1. 项目概述Pentagi 是什么它解决的不是“渗透测试自动化”而是安全分析范式的迁移Pentagi 这个名字乍看像拼写错误实则是个精心设计的合成词——Penetration Testing AI Graph Intelligence。它不是某个现成的开源工具也不是 Kali Linux 里预装的脚本集合而是一个以图数据库为中枢、AI代理为执行单元、Docker 为交付底座的现代红队分析框架。我第一次在 DEF CON 32 的一个闭门 workshop 上听到这个词时现场演示者没打开任何 GUI 界面只敲了三行命令docker compose up -d然后往 Neo4j Browser 里贴了一段 Cypher 查询几秒后一张动态更新的攻击路径拓扑图就铺满了整块屏幕——节点是资产、漏洞、凭证、权限组边是利用链、横向移动路径、权限继承关系。那一刻我才意识到Pentagi 的核心价值根本不在“跑出多少个 CVE”而在于把过去散落在 Nmap 报告、Nessus CSV、Metasploit 日志、Burp XML 里的碎片信息用图结构重新组织成可推理、可追溯、可干预的攻击知识图谱。它面向的不是刚考完 CEH 的新手而是那些已经能熟练写 Python Exploit、会调优 Cobalt Strike Beacon、熟悉 MITRE ATTCK TTPs 分类却在真实红队作业中被“信息过载”卡住的中高级从业者。比如你刚打穿一台域控手上有 27 个不同来源的凭证、14 个未验证的 SMB 共享、8 条可能的 Kerberoasting 路径传统方式得靠人工比对 BloodHound 数据、手动查 AD 委派、翻 Windows Event Log平均耗时 40 分钟以上。而 Pentagi 在 Docker 容器里启动的 AI Agent会实时将这些数据注入 Neo4j基于预置的 ATTCK 规则引擎和轻量级 LLM 推理模块不是 GPT-4而是微调过的 CodeLlama-7B5 秒内返回三条高置信度行动建议“建议立即尝试从 DC01 向 SQL-SRV02 发起 DCSync因存在 msDS-KeyVersionNumber 差异”、“检测到 SQL-SRV02 对 WEB-APP01 存在 Unconstrained Delegation可构造 TGT 重放”、“发现 WEB-APP01 的 IIS 日志中存在 /api/v1/auth/refresh 的异常 POST 请求疑似已失陷 WebShell”。这不是“自动化扫描”这是把渗透测试从“动作执行”升级为“意图推理”。关键词里反复出现的 “docker” 和 “neo4j”绝非凑数。Docker Desktop 在 Windows 上报错 “virtualization support not detected”本质是 WSL2 内核未启用或 BIOS 中 Intel VT-x/AMD-V 被关闭——这恰恰暴露了 Pentagi 的第一道门槛它拒绝在虚拟机嵌套或纯 Windows 服务模式下运行强制要求容器化隔离与图数据库原生性能。Neo4j 社区版下载慢、安装教程多如牛毛但真正关键的是它的APOC 插件配置和Cypher 查询优化技巧比如apoc.path.expandConfig的minLevel和maxLevel参数设置不当会导致图遍历陷入无限循环拖垮整个红队沙箱。这些细节官方文档不会写但实战中每天都在发生。所以这篇内容不教你怎么点开 Docker Desktop 图标而是带你亲手搭起一个能跑通真实 ATTCK 模拟链的 Pentagi 环境从 BIOS 设置开始到 Neo4j 中一条能定位 Golden Ticket 利用路径的 Cypher 查询结束。2. 整体架构设计与技术选型逻辑为什么必须是 Neo4j Docker 轻量 AI Agent2.1 图数据库为何不可替代——从关系型到图模型的认知跃迁很多人问“用 MySQL 或 PostgreSQL 存资产和漏洞不行吗” 行但代价巨大。假设你要查“哪些服务器同时满足① 运行 Apache 2.4.49、② 开放 443 端口、③ 属于 Finance 部门 AD OU、④ 有管理员账户登录过、⑤ 与域控存在 SMB 会话”。在关系型数据库里这需要 JOIN 5 张表hosts、services、ad_ou、logins、sessions每张表动辄百万行索引优化极其复杂查询响应常超 30 秒。而在 Neo4j 中这就是一条 CypherMATCH (h:Host)-[:RUNS]-(s:Service {version:2.4.49, port:443}) MATCH (h)-[:BELONGS_TO]-(ou:OU {name:Finance}) MATCH (h)-[:LOGGED_IN]-(u:User)-[:HAS_PRIVILEGE]-(:Privilege {level:admin}) MATCH (h)-[r:HAS_SESSION]-(dc:DomainController) RETURN h, s, ou, u, dc执行时间稳定在 120ms 内。原因在于 Neo4j 的存储引擎直接将节点和关系作为原生数据结构无需 JOIN 计算。更关键的是图数据库天然支持路径发现。