门

前提条件

• Python 3.11 或更高版本
• Git（用于克隆仓库）
• LLM API 密钥（OpenRouter、OpenAI 或 Anthropic）
• 虚拟环境（推荐）

安装

1. 克隆仓库

git clone https://github.com/threatsimgpt-AI/ThreatSimGPT.git
cd ThreatSimGPT

2. 创建虚拟环境

Windows (PowerShell):

python -m venv .venv
.\.venv\Scripts\Activate.ps1

macOS/Linux:

python -m venv .venv
source .venv/bin/activate

3. 安装依赖项

# 生产依赖
pip install -r requirements.txt

# 开发依赖（可选）
pip install -r requirements-dev.txt

4. 配置 API 密钥

# 将您的 API 密钥设置为环境变量
export OPENROUTER_API_KEY="your-api-key-here"

# 编辑 config.yaml 文件以进行设置
nano config.yaml

配置示例:

llm:
  provider: openrouter
  openrouter:
    api_key: "your-api-key-here"
    model: "qwen/qwen-2.5-72b-instruct"
    
simulation:
  output_dir: "./generated_content"
  auto_save: true
  
logging:
  level: INFO
  file: "./logs/threatsimgpt.log"

5. 验证安装

# 检查 CLI 是否可用
threatsimgpt --help

# 验证安装
threatsimgpt templates validate-all

# 测试干运行（不调用 API）
threatsimgpt simulate -s templates/executive_phishing.yaml --dry-run

---

使用指南

命令行界面

模板管理

# 列出所有可用模板
threatsimgpt templates list

# 显示模板详细信息并验证
threatsimgpt templates show executive_phishing --validate

# 验证所有模板
threatsimgpt templates validate-all

# 检查模板生态系统的健康状况
threatsimgpt templates health

运行模拟

# 运行一次模拟
threatsimgpt simulate -s templates/executive_phishing.yaml

# 干运行（不调用 API）
threatsimgpt simulate -s templates/executive_phishing.yaml --dry-run

# 指定输出目录
threatsimgpt simulate -s templates/finance_bec.yaml -o ./output/campaign_001

# 使用特定的 LLM 提供商运行
threatsimgpt simulate -s templates/it_helpdesk.yaml --provider openai

配置管理

# 显示当前配置
threatsimgpt config show

# 设置配置值
threatsimgpt config set llm.provider openrouter

# 验证配置
threatsimgpt config validate

数据集管理

# 列出可用数据集
threatsimgpt datasets list

# 下载并处理数据集
threatsimgpt datasets download phishtank

# 显示数据集统计信息
threatsimgpt datasets stats enron

# 更新所有数据集
threatsimgpt datasets update-all

REST API

启动 API 服务器

# 启动 FastAPI 服务器
threatsimgpt api start

# 指定主机和端口
threatsimgpt api start --host 0.0.0.0 --port 8000

# 从自动重载开始（开发）
threatsimgpt api start --reload

API 端点

生成威胁内容：

curl -X POST "http://localhost:8000/llm/generate" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "创建一封针对人力资源部门的网络钓鱼邮件",
    "scenario_type": "phishing",
    "max_tokens": 500,
    "temperature": 0.7
  }'

创建场景：

curl -X POST "http://localhost:8000/scenarios" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "第四季度安全意识宣传活动",
    "threat_type": "phishing",
    "target_role": "员工",
    "severity": "medium"
  }'

列出模板：

curl "http://localhost:8000/templates"

API 文档：

• Swagger UI：http://localhost:8000/docs
• ReDoc：http://localhost:8000/redoc

Python SDK

from threatsimgpt import ThreatSimGPTClient

# 初始化客户端
client = ThreatSimGPTClient(api_key="your-api-key", provider="openrouter")

# 加载并运行模拟
simulation = client.load_template("templates/executive_phishing.yaml")
result = simulation.run()

# 访问生成的内容
print(result.content)
print(result.metadata)

# 保存到文件
result.save("output/campaign_001.json")

---

配置

配置文件结构

config.yaml（YAML 格式）：

# LLM 提供商配置
llm:
  provider: openrouter  # 选项：openrouter、openai、anthropic、ollama
  
  openrouter:
    api_key: ${OPENROUTER_API_KEY}
    model: "qwen/qwen-2.5-72b-instruct"
    base_url: "https://openrouter.ai/api/v1"
    timeout: 120
    
  openai:
    api_key: ${OPENAI_API_KEY}
    model: "gpt-4"
    
  anthropic:
    api_key: ${ANTHROPIC_API_KEY}
    model: "claude-3-opus-20240229"
    
  ollama:
    base_url: "http://localhost:11434"
    model: "llama3.1:70b"

