使用说明

A2A漏洞扫描器——基于AI的安全分析

一个多代理人工智能系统，扫描网站的安全漏洞。它使用 A2A（代理对代理）协议 用于编排和 MCP（模型上下文协议） 用于工具集成。专业代理协同工作：他们收集威胁情报，抓取网站，分析漏洞，并生成报告。

概述

多代理设置：在运行时发现5个AI代理（编排器、web_search、web_scanner、漏洞分析器、报告生成器）。
精心编排的工作流程：Orchestrator运行管道，并通过以下方式按顺序调用其他代理 A2A.
工具：代理，如 网络搜索 使用 主控程序 用于威胁情报的服务器（例如DuckDuckGo、CVE搜索）。
API：8000端口上的FastAPI网关；扫描和报告端点。
前端：Next.js应用程序，带有扫描表单、实时状态、结果和PDF导出。

技术栈

后端： Python 3.11、FastAPI、Uvicorn。
代理层： A2A（代理对代理）协议 用于代理间通信； MCP（模型上下文协议） 以及用于工具服务器的FastMCP；用于编排的LangChain/LangGraph。
前端： Next.js、TypeScript、顺风CSS。

协议和标准（A2A、MCP）

该项目建立在 A2A 和 主控程序:

A2A（代理人对代理人） --编排器和所有代理使用A2A协议通过HTTP进行通信。每个代理都公开端点（例如。 /execute, /search, /scan, /analyze, /generate)；编排器在运行时发现代理，并按顺序调用它们以运行扫描管道。这使代理保持解耦和可重用。
MCP（模型上下文协议） --需要外部工具（如网络搜索、CVE查找）的代理连接到 MCP服务器The 网络搜索 代理使用MCP调用DuckDuckGo等工具进行HTML搜索；MCP客户端动态加载工具并且AI决定何时以及如何使用它们。该项目包括 mcp_servers 模块和MCP客户端管理。
快速MCP --此代码库中的MCP服务器在适用的情况下使用FastMCP实现。

建筑

特工们互相交谈 A2A 网络搜索 代理使用 主控程序 访问外部工具。

                    API Gateway (port 8000)
                    /api/scan, /api/scan/{id}
                              │
                              ▼
                    Orchestrator (8001)
                    Runs the 4-step pipeline
                              │
        ┌─────────────────────┼─────────────────────┐
        ▼                     ▼                     ▼
  Web Search (8005)    Web Scanner (8002)   Vulnerability Analyzer (8003)
  Threat intel, CVE     Crawl, subdomains    Headers, SSL, XSS, SQLi, etc.
        │                     │                     │
        └─────────────────────┼─────────────────────┘
                              ▼
                    Report Generator (8004)
                    Summary, findings, PDF-ready report

API网关（8000）： 接受 POST /api/scan 和 GET /api/scan/{scan_id}.
编曲师（8001）： 通过以下方式协调四个步骤 A2A；发现并调用每个代理的HTTP端点。
网络搜索（8005）： 用途 主控程序 连接到工具服务器（例如DuckDuckGo HTML搜索、CVE搜索）以获取威胁/CVE上下文。
网络扫描仪（8002）： 获取目标页面和链接页面，可选子域发现。
漏洞分析器（8003）： 安全标头、SSL、表单、XSS、SQLi、过时的技术。
报告生成器（8004）： 执行摘要、调查结果、建议、PDF结构。

扫描管道

当您开始扫描时，编排器按顺序运行四个步骤：

网络搜索 --收集有关目标/技术的公共信息和CVE。
Web扫描仪 --抓取目标URL并发现页面（以及可选的子域）。
漏洞分析器 --评估标头、SSL、表单、XSS、SQLi和技术栈。
报告生成器 --构建执行摘要、详细调查结果和建议。