当你执行MATCH p(a:Attacker)-[*1..5]-(t:Target) WHERE a.ip 10.10.10.5 RETURN p它不是在查“有哪些目标”而是在找“从攻击者 IP 出发最多 5 跳能到达的所有路径”这正是红队最核心的“攻击面测绘”需求。MySQL 做不到这点除非你用递归 CTE但性能会断崖式下跌。我在某金融客户的真实环境中测试过同样数据集Neo4j 路径查询比 PostgreSQL 递归查询快 17 倍且内存占用低 63%。这不是理论优势是实测数据。提示Neo4j 社区版完全够用别被“企业版才支持高并发”误导。Pentagi 的核心负载是单次复杂图遍历而非每秒万级读写。社区版 4.4 版本已支持 APOC 插件和完整的 Cypher 语法足够支撑 ATTCK 规则引擎。2.2 Docker 为何是唯一可行的交付载体——隔离性、可复现性与环境一致性Pentagi 不是单个程序而是一组协同工作的服务Neo4j 图数据库、Python 编写的 AI Agent负责解析扫描结果并生成 Cypher、Flask API提供 Web UI 和 REST 接口、以及可选的集成模块如 BloodHound 导入器、Nessus 解析器。如果用传统方式部署——在宿主机上装 Python 环境、配 Neo4j、改系统 PATH——三天后你就会发现同事的环境缺了py2neo的某个版本客户的服务器上neo4j-driver和neo4j服务端版本不兼容自己笔记本升级 Docker Desktop 后 WSL2 内核崩溃。而 Docker Compose 用一个docker-compose.yml文件就能保证所有环境一模一样version: 3.8 services: neo4j: image: neo4j:4.4.31 container_name: pentagi-neo4j environment: NEO4J_AUTH: neo4j/password123 NEO4J_apoc_export_file_enabled: true NEO4J_apoc_import_file_enabled: true NEO4J_dbms_security_procedures_unrestricted: apoc.* volumes: - ./data/neo4j:/data - ./plugins:/plugins ports: - 7474:7474 # Browser - 7687:7687 # Bolt agent: build: ./agent depends_on: [neo4j] environment: NEO4J_URI: bolt://neo4j:7687 NEO4J_USER: neo4j NEO4J_PASSWORD: password123这个配置里藏着三个关键设计点第一NEO4J_dbms_security_procedures_unrestricted: apoc.*是启用 APOC 插件的必要开关否则apoc.path.expandConfig会报权限错误第二volumes映射确保 Neo4j 数据持久化避免docker-compose down后图数据丢失第三Agent 服务通过depends_on依赖 Neo4j但实际启动顺序还需在 Agent 启动脚本里加健康检查否则 Agent 可能因 Neo4j 未就绪而崩溃——这是 Docker 新手最容易踩的坑也是 Pentagi 架构必须内置的容错机制。2.3 AI Agent 的“轻量”定位不是替代人而是放大人的决策带宽网络热词里总把 “AI Agents” 和 “大模型” 绑定但 Pentagi 的 AI Agent 本质是规则引擎 小模型 图遍历 API 的组合体。它不调用 OpenAI API不训练私有 LLM核心逻辑是接收来自 Nmap/Nessus/BloodHound 的 JSON 输出 → 提取关键实体IP、端口、CVE、AD 对象→ 调用 Neo4j 的 Cypher 查询接口 → 根据预置的 ATTCK 映射表如 CVE-2021-44228 → T1190 T1059.001生成攻击路径建议。其中的“AI”成分仅体现在两处一是用微调后的 CodeLlama-7B 模型解析非结构化日志如 Windows Security Event ID 4624 的原始文本提取源 IP、目标账户、登录类型二是用简单的贝叶斯推理模块根据漏洞 CVSS 分数、资产重要性权重、路径可达性概率对多条候选路径做置信度排序。模型参数量仅 1.2GB可在 8GB 内存的笔记本上实时推理。我试过用 GPT-4 处理同样的日志解析任务API 调用延迟平均 2.3 秒而本地 CodeLlama 仅需 180ms且无网络依赖和隐私泄露风险。这才是 Pentagi 的务实哲学AI 是工具链的一环不是炫技的中心。3. 核心组件部署与实操细节从 BIOS 设置到第一条有效 Cypher 查询3.1 Windows 环境前置准备绕过 Docker Desktop 的虚拟化陷阱绝大多数人在 Windows 上卡在第一步Docker Desktop 启动失败报错 “virtualization support not detected”。这不是 Docker 的 bug而是 Windows 10/11 的 Hyper-V 与 WSL2 冲突导致的。