# 模拟配置
simulation:
  output_dir: "./generated_content"
  auto_save: true
  index_enabled: true
  max_concurrent: 5

# 数据集配置
datasets:
  storage_path: "./data"
  auto_update: false
  phishtank:
    enabled: true
    update_interval_days: 7
  enron:
    enabled: true
  mitre_attack:
    enabled: true

# 部署集成
deployment:
  enabled: false
  microsoft365:
    enabled: false
    tenant_id: ${M365_TENANT_ID}
    client_id: ${M365_CLIENT_ID}
    client_secret: ${M365_CLIENT_SECRET}

# 日志配置
logging:
  level: INFO  # DEBUG、INFO、WARNING、ERROR、CRITICAL
  file: "./logs/threatsimgpt.log"
  format: "%(asctime)s - %(name)s - %(levelname)s - %(message)s"
  rotation: "10 MB"
  retention: 30  # 天

# 安全配置
safety:
  content_filtering: true
  audit_logging: true
  rate_limiting:
    enabled: true
    requests_per_minute: 60

环境变量

# LLM 提供商密钥
export OPENROUTER_API_KEY="your-key-here"
export OPENAI_API_KEY="your-key-here"
export ANTHROPIC_API_KEY="your-key-here"

# 部署集成
export M365_TENANT_ID="your-tenant-id"
export M365_CLIENT_ID="your-client-id"
export M365_CLIENT_SECRET="your-client-secret"

# 应用程序设置
export THREATSIMGPT_ENV="production"
export THREATSIMGPT_LOG_LEVEL="INFO"

---

模板系统

模板结构

模板使用 YAML 格式定义威胁场景：

# 模板元数据
template_id: executive_phishing_v1
name: "高管网络钓鱼活动"
version: "1.0.0"
author: "安全团队"
description: "针对高层管理人员的复杂网络钓鱼攻击"

# 威胁分类
threat_type: phishing
severity: high
complexity: advanced
target_role: executive

# 场景配置
scenario:
  subject_line: "紧急：需提交第四季度财务报告"
  sender_persona: "首席财务官办公室"
  urgency_level: high
  社会工程学策略：
    - 权威性
    - 紧迫感
    - 恐惧心理
  
  上下文：
    公司规模：企业级
    行业：科技行业
    季度：第四季度
    
  内容要求：
    语气：专业
    长度：中等
    技术细节：包含
    个性化程度：高

# LLM 生成参数
generation:
  max_tokens: 800
  temperature: 0.7
  top_p: 0.9
  
# 动态内容变量
variables：
  ceo_name: "Michael Stevens"
  company_name: "TechCorp International"
  截止日期：本周末
  财政年度：2025财年

# 安全控制
safety:
  content_filtering: true
  匿名化处理敏感信息：true
  必须添加免责声明：true

创建自定义模板

1. 复制示例模板：

cp templates/sample_phishing_template.yaml templates/my_custom_template.yaml

2. 编辑模板：

template_id: my_custom_scenario
name: "我的自定义威胁场景"
threat_type: social_engineering
# ... 自定义字段

3. 验证模板：

threatsimgpt templates show my_custom_template --validate

4. 运行模拟：

threatsimgpt simulate -s templates/my_custom_template.yaml

---

部署

Docker 部署

构建镜像

# 构建生产镜像
docker build -t threatsimgpt:latest .

# 使用特定标签构建
docker build -t threatsimgpt:v1.0.0 .

运行容器

# 使用环境变量运行
docker run -d \
  --name threatsimgpt \
  -p 8000:8000 \
  -e OPENROUTER_API_KEY="your-key" \
  -v $(pwd)/generated_content:/app/generated_content \
  -v $(pwd)/logs:/app/logs \
  threatsimgpt:latest

# 使用配置文件运行
docker run -d \
  --name threatsimgpt \
  -p 8000:8000 \
  -v $(pwd)/config.yaml:/app/config.yaml \
  -v $(pwd)/generated_content:/app/generated_content \
  threatsimgpt:latest

