文章总结： 本文介绍绿盟开发的智能渗透测试Agent框架BreachWeave，采用Manager/Solver/Observer三角色架构，实现并发探索、状态分层、运行态纠偏与MCP工具集成，支持CTF与实战渗透场景，具备上下文压缩、资产管理与报告回放等能力，在腾讯黑客松中连续两次获得第一名，值得安全团队借鉴。 综合评分： 82 文章分类： 渗透测试,红队,安全工具,AI安全,安全开发

腾讯云黑客松智能渗透测试挑战赛优秀Agent推荐：BreachWeave

小猫信安

2026年9月11日 19:49 湖北

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

最近发现了一个吊炸天的agent，由绿盟开发

连续两次腾讯黑客松第一名的成绩，非常值得借鉴。

总体特点

编排（Manager）/执行（Solver）/监督（Observer）”三套角色模型落地到可运行的 agent 平台上，支持并发探索、状态分层、运行态纠偏与工具（MCP）集成。它把测试流程、工具接入和长期可复用记忆做成工程化的能力（pentest 分支还加入了资产管理、自动 Planner、报告提交与攻击回放）

• 确的三角色架构（Manager / Solver / Observer）：把编排、执行、监督解耦为工程化模块，使得并发探索、资源回收、结果沉淀都能以可控方式进行，减少 agent 自主决策带来的“上下文膨胀”与盲目重复尝试。
• 状态分层（Idea vs Memory）：把“方向性想法（Idea）”与“可复用事实/证据（Memory）”分开存储，能让 Planner/Manager 基于高信噪比的记忆做决策，避免对话上下文变得模糊。
• 运行态 Observer + 外置结束条件：通过旁路监督和统一的结束条件避免模型在长流程里提前结束或路径漂移，提升长期任务稳定性。
• 上下文压缩策略与工具代理（pi-mcp-adapter）：用单个代理工具 + 元数据缓存、lazy 启动等策略，把大量工具声明压缩为少量调用，显著降低 prompt token 消耗，同时保留对大量外部工具的访问能力。
• 实战导向的内置技能与字典资源：仓库包含大量渗测相关字典、skill 模板和流程（例如 ffuf/目录字典、AD 渗透参考等），这让自动化 agent 在实战/CTF 中能直接复用大量领域知识。 这些设计在一起，使得系统既能在短时间内高效探索（并行 Solver + 共享 Memory），又能长期保持稳定性与可复现性（Observer、attack-timeline、报告/回放），这就是它在比赛与实战中表现突出的原因。

官方地址

https://github.com/m-sec-org/BreachWeave

官方文档

BreachWeave

BreachWeave 面向智能渗透测试场景的多 Agent 协作架构。

分支导航

• main

  ：面向 CTF 场景的基础版本。

• pentest

  ：面向实际渗透测试项目的增强版本。

pentest 分支新增了本地项目与资产管理、自动 Planner 调度、项目级 Memory/Idea 协作、按资产提交测试报告，以及 Attack Flow 实时回放与统计等能力。

第一次启动

bun run install && bun run web

架构核心

项目整体采用 Manager / Solver / Observer 的多角色架构。

Manager

Manager 负责全局编排。

它的职责不是亲自执行利用链，而是站在 challenge 视角做统一调度：

• 管理题目推进节奏
• 分配和回收 Solver
• 汇总运行状态
• 组织多 Agent 协作

可以把它理解成整套系统的控制平面。

Solver

Solver 是真正执行任务的主体。

它面向具体攻击路线推进实际动作，例如：

• 信息收集
• 漏洞验证
• 利用链推进
• 结果提交

一个题目可以同时存在多个 Solver，并行探索不同方向。

Observer

Observer 不直接代替 Solver 解题，而是作为旁路监督角色持续观察任务执行过程。

它重点解决的是复杂任务里最容易出现的几个问题：

• 执行路径逐渐偏移
• 状态不断累积后变得混杂
• 模型在阶段性停顿时过早结束任务
• 上下文越来越重，影响后续推进

Observer 的作用，是让系统具备持续监督、轻量纠偏和状态维护能力。

系统能力概览围绕上面的架构，项目重点构建了几类能力：

1. 多 Agent 协作系统支持多个 Solver 并发探索不同方向，由 Manager 在全局视角统一调度，避免重复试错，并让有效结果能够继续沉淀和复用。

2. 运行态监督Observer 持续检查最近几轮执行轨迹和反馈，不替代 Solver 做决定，而是在发现明显低效或偏移时进行轻量纠偏。

3. 状态分层维护系统把“方向”和“事实”拆开维护：

• Idea

  关注当前值得继续推进的方向

• Memory

  保留可复用的事实、证据与约束

这样可以避免状态混在一起，导致后续决策越来越模糊。

4. 结束条件外置任务是否结束，不完全交给模型主观判断，而是由系统结合任务状态统一约束，避免复杂任务在中途被过早结束。

5. 上下文压缩与降噪系统不会把原始工具输出和历史会话无限堆进上下文，而是通过改写、压缩、摘要等方式，尽量让后续决策始终建立在高信号、低噪音的信息之上。

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：小猫信安 《腾讯云黑客松智能渗透测试挑战赛优秀Agent推荐：BreachWeave》