Skip to content

工具推薦|0 — 開源 AI 資安 harness,一套流程做完網頁滲透測試到二進位逆向工程

2026年11月13日1 分鐘
TL;DR0 是 0sec Labs(Y Combinator 投資)開源的 AI 資安 harness,MIT OR Apache-2.0 授權。安裝:curl -fsSL https://raw.githubusercontent.com/0sec-labs/0/main/install.sh | bash。它把漏洞調查拆成 Plan、Discover、Attack、Triage、Verify、Report 六步,Verify 另開一個不知道前因的 session 重新跑 5 輪驗證候選漏洞是否真的能重現,藉此降低自動化資安掃描常見的高誤判率。

查詞與收藏

正在載入查詞工具…

🌏 English version

工具資訊

項目值
名稱0(0sec Labs)
類型CLI/本機 Web UI/MCP server
GitHub0sec-labs/0
Stars1,323(查核時;repo 建立於 2026-08-19)
語言TypeScript
授權MIT OR Apache-2.0(雙授權,見 repo 的 LICENSE/LICENSE-MIT/NOTICE)
安裝curl -fsSL https://raw.githubusercontent.com/0sec-labs/0/main/install.sh | bash

解決什麼問題

你如果想讓 AI agent 幫忙做資安評估,很快就會發現市面上的工具是按「目標類型」切開的:掃網頁用一套 AI pentest agent,掃程式碼用靜態分析工具,拿到一個二進位檔案要逆向工程又是另一套做法(手動開 Ghidra、angr),每套輸出格式不同,人要自己把發現兜在一起看是不是同一個問題。而且這類自動化掃描最大的問題不是「找不到」,是「報太多假的」——一個宣稱找到漏洞的 agent,報告裡那條「漏洞」有多少機率只是它自己誤判出來的字串,沒人把關就直接進了報告。

0 把這些目標類型收進同一套流程。它本身不是模型,是圍著你自己選的 LLM(文件列出 14 家 provider,也能接 Claude/Codex/Gemini CLI 的訂閱)跑的一個 control plane,走 Plan→Discover→Attack→Triage→Verify→Report 六步:前三步由同一個 research agent 做,先挑可能的漏洞類型、畫出目標的 endpoint、再去測試假設(網頁滲透測試是 shell-first 的做法,agent 直接用 bash 配 curl、python3、sqlmap,不是包成固定的 HTTP 工具集);Triage 把證據不夠完整的候選篩掉;真正的關鍵是 Verify——這一步不是同一個對話接著做,而是開一個全新、不知道前因的 session,給 5 輪機會重新操作一遍,只有真的能重現才留著,官方的說法是「reproduce before trusting」(先重現,才相信)。針對編譯後的二進位檔案,另一個子引擎 0verse 包了 Ghidra、angr、AFL++,本機跑一個 MCP server,開 9 個工具給 agent 做掃描、triage、PoV、產報告。

0 的漏洞調查六步:Verify 另開一個不知道前因的 session
0 的漏洞調查六步:Verify 另開一個不知道前因的 sessionPlan/Discover/Attack 由同一個 research agent 連續做,Triage 篩掉證據不足的候選,Verify 用全新 session 重現候選漏洞,最後才產報告 research agent Plan 挑漏洞類型 Discover 畫出 endpoint Attack 測試假設 Triage 篩掉弱證據 Verify 新 session 重現 Report 多種格式 丟棄 證據不足

適合想在 CI 裡掛 PR 安全審查(官方有代管的 0cloud 版本可以直接連 GitHub repo)、想讓 coding agent 順手做程式碼安全審查、或拿到一個二進位檔案想先讓 agent 跑一輪粗篩再自己細看的場景。

快速上手

安裝

curl -fsSL https://raw.githubusercontent.com/0sec-labs/0/main/install.sh | bash
export PATH="$HOME/.0/bin:$PATH"

# 第一次執行會開本機瀏覽器 console,不需要帳號
0

在瀏覽器的 Connections 裡設定你自己的 model provider(OpenAI、Anthropic、DeepSeek、OpenRouter……)就能開始用。只支援 Apple Silicon macOS 或 x64/ARM64 Linux(文件另外提供 npm、Docker、原始碼安裝方式),不需要 GPU——推論在你設定的 model provider 那邊跑。