Docker Compose

docker-compose.yml：

version: '3.8'

services:
  threatsimgpt-api:
    image: threatsimgpt:latest
    container_name: threatsimgpt-api
    ports:
      - "8000:8000"
    environment:
      - OPENROUTER_API_KEY=${OPENROUTER_API_KEY}
      - THREATSIMGPT_ENV=production
    volumes:
      - ./config.yaml:/app/config.yaml:ro
      - ./generated_content:/app/generated_content
      - ./logs:/app/logs
      - ./data:/app/data
    restart: unless-stopped
    
  threatsimgpt-worker:
    image: threatsimgpt:latest
    container_name: threatsimgpt-worker
    environment:
      - OPENROUTER_API_KEY=${OPENROUTER_API_KEY}
    volumes:
      - ./config.yaml:/app/config.yaml:ro
      - ./generated_content:/app/generated_content
      - ./data:/app/data
    command: ["python", "-m", "threatsimgpt.worker"]
    restart: unless-stopped

部署：

# 启动服务
docker-compose up -d

# 查看日志
docker-compose logs -f

# 扩展 API 实例
docker-compose up -d --scale threatsimgpt-api=3

# 停止服务
docker-compose down

Kubernetes 部署

基本部署

k8s/deployment.yaml:

apiVersion: apps/v1
kind: Deployment
metadata:
  name: threatsimgpt
  labels:
    app: threatsimgpt
spec:
  replicas: 3
  selector:
    matchLabels:
      app: threatsimgpt
  template:
    metadata:
      labels:
        app: threatsimgpt
    spec:
      containers:
      - name: threatsimgpt
        image: threatsimgpt:latest
        ports:
        - containerPort: 8000
        env:
        - name: OPENROUTER_API_KEY
          valueFrom:
            secretKeyRef:
              name: threatsimgpt-secrets
              key: openrouter-api-key
        volumeMounts:
        - name: config
          mountPath: /app/config.yaml
          subPath: config.yaml
        - name: storage
          mountPath: /app/generated_content
      volumes:
      - name: config
        configMap:
          name: threatsimgpt-config
      - name: storage
        persistentVolumeClaim:
          claimName: threatsimgpt-pvc
---
apiVersion: v1
kind: Service
metadata:
  name: threatsimgpt
spec:
  type: LoadBalancer
  ports:
  - port: 80
    targetPort: 8000
  selector:
    app: threatsimgpt

部署：

# 创建命名空间
kubectl create namespace threatsimgpt

# 创建 Secret
kubectl create secret generic threatsimgpt-secrets \
  --from-literal=openrouter-api-key="your-key" \
  -n threatsimgpt

# 创建 ConfigMap
kubectl create configmap threatsimgpt-config \
  --from-file=config.yaml \
  -n threatsimgpt

# 应用部署
kubectl apply -f k8s/ -n threatsimgpt

# 检查状态
kubectl get pods -n threatsimgpt
kubectl get svc -n threatsimgpt

# 查看日志
kubectl logs -f deployment/threatsimgpt -n threatsimgpt

---

安全与合规

安全最佳实践

1. API 密钥管理：

   • 将密钥存储在环境变量或密钥管理系统中
   • 绝不将密钥提交到版本控制系统
   • 定期轮换密钥
   • 为开发和生产环境使用不同的密钥

2. 网络安全：

   • 部署在防火墙或 VPN 后面
   • 对 API 端点使用 HTTPS/TLS
   • 对敏感部署实施 IP 白名单
   • 启用速率限制

3. 访问控制：

   • 实施基于角色的访问控制 (RBAC)
   • 使用强身份验证机制
   • 记录所有访问尝试
   • 定期进行访问审查

4. 数据保护：

   • 启用审计日志记录
   • 实施数据保留策略
   • 对静态和传输中的敏感数据进行加密
   • 定期进行安全审计

合规功能

• GDPR 合规：数据保护和隐私控制
• 审计日志记录：全面的活动跟踪
• 内容过滤：防止生成有害内容
• 伦理准则：明确的使用政策和限制

负责任使用政策

授权使用场景：

• 安全培训和意识提升项目
• 红队演练和渗透测试（经授权）
• 安全控制验证和测试
• 合规和审计文档
• 教育和研究目的

禁止使用场景：

• 实际的恶意活动或攻击
• 未经授权的系统访问或测试
• 骚扰、威胁或有害内容
• 绕过安全控制或系统
• 任何非法活动

---

性能与可扩展性

性能指标

• 连接池：相比每次请求建立会话，性能提升 40%
• 内存效率：使用共享会话池后，内存占用减少 30%
• 下载速度：通过优化异步 I/O 提升 25%
• API 响应时间：低于 200 毫秒（不包括 LLM 生成）
• 并发请求：支持 100 多个并发模拟

