内容
# 格子思维 — MCP原生CTF利用工具包，适用于LLM智能体
格子思维（Lattice Mind）是一个MCP（模型上下文协议）服务器，为LLM（大型语言模型）智能体提供完整的、自动化的漏洞发现和利用流程。智能体不需要运行扫描、管理HTTP会话或手动迭代有效载荷 — 格子思维确定性地处理所有这些任务。智能体的任务是**指导和增强**：提交目标、通过MCP工具监控进度，并在自动化引擎需要更高层次的推理时介入，修改请求、注入会话cookie或回答升级问题。
**自动执行（无需LLM）的内容：**
- 资产分类、网络侦察、技术指纹识别
- YAML树驱动的检测（HTTP探测、信号评估、置信度评分）
- 利用有效载荷排列和旗帜捕获
- 常见漏洞类别的Python决策树回退
**LLM智能体的任务：**
- 通过MCP工具提交挑战并监控运行进度
- 在自动化引擎提出有希望的信号时，修改飞行中的请求（头部、主体、参数）
- 在扫描过程中注入或旋转会话cookie/token
- 选择特定的YAML攻击树进行有针对性的评估
- 在自动化不足时，回答HITL升级问题
每个自动化操作都由规则驱动且可重复；每个LLM干预都通过`run_id`明确跟踪并记录在执行日志中。
## 快速入门
### Docker（本地开发或DigitalOcean部署）
1. 使用所有捆绑工具构建容器镜像：
```powershell
docker compose build lattice-mind-api
```
2. 启动服务（运行API、仪表板和求解器引擎）：
```powershell
docker compose up -d
```
3. 确认服务健康：
```powershell
curl http://localhost:8000/health
```
4. 通过API或仪表板（`http://localhost:8000`）提交挑战，例如：
```http
POST /solve
Content-Type: application/json
{
"name": "银行登录",
"challenge_type": "web",
"url": "http://target.com:8080",
"flag_format": "flag{...}"
}
```
5. 尾随日志以观察进度：
```powershell
docker compose logs -f lattice-mind-api
```
日志显示决策节点、有效载荷、捕获的置信度以及任何标志识别事件。
在部署到DigitalOcean时，构建相同的Docker镜像并将其推送到您的容器注册表；可以在DigitalOcean内部或托管的应用平台中使用docker-compose文件，提供端口8000和`/data`的持久性。
### 本地（源码）
1. 安装依赖：
```powershell
python -m pip install -e .
```
2. 运行API：
```powershell
uvicorn lattice_mind.api.server:app --host 0.0.0.0 --port 8000
```
3. 打开`http://localhost:8000`以与仪表板交互或发出`Lattice-Mind` CLI命令。
## MCP集成（适用于AI工具）
格子思维现在配备了一个stdio MCP服务器，因此任何MCP兼容的AI客户端都可以排队扫描和读取决策树结果。
1. 启动API服务（本地或Docker），并确保在保护API路由时可以访问身份验证令牌。
2. 启动MCP服务器：
```powershell
Lattice-Mind-mcp
```
3. 配置您的MCP客户端以运行该命令并传递环境变量（如果需要）：
- `LATTICE_MIND_API_BASE_URL`（默认为`http://127.0.0.1:8000`）
- `LATTICE_MIND_MCP_TOKEN`（保护API路由的Bearer令牌）
- `LATTICE_MIND_MCP_TIMEOUT`（秒为单位的HTTP超时时间，默认为`30`）
使用Docker Compose时，MCP现在会自动启动与API：
- 默认开发（热重载）：`docker compose up -d`
- 生产配置文件：`docker compose --profile prod up -d`
`lattice-mind-api` / `lattice-mind-dev`容器一起运行两个进程（Web UI/API + MCP），并在容器内将`LATTICE_MIND_API_BASE_URL`预配置为`http://127.0.0.1:8000`。
在Web UI头部，使用**显示令牌**登录后，显示/隐藏`LATTICE_MIND_MCP_TOKEN`的当前JWT。
### 暴露的MCP工具
- `health_check` — 检查API准备情况。
- `submit_scan` — 排队挑战解决运行（`challenge_type`，可选`url`/`file_path`，元数据）。
- `get_run_status` — 检索完整的运行状态、节点时间线、观察结果和标志。
- `list_runs` — 返回最近的运行。
- `list_rules`和`get_rule` — 检查加载的决策树规则。
## 架构
格子思维由以下层组成：
1. **MCP接口** — `mcp/server.py`通过stdio JSON-RPC 2.0公开9种工具（也可在`POST /mcp`上使用）。这是LLM智能体交互的主要接口：提交扫描、轮询进度、检查结果和修改飞行中的请求。
2. **核心编排** — `core/`定义共享数据类型（`ChallengeDescriptor`，`NodeResult`），决策节点基类，漏洞原型的知识库，编排器和标志识别器。
3. **适配器** — 工具适配器（curl，ffuf，nmap等）包装命令行实用程序，以发出规范的JSON，以便决策节点可以推理结构化观察。
4. **决策树** — 分为Python节点（`trees/`）和YAML驱动树（`lattice_mind/trees/yaml/`）。检测和利用路径读取上下文，发出置信度增强，并确定性地分支。