基本用法

# 列出內建的工作流程範本
0 workflow list --templates

# 針對一個本機 repo 跑資安研究範本
0 workflow run --template security-research \
  --target /absolute/path/to/repo --workspace /absolute/path/to/repo

# 看目前跑過的所有 run
0 runs list

# 直接用自然語言下指令
0 chat --prompt "掃一下這個 repo 常見的 web 漏洞"

進階用法

# 讓 Claude Code、Codex 這類 coding agent 透過 MCP 連上 0 的工作流程引擎
0 mcp-server --workflows --workspace /absolute/path/to/repo

本機 MCP 需要明確選一個 host-local 的執行設定檔(execution profile);瀏覽器 console 裡的「Connect an external agent」會直接給你要貼的設定提示。

與現有工具的比較

0(0sec Labs)StrixShannonCAI(Alias Robotics)
Stars1,32375,15851,7829,859(已封存)
授權MIT OR Apache-2.0Apache-2.0AGPL-3.0MIT+部分僅限研究
語言TypeScriptPythonTypeScriptPython
介面Web console/CLI/MCPCLI/本機 web viewer/agent skillsCLI/CI actionsCLI/REPL,支援 MCP
涵蓋目標Web/LLM/MCP/原始碼/套件/二進位/核心層程式碼/網頁應用/API網頁應用與 API(需要原始碼)泛用攻防自動化
二進位逆向工程✅ 0verse(Ghidra/angr/AFL++)官方未說明官方未說明官方未說明
狀態Research previewActiveActive2026-08-28 已封存

Strix 跟 Shannon 的 star 數遠高於 0,但目前只有 0 公開說明自己涵蓋二進位逆向工程與 Linux 核心層這塊——這是它跟兩個更熱門同類工具最明顯的差異。

注意事項

  • 效能數字是自己量的,而且官方自己也公開糾正過一次:README 列的 93/95(97.9%)是 XBOW web CTF「任一次嘗試成功就算」的聚合分數,不是公認的 pass@1;官方的 benchmark 文件也寫明這是 2026-05-06 的「某一次 repo 快照」,不是即時更新的排行榜。更值得注意的是官方 2026-05-17 那篇方法論文章自己承認:同一套 104 題的 web benchmark,有一次「冷啟動」(沒預跑過、環境全新)的紀錄只拿到 45/104(43.3%),另外 39 題甚至連環境都沒跑起來(套件來源失效、Java 啟動失敗、port 衝突等基礎設施問題,不是 agent 打不進去),而早期版本的部落格文章曾經在沒講清楚這些條件的狀況下,直接用「103/104」當通用效能宣稱——該篇文章已經把這個講法撤回。這種主動把自己灌水的宣稱攤開來的做法比較少見,但也提醒看任何自動化資安工具的分數時,要先問清楚是哪個環境、哪一次跑、算不算重試。
  • 只限授權目標使用,而且預設的殼就跑在你自己機器上:README 的「Status and safety」段明寫只能用在你有授權評估的系統上,並建議開啟內建的 scope plugin 限制攻擊目標範圍;預設的 shell 執行環境就是你跑 0 的這台機器,官方建議對不信任的目標改用獨立的執行器(isolated executor),不要直接拿你的工作機當測試場。
  • 是研究預覽版,品質跟著你自己接的模型走:0 本身不含模型,效果取決於你接的 LLM 夠不夠強(文件列的高分數都是用 gpt-5.4 跑出來的),而且每次掃描都要付你自己 model provider 的 API 費用,官方記錄的成本是約每解一題 XBOW 挑戰花費 5.2 美元。

今日收穫

多數 AI 資安工具行銷頁面停在「找到了 N 個漏洞」,0 的做法反而是把「找到」跟「可信」拆成兩個不同的步驟——Triage 先篩掉證據不夠的,Verify 再用一個全新、不知道前因的 session 重新操作一次,只有真的能重現才算數。這跟「同一個對話裡自己說服自己找到漏洞」的做法差很多,也是為什麼即使 star 數遠不如 Strix、Shannon 這兩個更熱門的同類工具,0 仍然值得看一眼:它示範了怎麼用架構(獨立驗證 session)而不是更會寫 prompt,去處理 agent 自動化資安掃描最大的信任問題——官方自己在部落格承認過去的分數宣稱沒講清楚條件,也算是對這個信任問題的另一種誠實回應。

參考資料