可扩展性

• 水平扩展：在负载均衡器后部署多个 API 实例
• 异步架构：非阻塞 I/O 实现高吞吐量
• 资源优化：高效的内存和连接管理
• 缓存：针对重复操作的模板和数据集缓存

监控

# 启用指标端点
threatsimgpt api start --metrics

# Prometheus 指标可在 /metrics 获取
curl http://localhost:8000/metrics

# 健康检查端点
curl http://localhost:8000/health

---

文档

可用文档

• API 文档 - REST API 参考和 OpenAPI 规范
• 用户指南 - 完整的使用指南
• 开发者指南 - 贡献和开发说明
• 配置参考 - 配置模式
• 安全指南 - 安全最佳实践
• 模板手册 - 模板创建指南
• 数据集集成 - 数据集处理器指南

快速链接

• API 文档：http://localhost:8000/docs（运行时）
• GitHub 仓库：https://github.com/threatsimgpt-AI/ThreatSimGPT
• 问题追踪器：https://github.com/threatsimgpt-AI/ThreatSimGPT/issues

---

贡献

我们欢迎贡献！请参阅我们的 贡献指南 以获取详细信息。

开发设置

# 克隆仓库
git clone https://github.com/threatsimgpt-AI/ThreatSimGPT.git
cd ThreatSimGPT

# 创建虚拟环境
python -m venv .venv
source .venv/bin/activate  # 或 Windows 上的 .venv\Scripts\activate

# 安装开发依赖
pip install -r requirements-dev.txt

# 安装 pre-commit 钩子
pre-commit install

# 运行测试
pytest

# 运行代码质量检查
black src/ tests/
isort src/ tests/
flake8 src/ tests/
mypy src/

贡献流程

1. 分支仓库
2. 创建特性分支：git checkout -b feature/amazing-feature
3. 进行更改并添加测试
4. 确保所有测试通过：pytest
5. 运行代码质量检查
6. 提交更改：git commit -m 'Add amazing feature'
7. 推送到分支：git push origin feature/amazing-feature
8. 打开拉取请求

---

故障排除

常见问题

安装问题

问题：threatsimgpt: command not found

解决方案：激活虚拟环境

# Windows
.\.venv\Scripts\Activate.ps1

# macOS/Linux
source .venv/bin/activate

问题：ModuleNotFoundError

解决方案：在虚拟环境中安装依赖

pip install -r requirements.txt

配置问题

问题：配置文件未找到

解决方案：根据示例创建 config.yaml

cp config.yaml.example config.yaml

问题：API 认证失败

解决方案：确认已设置 API 密钥

# 检查环境变量
echo $OPENROUTER_API_KEY

# 或在 config.yaml 中设置
threatsimgpt config set llm.openrouter.api_key "your-key"

运行时问题

问题: 模板验证错误

解决方案: 验证并修复模板

threatsimgpt templates show my_template --validate
threatsimgpt templates fix my_template

问题: 模拟因超时失败

解决方案: 在配置中增加超时时间

llm:
  openrouter:
    timeout: 180  # 增加到180秒

获取帮助

• 查看日志: logs/threatsimgpt.log
• 验证配置: threatsimgpt config validate
• 测试连接: threatsimgpt llm test
• GitHub 问题: 报告 bug
• 电子邮件支持: threatsimgpt@hotmail.com

---

许可证

本项目采用 MIT 许可证授权 - 详情请参阅 LICENSE 文件。

第三方许可证

ThreatSimGPT 使用了以下开源库：

• FastAPI (MIT 许可证)
• Pydantic (MIT 许可证)
• aiohttp (Apache 2.0)
• PyYAML (MIT 许可证)

完整的许可证信息可在 LICENSE 文件中找到。

---

致谢

• MITRE ATT&CK 框架 提供的威胁情报分类体系
• OpenAI、Anthropic、Meta 提供的大语言模型能力
• PhishTank 提供的钓鱼情报数据
• 卡内基梅隆大学 提供的 Enron 电子邮件语料库
• 开源社区 提供的工具和库

---

支持与联系

• 文档: https://github.com/threatsimgpt-AI/ThreatSimGPT
• 问题: GitHub 问题
• 讨论: GitHub 讨论
• 电子邮件: threatsimgpt@hotmail.com
• Twitter: @Thundastormgod

---

项目状态

• 当前版本: 1.0.0
• 状态: 已投入生产
• 最后更新: 2025年11月23日
• 活跃维护: 是
• 接受贡献: 是

路线图

版本 1.1.0 (2026年第一季度):

