Hermes Agent实战：AI漏洞挖掘从搭建到验证

AI Agent 正在从聊天工具演变为可执行任务的智能体，在安全领域，它开始被用于渗透测试和漏洞挖掘。B站 UP 主分享的一套“AI 挖洞流水线”展示了如何用 Hermes Agent 搭建属于自己的渗透测试智能体，从环境配置、模型接入到知识库与工具库武装，最终让 AI 辅助完成漏洞挖掘。本文基于该教程，梳理其中的技术路径与实操要点。

为什么选择 Hermes Agent 做渗透测试

传统网页版 AI 只能提供建议或生成代码，用户仍需自行复制到本地编译运行。而 AI Agent 具备发送网络请求的能力，这是它能自动完成渗透测试的根本原因。写好提示词后，Agent 可以自动执行信息收集、资产测绘等步骤。

选择 Hermes 的关键原因在于它的记忆沉淀机制。据 UP 主介绍，Hermes 会记录用户的语言风格，并在任务未达预期时形成“坑”记录，后续执行相似任务时会参考这些教训，从而越用越像用户。

AI Agent 与普通聊天机器人的核心区别在于「工具调用」能力。聊天机器人只能生成文本，而 Agent 通过函数调用（Function Calling）或 MCP（Model Context Protocol）等机制，可以主动发起 HTTP 请求、执行系统命令、读写文件。在渗透测试场景中，这意味着 Agent 能自行完成端口扫描、目录爆破、指纹识别等操作，而不只是给出命令让用户手动执行。Hermes 这类框架通常还内置了任务规划循环：模型先拆解目标、选择工具、观察结果，再决定下一步，直至任务完成或失败。

六步工作流与新手架构

UP 主将 AI 漏洞挖掘拆解为固定六步：信息收集、资产测绘、AI 辅助分析、手动验证、报告撰写、提交平台。他强调“挖一个都是运气，挖十个是熟练，挖一百个你就是白帽大神”，核心在于复制可重复的流水线，而非重新发明轮子。

针对零基础用户，他推荐采用“接近智能体的架构”——即借鉴前辈经验。新手往往无法给 AI 明确目标，也难以研判漏洞危害，因此先让 AI 基于沉淀的经验稳定输出，再通过真实案例反哺自身能力。该架构由三部分组成：智能体、知识库、工具库。

部署 Hermes：环境准备与模型配置

安装 Hermes 前需要两个环境：Git 和 NodeJS。UP 主提醒，NodeJS 应选择 LTS 长期支持版，避免使用已停止维护的 EOL 版本。Windows 用户根据 CPU 架构选择安装程序，内存不足时可考虑便携版但功能受限。

Hermes 安装通过 PowerShell 命令完成，安装过程约半小时。完成后在终端输入 Hermes Model 进入模型配置页面。UP 主推荐学习用途选择 DeepSeek^广告，在 API 开放平台创建 Key 并配置 Base URL。

配置时需填写上下文长度，UP 主以 DeepSeek 为例填入 100 万 token。保存后输入测试指令验证模型是否正常工作。

对于不习惯终端的用户，Hermes 提供 Web UI 版本，安装后通过 Hermes-web-ui 命令启动，可在可视化界面中完成模型新增、记忆查看和 MCP 插件管理，配置逻辑与终端版一致。

上下文长度（Context Length） 指模型单次请求中能处理的最大 token 数量，涵盖系统提示、历史对话、工具返回结果等。配置时填入过大的值可能导致请求被模型端拒绝或产生额外费用，填入过小则会在多轮工具调用中频繁截断历史。UP 主为 DeepSeek 填入 100 万 token 属于上限声明，实际使用时 Hermes 会根据模型真实支持能力进行截断。建议初次配置时参考模型官方文档标注的最大上下文窗口，避免因配置不符导致 Agent 中途「失忆」。

武装智能体：知识库与工具库

装好智能体只是第一步，它还不是专家。UP 主强调需要接入安全知识库和工具库。知识库的接入只需一条提示词，让 Agent 自动调用 Git 拉取前辈整理好的技能资源到本地，无需手动导入。这些资源包含信息搜集（主动与被动）、命令使用、截取语法等固定模板。

工具库方面，通过 SSH 远程连接 Kali 虚拟机。UP 主建议在物理机上用 VMware 安装 Kali，获取 eth0 网卡的 IP 地址后，将 IP 和开启 SSH 的命令交给 Agent，由 Agent 自动完成连接并固化为技能。这种“任务完成后自动生成技能”的机制，正是 Hermes 被认为越用越像人的原因。

MCP（Model Context Protocol） 是由 Anthropic 提出的开放协议，用于标准化 AI 模型与外部工具、数据源的连接方式。在 Hermes 的 Web UI 中可以看到 MCP 插件管理入口，其作用是让 Agent 以统一接口调用不同工具服务器（如文件系统、数据库、安全工具集），而无需为每个工具单独编写适配代码。对于渗透测试场景，MCP 可以把 nmap、sqlmap 等命令行工具封装为 Agent 可调用的「技能」，从而扩展其执行边界。理解 MCP 有助于读者判断不同 Agent 框架的生态兼容性。

变现路径与理性看待

UP 主提到漏洞挖掘变现主要有两条路：平台证明奖励与厂商积分兑换，以及换取内推和 offer。不过需要指出，该视频内容带有明显的引流属性，包括引导粉丝发送指定口令获取工具包，以及使用“一晚一千”“印钞流水线”等夸大表述。读者应理性看待 AI 挖洞的实际门槛——AI 可以降低重复劳动的负担，但漏洞验证和危害研判仍需人工完成，合规测试也必须在授权范围内进行。

整体来看，这套流程的价值在于展示了 Agent 类工具在安全场景中的工程化思路：用记忆沉淀积累经验，用知识库注入领域知识，用 SSH 扩展执行边界。对于想了解 AI Agent 实际落地方式的技术人员，具有一定的参考意义。