前端民意调查 GET /api/scan/{scan_id} 直到 status 是 completed 或 failed，然后显示结果。

用户界面

UI是一个包含以下部分的单页应用程序（这里没有逻辑，只有结构）：

头球
- 应用程序名称（例如“SecureScan AI”）、简短标语、小型“安全”和“深度扫描”徽章。
信息横幅
- “仅用于教育目的”，并注明只扫描您允许测试的目标。
扫描表单（开始新扫描）
- 目标网址 --文本输入，例如。 https://example.com.
- 扫描深度 --滑块（例如1-5）；低=更快，高=更彻底。
- 包括子域发现 --复选框。
- 启动安全扫描 --提交；运行时显示“正在扫描…”。
结果（扫描开始后）
- 正在进行中：
  - Spinner，“正在扫描”，当前 status，短信，如“正在分析网站…”、“正在检查安全性…”和“正在生成报告…”。
- 失败：
  - 错误图标和消息。
- 完整的：
  - 成功标头 --目标URL。
  - 漏洞摘要 --按严重程度计数（例如严重、高、中、低、信息）。
  - 执行摘要 --文本块。
  - 漏洞列表 --每个都有标题、严重程度、描述、受影响的URL、证据、补救措施、CWE（如果存在）。
  - 建议 --编号列表。
  - 导出PDF --下载报告PDF的按钮（从相同的结果数据在客户端生成）。
空状态
- 未启动扫描时显示：“准备扫描”和简短说明。
页脚
- 版权、“仅供教育使用”以及隐私、条款、文档的占位符。

先决条件

码头工人 和 Docker Compose （针对AI服务）。
Node.js 18+及 npm （对于前端，如果您在本地运行它）。
API密钥
- OPENAI_API_KEY （LLM电话需要）。
- OPENAI_BASE_URL （可选；默认 https://api.openai.com/v1；可以指向Azure/其他）。
- GOOGLE_API_KEY （可选；对于某些代理/工具）。

如何跑步

1.人工智能服务（后端+代理）

从项目根：

cd ai-service

根据示例创建env：

cp .env.example .env

编辑 .env 并且至少设置：

OPENAI_API_KEY=your_key
OPENAI_BASE_URL （如果使用自定义端点）
GOOGLE_API_KEY （可选）

启动堆栈：

docker compose up

API http://localhost:8000
文件： http://localhost:8000/docs

您可能会看到：
the attribute version is obsolete
--那是从 version 领域 docker-compose.yml忽略或删除是安全的 version 以清除警告。

2.前端（可选，用于UI）

在另一个终端中，从项目根目录开始：

cd frontend

创建env（这样应用程序就知道API在哪里）：

cp .env.example .env.local

确保 .env.local 有：

NEXT_PUBLIC_API_URL=http://localhost:8000

安装并运行：

npm install
npm run dev

打开 http://localhost:3000Next.js应用程序重写 /api/* 到 http://localhost:8000/api/*，因此“启动安全扫描”将调用AI服务。

3.运行顺序

首先启动AI服务： cd ai-service && docker compose up
代理启动后，启动前端： cd frontend && npm run dev
使用UI http://localhost:3000 或者直接调用API。

示例执行

当AI服务启动时，它会加载代理并注册它们：

INFO: Starting Vulnerability Scanner Backend
INFO: Loading and starting agents...
INFO: Discovered 5 agents: ['orchestrator', 'report_generator', 'vulnerability_analyzer', 'web_scanner', 'web_search']
INFO: → orchestrator will run at: http://0.0.0.0:8001
INFO: → report_generator will run at: http://0.0.0.0:8004
INFO: → vulnerability_analyzer will run at: http://0.0.0.0:8003
INFO: → web_scanner will run at: http://0.0.0.0:8002
INFO: → web_search will run at: http://0.0.0.0:8005
INFO: ✓ Started 5/5 agents
INFO: Application started successfully

当扫描开始时（例如从UI）：

INFO: Started scan <scan_id> for https://www.example.com
INFO: Starting dynamic scan ... for https://www.example.com
INFO: Step 1: Web Search Intelligence
INFO: Calling web_search at http://localhost:8005/search
...
INFO: Search agent completed for https://www.example.com
INFO: Step 2: Web Scanner
INFO: Calling web_scanner at http://localhost:8002/scan
...
INFO: Web scanner completed for https://www.example.com: 50 pages discovered
INFO: Step 3: Vulnerability Analyzer
INFO: Calling vulnerability_analyzer at http://localhost:8003/analyze
...
INFO: Vulnerability analysis completed: 8 vulnerabilities found
INFO: Step 4: Report Generator
INFO: Calling report_generator at http://localhost:8004/generate
...
INFO: Report generation completed for scan <scan_id>
INFO: Scan <scan_id> completed successfully

API返回关于 GET /api/scan/{scan_id} 当 status 是 completed.

