夜雨聆风GitHub Trending 周榜 · 2026年8月
上周刷 GitHub 的时候发现一个现象：Top 10 里突然涌进来好几个纯安全方向的开源项目，stars 增长速度吓人。以前热榜被 coding agent、3D 重建、私隐聊天软件瓜分，这次安全工具霸榜了——AI 渗透测试、逆向工程、漏洞扫描全部在涨。
一个信号：安全工具的 AI 化进程已经过了尝鲜阶段，开始进入大规模落地期。
今天把最近一周 GitHub 上最值得关注的网络安全工具盘一遍，按功能分三个梯队，附上使用场景和实际价值判断。数据来自 GitHub Trending 周榜，统计截至 2026 年 8 月 8 日。
01
AI 渗透测试——这一届在抢赛道
Strix（49,800 stars）是这个周期最炸的项目。用 Stix 的人把它描述成"多 Agent 协作的自动化渗透测试框架"——侦察、漏洞利用、后渗透、验证，每个阶段都由独立的 AI Agent 负责，最后输出可复现的 PoC 而非静态报告。
它一周涨了超过 10,000 个 stars，单周峰值超过 1,900 个。技术栈是 Python，集成了 Caido 做 HTTP 拦截、Playwright 做浏览器自动化、内置沙箱环境跑 exploit 开发。最核心的变化是：它不再只是"发现漏洞"，而是直接生成可执行的漏洞利用代码。
AI Agent 自主渗透测试工作流示意图
代价是：目前还没有独立的第三方基准测试验证它的漏洞检出准确率。官方文档里写的是"传统渗透测试成本 1 万到 3.5 万美元，Strix 只需要 3 到 20 美元的 API 费用"，但这是第三方估算，未经独立验证。
Shannon（46,500 stars）走的是另一条路。它定位自己为"AI Web 应用渗透测试器"，直接分析源代码、识别攻击向量，在生产环境部署前就把漏洞跑通证明掉。TypeScript 写就，和 Strix 的 Python 路线形成对比——说明这个赛道的参与者背景越来越多元。
两个项目都指向同一个趋势：渗透测试正在从"人拿着工具扫"变成"AI Agent 自主完成任务"。 这对安全工程师来说是效率革命，但对工具链的可靠性提出了全新要求——Agent 写出来的 PoC 准不准、会不会误报、会不会在未经授权的环境下跑，都是还没完全解决的问题。
02
逆向与工程工具——老赛道的新玩法
reverse-skill（20,542 stars）是这个榜单上最特别的工具。它不是一个传统意义上的渗透测试工具，而是一个AI 编码 Agent 的技能路由器——专门给 Claude Code、Cursor、Codex CLI 这类 AI 编程助手用的。
第一次使用时，它会指导 Agent 把自己的路由规则写入全局配置文件（比如 Claude Code 的 ~/.claude/CLAUDE.md），让规则在所有项目里持续生效。内置的场景覆盖 APK 逆向、IDA/radare2 二进制分析、固件提取、EDR 绕过、API 渗透测试、供应链审计，以及超过 40 个子技能的 CTF 编排器。
这个项目引发讨论的核心点在于：它利用了 Agent 技能的权限模型——技能文件可以指示 Agent 修改自身全局配置，而当前主流 Agent 平台对此缺乏技术层面的强制校验。HiddenLayer 的研究报告指出了这个安全隐患：一个恶意技能包可以在用户不知情的情况下重写 Agent 的安全策略。
Snyk 的审计发现 3,984 个 ClawHub 技能里存在 76 个恶意 Payload，Koi Security 发现了 341 个相关问题。安全技能生态的信任问题，正在变成一个新的攻击面。
h4cker（28,800 stars）是另一款老牌项目的持续迭代。它由 Omar Santos 维护，整合了数千个渗透测试、数字取证、DFIR、AI 安全、漏洞研究、逆向工程等资源链接。这个项目更像是"资源目录"而非工具本身，但对刚入门的安全研究者来说，它的聚合价值不可替代。
03
基础设施与检测工具——被忽视的基本盘
除了 AI 渗透测试这个最热赛道，本周还有一些值得关注的工具：
user-scanner（3,100 stars）：一个 2-in-1 的 OSINT 工具，输入一个邮箱或用户名，能从 375+ 扫描向量（150+ 邮箱 / 225+ 用户名）中收集数字足迹。Python 实现，适合安全研究、威胁情报和调查场景。
neBula（1,100 stars）：AI 驱动的渗透测试助手，专注于自动化侦察、笔记记录和漏洞分析，同样是 Python 实现，定位偏向辅助型工具而非全自动化。
Anthropic-Cybersecurity-Skills（27,400 stars）：这是一个容易被忽视的大项目。它提供了 817 个结构化的 AI Agent 安全技能，映射到 MITRE ATT&CK、NIST CSF 2.0、MITRE ATLAS、D3FEND 等多个框架，支持 Claude Code、GitHub Copilot、Codex CLI、Cursor 等 20+ 平台，覆盖 29 个安全领域。虽然不是一个直接运行的工具，但它为 AI Agent 的安全工作提供了系统化的技能库。
这些工具的 star 数不算惊人，但代表了一个更稳定、更长期存在的方向：AI Agent 需要被安全地赋能，而不是被随意接管。
04
这轮趋势的核心变化是什么
盘完这个榜单，几个清晰的变化浮出水面：
第一，AI 渗透测试从概念验证进入工具化阶段。 Strix 和 Shannon 都不是 Demo 级项目，它们有完整的工具链、多 Agent 编排、CI/CD 集成。这意味着接下来半年内，安全团队会把 AI Agent 渗透测试纳入实际工作流，而不是只停留在研究报告里。
第二，Agent 技能生态的安全风险开始被正视。 reverse-skill 的事件和 Snyk 的审计数据，让"Agent 技能供应链攻击"从理论变成了现实威胁。未来 Agent 平台的技能管理、权限隔离、审计追踪，会成为产品竞争的关键维度。
第三，传统安全工具也在加速 AI 化。 Nuclei（22,000+ stars）的 AI 模板生成、Garak（LLM 漏洞扫描）、PyRIT（微软的 AI 红队框架）都在把 AI 能力注入传统安全工具链，而不是完全取代。
对安全从业者来说，现在最需要关注的不只是一个工具的 star 数，而是它解决了什么真实问题、在什么场景下能产生可验证的价值。 AI 渗透测试工具在加速发展，但准确率、误报率、合规边界，这些问题的答案还在路上。
工具的进化永远跑在规范的前面。这既是机会，也是风险。重要的是知道自己在用什么，以及为什么。
数据来源：GitHub Trending（2026-08-01 至 2026-08-08）、neodrop.ai、implicator.ai