5. **执行引擎** — `lattice_mind/core/executor.py`驱动YAML树，运行HTTP探测，应用利用有效载荷，并在每个响应后检查标志模式。
6. **API + UI** — `lattice_mind/api/server.py`公开REST端点，持久化运行历史（SQLite），并托管用于实时树播放和HITL问题回答的赛博朋克仪表板。
```mermaid
flowchart LR
Agent[LLM 智能体]
MCP[MCP 工具]
Agent -->|"submit_scan / mutate_request"| MCP
MCP --> Solver[MVPSolver]
Solver --> Asset[资产分类]
Asset --> Recon[侦察 & 置信度种子]
Recon --> Detection[YAML 树检测]
Detection --> Exploitation[优先利用路径]
Exploitation --> Flag[标志识别器]
Flag -->|匹配| Halt[返回标志给智能体]
Exploitation -->|无标志| HITL[HITL 升级]
HITL -->|智能体回答| Exploitation
MCP -->|"get_run_status / wait_for_run"| Agent
```
## 文件结构（高级别）
| 路径 | 目的 |
|------|---------|
| `core/` | 共享编排逻辑，标志识别，节点抽象，知识库。 |
| `adapters/` | 工具适配器（curl，ffuf，nmap，gdb包装器）返回结构化字典。 |
| `trees/` | 遗留Python决策树，用于侦察，SQLi，SSTI等。 |
| `lattice_mind/trees/yaml/` | 基于YAML的检测/利用定义（即插即用）。 |
| `api/` | FastAPI服务器，REST端点，仪表板静态资产。 |
| `templates/` | 节点使用的利用辅助模板（ROP链，RSA攻击）。 |
| `config.py` | 全局常量（标志正则表达式，工具路径，功能标志）。 |
| `mvp.py` | 顶级求解器循环，连接资产分类，YAML调度，遗留节点。 |
## 工作原理
1. **智能体提交挑战** — LLM智能体通过MCP调用`submit_scan`，带有`ChallengeDescriptor`（类型，URL/文件，标志格式，元数据）。这会返回一个`run_id`。
2. **自动资产分类** — 引擎在智能体不参与的情况下对挑战进行分类（web/pwn/crypto/forensics）。
3. **自动侦察和置信度种子** — 侦察节点填充上下文（路径，参数，技术栈）。每个YAML树的`applies_when`守卫和`confidence_seeds`被评估，以评分和排名适用树。
4. **自动YAML树调度** — 检测路径运行HTTP探测，具有有效载荷排列，检查响应信号，并发出命名事件以解锁利用路径。所有这些都在智能体不干预的情况下运行。
5. **智能体增强点** — 在运行的任何时候，智能体都可以：
- 调用`set_session_cookies`在扫描过程中注入或旋转身份验证令牌/cookie
- 调用`mutate_request`检查和修改暂停的出站请求，然后再发送
- 通过`submit_scan`中的`selected_tree_ids`选择特定的树
6. **利用优先级** — 利用路径按置信度排序。执行器应用有效载荷，通过`{{ captures.KEY }}`替换捕获值进行多步骤链，并在每个响应后检查标志识别器。
7. **智能体监控进度** — 智能体调用`wait_for_run`或轮询`get_run_status`以接收标志，观察结果和步骤时间线。
8. **HITL升级** — 当自动化不足时，引擎暂停并通过`GET /hitl/pending`提出问题。智能体（或通过仪表板的人类）回答以解除求解器的阻塞。
## 测试
所有Python测试脚本现在都位于`tests/`下。运行测试套件：
```powershell
pytest tests/
```
该目录包含部署、API和利用树验证器，它们在没有外部网络依赖的情况下导入核心模块和适配器。
## AI研究人员提示蓝图
以下提示概述了如何指示AI研究人员发现新的TTP并将其编码为YAML决策树。在您自己的研究笔记中包含这些细节，但**不要**在格子思维中运行提示：
> 您是一名CTF利用研究人员和决策树作者。您的任务是搜索互联网上的现实世界攻击技术、CTF总结和安全TTP，然后将它们编码为可执行的YAML决策树，供`Lattice Mind`框架使用。
>
> 搜索CTF相关的利用技术，涵盖以下类别。对于每种技术，找到真实的总结（HackTheBox，TryHackMe，CTFtime，GitHub），OWASP测试案例，PayloadsAllTheThings条目，HackTricks文档，Exploit-DB条目和PortSwigger实验室。
>
> 优先考虑的利用技术包括SSTI（Jinja2，Twig，Freemarker，Pebble），SSRF，开放重定向，路径遍历，XXE，IDOR，JWT攻击，破坏的访问控制，CSRF，HTTP请求走私，GraphQL注入，反序列化，ret2libc，堆利用，填充预言，弱RNG，RSA小e/维纳攻击，LSB隐写术，元数据提取，binwalk，PCAP分析和逆向工程。
>
> 记录现有的YAML树以避免重复（例如，`web_sqli`，`web_lfi`，`web_cmdi`，`web_xss`）。
>
> 遵循Lattice Mind提供的确切模式：元数据（id，name，category，version，author，description），`applies_when`，`min_confidence`，`stop_on_flag`，`confidence_seeds`，`detection_paths`和`exploitation_paths`，具有有序步骤，有效载荷排列和信号匹配指令。
遵守此蓝图确保社区研究贡献可以立即被引擎消费，转换为yaml文件。