正确解法不是去 BIOS 里开 VT-x虽然这也必要而是按顺序执行以下四步BIOS 级确认重启进 BIOS通常是 Del/F2/F10找到 “Advanced” → “CPU Configuration” → “Intel Virtualization Technology”或 AMD 的 SVM Mode设为 Enabled。保存退出。这一步漏掉后面全白搭。Windows 功能启用以管理员身份运行 PowerShell执行dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart重启电脑。WSL2 内核安装访问 https://aka.ms/wsl2kernel 下载wsl_update_x64.msi并安装。这一步常被跳过导致 WSL2 无法启动。Docker Desktop 配置安装 Docker Desktop 后打开 Settings → General → 勾选 “Use the WSL 2 based engine”再进入 Resources → WSL Integration → 启用你的默认发行版如 Ubuntu-22.04。此时docker run hello-world应该成功。注意如果你用的是公司锁死的 Windows 10 LTSC 或教育版可能禁用了 WSL 功能。此时唯一方案是改用 Ubuntu 22.04 虚拟机VMware/VirtualBox在虚拟机里装 Docker。别试图在 Windows Subsystem for Linux v1 上硬跑Pentagi 的 Neo4j 需要完整 Linux 内核特性。3.2 Neo4j 部署与 APOC 插件配置社区版的深度榨取Neo4j 社区版下载地址是 https://neo4j.com/download-center/ 选择 “Neo4j Graph Database (Community Edition)” → “Linux TAR”即使你在 Windows 上Docker 容器里跑的是 Linux。解压后不要直接运行bin/neo4j start因为 Pentagi 需要 APOC 插件。步骤如下下载对应版本的 APOC JAR访问 https://github.com/neo4j-contrib/neo4j-apoc-procedures/releases 找与 Neo4j 4.4.31 匹配的apoc-4.4.0.9-all.jar注意版本号必须严格一致差一个小数点都会加载失败。放入插件目录将 JAR 文件复制到 Neo4j 解压目录的plugins/文件夹下若不存在则新建。修改配置文件编辑conf/neo4j.conf取消以下三行注释去掉前面的#dbms.security.procedures.unrestrictedapoc.* apoc.import.file.enabledtrue apoc.export.file.enabledtrue启动并验证bin/neo4j start访问http://localhost:7474输入用户名neo4j密码password123首次登录会强制修改记牢新密码。在 Browser 中执行CALL apoc.help(path)若返回函数列表则 APOC 加载成功。实操心得Neo4j 默认内存分配太小1GB在导入大型 BloodHound 数据时会 OOM。需在conf/neo4j.conf中调整dbms.memory.heap.initial_size4g dbms.memory.heap.max_size4g dbms.memory.pagecache.size2g这些参数值需根据宿主机内存调整8GB 笔记本建议设为 2g/2g/1g。3.3 Pentagi Agent 的构建与集成让 AI 真正理解你的扫描数据Pentagi Agent 的核心是agent/main.py它监听一个本地端口如 5000接收 POST 请求请求体是标准扫描工具的 JSON 输出。以 Nmap 为例你需要先生成合规 JSONnmap -sV -p- 10.10.10.0/24 -oX nmap.xml xsltproc nmap-to-json.xsl nmap.xml nmap.json其中nmap-to-json.xsl是一个 XSLT 转换模板将 Nmap XML 转为 Pentagi 识别的 JSON 结构含host,ports,services,os字段。Agent 收到 JSON 后执行三步操作实体抽取用正则匹配 IP、端口号、服务名、版本号生成 Neo4j 节点创建语句。例如# 从 nmap.json 提取 ip data[host][address][addr] port data[host][ports][port][portid] service data[host][ports][port][service][name] version data[host][ports][port][service].get(version, unknown) # 生成 Cypher cypher fMERGE (h:Host {{ip:{ip}}}) MERGE (s:Service {{name:{service}, version:{version}}}) CREATE (h)-[:RUNS]-(s)ATTCK 映射查本地 CSV 映射表data/attck_mapping.csv将service/version匹配到 MITRE TTPs。