配置

人工智能服务(`.env` 在 `ai-service/`)

变量	必填	描述
`OPENAI_API_KEY`	是	OpenAI（或兼容）API密钥
`OPENAI_BASE_URL`	否	聊天API的基本URL（默认值： `https://api.openai.com/v1`)
`GOOGLE_API_KEY`	否	适用于使用Google API的代理
`LOG_DIR`	否	日志目录（默认： `logs`)
`API_GATEWAY_HOST`	否	绑定主机（默认值： `0.0.0.0`)
`API_GATEWAY_PORT`	没有	API端口（默认值： `8000`)

前端(`.env.local` 在 `frontend/`)

变量	描述
`NEXT_PUBLIC_API_URL`	后端基本URL，例如。 `http://localhost:8000`

项目结构

Vulnerability Scanner/
├── ai-service/
│   ├── agents/              # A2A agents (orchestrator, web_search, web_scanner, etc.)
│   │   ├── orchestrator/    # Runs the 4-step pipeline via A2A
│   │   ├── web_search/      # Threat intel via MCP (DuckDuckGo, CVE, etc.)
│   │   ├── web_scanner/     # Crawling, subdomains
│   │   ├── vulnerability_analyzer/
│   │   └── report_generator/
│   ├── mcp_servers/         # MCP client manager, tool servers (FastMCP)
│   ├── api/                 # FastAPI app, /api/scan routes
│   ├── shared_utils/        # Base agents, models, tools
│   ├── main.py              # Uvicorn app entry
│   ├── docker-compose.yml
│   ├── Dockerfile
│   └── .env.example
├── frontend/
│   ├── app/                 # Next.js pages (page.tsx, layout, globals.css)
│   ├── components/          # ScanForm, ResultsDisplay, PDFExport
│   ├── next.config.ts       # /api/* → backend
│   └── .env.example
└── README.md

MCP服务器

MCP配置已在 ai-service/mcp_servers/servers.json

自定义MCP服务器添加：

示例：天气MCP：

{
  "Weather": {
    "command": "python",
    "args": ["-m", "a2a_server.mcp.servers.weather"],
    "transport": "stdio"
  },
  "Weather (UV)": {
    "command": "uv",
    "args": ["run", "python", "-m", "a2a_server.mcp.servers.weather"],
    "transport": "stdio"
  }
}

外部MCP服务器：

示例DuckDuckGo（MCP）：

这 网络搜索 代理使用DuckDuckGo MCP服务器进行威胁和CVE搜索：

"ddg-search": {
  "command": "uvx",
  "args": ["duckduckgo-mcp-server"],
  "transport": "stdio"
}

运行时间： uvx duckduckgo-mcp-server --要求 uv 在环境中（Docker镜像安装它）。 uvx 获取并运行 duckduckgo-mcp-server 首次使用时包装。
没有API密钥 --使用DuckDuckGo HTML搜索；没有密钥或环境变量。
自定义： 要更改命令或参数，请编辑 mcp_servers/servers.jsonThe web_search 代理加载 ddg-search 该文件中的条目。

许可证

这个项目是为了 仅限教育和授权测试。仅扫描您拥有或有权测试的系统。

请参阅 LICENSE 条款文件。该项目的部分内容可能使用Apache License 2.0和其他开源许可证（如A2A、LangGraph、MCP、FastMCP）下的代码。

使用说明

A2A漏洞扫描器——基于AI的安全分析

目录

概述

协议和标准（A2A、MCP）

建筑

扫描管道

用户界面

先决条件

如何跑步

1.人工智能服务（后端+代理）

2.前端（可选，用于UI）

3.运行顺序

示例执行

配置

人工智能服务(.env 在 ai-service/)

前端(.env.local 在 frontend/)

项目结构

MCP服务器

自定义MCP服务器添加：

外部MCP服务器：

许可证

相关 MCP

网页抓取与搜索MCP服务器

JADX APK逆向分析MCP插件

用户名搜索MCP服务器

Jupyter笔记本MCP服务器

Claude Code开发工具包

区块链交互服务器

人工智能服务(`.env` 在 `ai-service/`)

前端(`.env.local` 在 `frontend/`)