• 高级分析与报告仪表盘
• 更强的数据集集成（新增威胁情报来源）
• 基于机器学习的内容优化
• 多语言支持

版本 1.2.0 (2026年第二季度):

• 协作式场景构建器
• 高级部署集成
• 实时威胁情报推送
• 企业单点登录集成

---

重要免责声明

ThreatSimGPT 是一款专为以下用途设计的模拟工具：

• 授权的安全测试与培训
• 教育目的
• 研究与开发

用户有责任确保其使用行为符合所在司法管辖区的所有适用法律、法规及组织政策。未经授权的使用、恶意活动或滥用本工具均被严格禁止，并可能导致法律责任。

请自行承担使用风险。作者及贡献者对任何误用或损害不承担任何责任。

---

为网络安全社区打造

ThreatSimGPT 快速上手指南

ThreatSimGPT 是一款企业级 AI 威胁模拟平台，利用大语言模型（LLM）生成逼真的网络威胁场景，适用于安全培训、红队演练和合规测试。支持 OpenAI、Anthropic、OpenRouter 以及本地离线运行的 Ollama。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Windows (PowerShell), macOS, 或 Linux
• Python 版本：3.11 或更高版本
• 工具依赖：Git
• API 密钥：
  • 云端模式：需准备 OpenRouter、OpenAI 或 Anthropic 的 API Key。
  • 本地模式：需安装并运行 Ollama，无需 API Key 即可离线使用。
• 网络建议：国内用户若使用云端模型，建议配置代理或使用支持国内访问的模型提供商（如通过 OpenRouter 接入部分国产模型）。

安装步骤

1. 克隆仓库

git clone https://github.com/threatsimgpt-AI/ThreatSimGPT.git
cd ThreatSimGPT

2. 创建虚拟环境

Windows (PowerShell):

python -m venv .venv
.\.venv\Scripts\Activate.ps1

macOS/Linux:

python -m venv .venv
source .venv/bin/activate

3. 安装依赖

# 安装生产环境依赖
pip install -r requirements.txt

# (可选) 安装开发环境依赖
pip install -r requirements-dev.txt

提示：国内用户如遇下载缓慢，可添加清华或阿里镜像源： pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

4. 配置 API 密钥与参数

设置环境变量并编辑配置文件 config.yaml。

设置环境变量 (以 OpenRouter 为例):

export OPENROUTER_API_KEY="your-api-key-here"

编辑配置文件:

nano config.yaml

配置示例 (config.yaml):

llm:
  provider: openrouter  # 可选：openrouter, openai, anthropic, ollama
  openrouter:
    api_key: ${OPENROUTER_API_KEY}
    model: "qwen/qwen-2.5-72b-instruct" # 推荐使用兼容模型
    
simulation:
  output_dir: "./generated_content"
  auto_save: true
  
logging:
  level: INFO
  file: "./logs/threatsimgpt.log"

本地离线模式提示：若使用 Ollama，将 provider 设为 ollama，并确保本地已拉取对应模型（如 llama3.1:70b），无需填写 API Key。

5. 验证安装

# 查看 CLI 帮助
threatsimgpt --help

# 验证所有模板
threatsimgpt templates validate-all

# 干跑测试（不消耗 Token/不调用 API）
threatsimgpt simulate -s templates/executive_phishing.yaml --dry-run

基本使用

运行威胁模拟

使用内置模板生成钓鱼邮件场景：

# 执行模拟
threatsimgpt simulate -s templates/executive_phishing.yaml

# 指定输出目录
threatsimgpt simulate -s templates/finance_bec.yaml -o ./output/campaign_001

# 指定特定 LLM 提供商运行
threatsimgpt simulate -s templates/it_helpdesk.yaml --provider openai

管理模板

# 列出所有可用模板
threatsimgpt templates list

# 查看模板详情并验证
threatsimgpt templates show executive_phishing --validate

启动 REST API 服务

如需集成到其他系统，可启动 FastAPI 服务：

# 启动服务
threatsimgpt api start

# 指定主机和端口
threatsimgpt api start --host 0.0.0.0 --port 8000

启动后，访问 http://localhost:8000/docs 查看 Swagger API 文档。

自定义场景 (Python SDK)

通过代码直接调用生成内容：

from threatsimgpt import ThreatSimGPTClient

# 初始化客户端
client = ThreatSimGPTClient(api_key="your-api-key", provider="openrouter")

# 加载并运行模板
simulation = client.load_template("templates/executive_phishing.yaml")
result = simulation.run()

# 输出生成内容
print(result.content)

# 保存结果
result.save("output/campaign_001.json")