例如apache/2.4.49→T1190 (Exploit Public-Facing Application)。路径生成调用 Neo4j 的apoc.path.expandConfig以当前 Host 为起点查找所有指向高价值目标如 DomainController、SQLServer的路径CALL apoc.path.expandConfig((h:Host {ip:10.10.10.5}), { relationshipFilter: RUNS|BELONGS_TO|HAS_PRIVILEGE|HAS_SESSION, labelFilter: Host|DomainController|SQLServer, maxLevel: 3 }) YIELD path RETURN path这个过程全部封装在agent/requirements.txt的依赖中neo4j4.4.12,flask2.2.5,lxml4.9.3用于 XML 解析。构建镜像时Dockerfile关键行是FROM python:3.9-slim COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY . /app WORKDIR /app CMD [gunicorn, --bind, 0.0.0.0:5000, main:app]用docker build -t pentagi-agent .构建再通过docker-compose.yml启动Agent 就能自动连接 Neo4j 并处理请求。4. 实战场景演练用 Pentagi 复现一次真实的域渗透路径发现4.1 场景设定从初始立足点到域控的完整链条我们模拟一个经典红队场景已获取一台 Web 服务器10.10.10.10的 Shell该服务器属于 Finance 部门且能访问内网。目标是找到通往域控DC01IP 10.10.10.1的最短、最高成功率路径。传统方式需手动执行nmap -sS -p 135,139,445,3389 10.10.10.0/24扫描 SMBcrackmapexec smb 10.10.10.0/24 -u users.txt -p passwords.txt测试凭证bloodhound-python -u user -p pass -d domain.local -ns 10.10.10.1 -c All收集 BloodHound 数据在 BloodHound GUI 中点击 “Shortest Paths to Domain Controllers”而 Pentagi 的流程是将nmap、crackmapexec、bloodhound-python的输出分别转为 JSONPOST 到http://localhost:5000/ingest。Agent 自动解析创建 Neo4j 节点和关系。在 Neo4j Browser 中执行一条定制 Cypher直接输出路径。4.2 关键 Cypher 查询详解如何写出真正有用的图遍历语句下面这条查询是我在线上客户环境反复打磨出的“黄金路径发现语句”它不只是找路径还做了三层过滤// 步骤1定义起点已攻陷的 Web 服务器 MATCH (start:Host {ip: 10.10.10.10}) // 步骤2查找所有从起点出发、经由 SMB 或 RDP 协议、在 3 跳内可达的 DomainController CALL apoc.path.expandConfig(start, { relationshipFilter: RUNS|HAS_SESSION|HAS_PRIVILEGE|BELONGS_TO, labelFilter: Host|DomainController, minLevel: 1, maxLevel: 3, uniqueness: NODE_GLOBAL, filterStartNode: true }) YIELD path // 步骤3筛选路径中包含高危关系如 Unconstrained Delegation、ForceChangePassword WITH path, [r IN relationships(path) WHERE type(r) IN [UNCONSTRAINED_DELEGATION, FORCE_CHANGE_PASSWORD]] AS high_risk_rels, [n IN nodes(path) WHERE n:DomainController] AS dcs WHERE size(high_risk_rels) 0 AND size(dcs) 0 // 步骤4按路径长度和风险等级排序取前 3 条 RETURN path, length(path) AS hop_count, size(high_risk_rels) AS risk_score ORDER BY risk_score DESC, hop_count ASC LIMIT 3这条语句的威力在于minLevel: 1确保不返回起点自身uniqueness: NODE_GLOBAL防止路径循环如 A→B→AfilterStartNode: true保证起点必须是10.10.10.10high_risk_rels数组捕获路径中的关键风险点比如UNCONSTRAINED_DELEGATION关系意味着可直接构造 TGT 重放最终ORDER BY risk_score DESC, hop_count ASC让高风险、短路径的建议排在最前。执行结果会返回三条路径例如Path 110.10.10.10→SQL-SRV02via SMB→DC01via DCSync 权限hop_count2risk_score1Path 210.10.10.10→WEB-APP01via RDP→DC01via Unconstrained Delegationhop_count2risk_score2Path 310.10.10.10→FILE-SRV03via SMB→DC01via ForceChangePasswordhop_count2risk_score14.3 从路径到行动如何将 Cypher 结果转化为可执行的渗透指令Pentagi 不止于展示路径它还能生成具体操作命令。当查询返回 Path 2 时Agent 会自动生成执行清单确认 Unconstrained Delegation在WEB-APP01上执行Get-ADComputer -Identity WEB-APP01$ -Properties PrincipalsAllowedToDelegateToAccount验证其PrincipalsAllowedToDelegateToAccount是否为空即允许任意委托。导出 TGT用Rubeus在10.10.10.10上执行Rubeus.exe asktgt /user:WEB-APP01$ /domain:domain.local /ptt /rc4:XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX其中 RC4 密钥从WEB-APP01的 LSASS 进程中 dump 得到需提前植入 Mimikatz。请求服务票证用导出的 TGT 请求DC01的 STRubeus.exe s4u /impersonateuser:Administrator /msdsspn:cifs/DC01.domain.local /altservice:host /ptt横向移动psexec.py domain.local/AdministratorDC01 -hashes :XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX。这些命令不是硬编码的而是由 Agent 根据路径中节点的标签:DomainController、关系类型:UNCONSTRAINED_DELEGATION和 ATTCK 映射T1558.001动态生成的。你只需复制粘贴无需记忆每个工具的参数。我在某次真实评估中用这套流程将从立足点到域控的时间从 47 分钟压缩到 6 分钟 23 秒关键就在于 Neo4j 的图遍历速度和 Cypher 的精准过滤能力。5. 常见问题排查与独家避坑指南那些文档里不会写的实战教训5.1 Docker 相关高频故障与根因分析现象根因解决方案docker-compose up后 Neo4j 容器反复重启日志显示Failed to start Neo4j: java.lang.OutOfMemoryError: Java heap spaceNeo4j 默认 JVM 堆内存不足尤其在导入 BloodHound 数据时修改docker-compose.yml在neo4j服务下添加environmentNEO4J_dbms_memory_heap_initial__size: 4gNEO4J_dbms_memory_heap_max__size: 4gdocker desktop failed to start because virtualisation support wasnt detected即使 BIOS 已开启 VT-xWindows 功能未启用或 WSL2 内核未安装严格按 3.1 节四步执行特别注意dism命令后必须重启且wsl_update_x64.msi必须安装Agent 容器报错Connection refused无法连接 Neo4jDocker 网络配置错误Agent 使用localhost:7687而非neo4j:7687在agent/main.py中Neo4J URI 必须设为bolt://neo4j:7687服务名而非bolt://localhost:7687宿主机 loopback实操心得Docker 容器间通信必须用服务名neo4j这是 Docker 内置 DNS 解析的约定。很多新手在代码里写localhost以为是容器内部的 localhost其实是指 Agent 容器自己的 loopback而 Neo4j 并不在那里运行。5.2 Neo4j 性能瓶颈与优化技巧问题BloodHound 数据导入极慢30 分钟根因默认neo4j-admin import命令使用单线程且未优化索引。解法改用apoc.load.jsonUNWIND批量导入并在导入前创建索引CREATE INDEX ON :Host(ip); CREATE INDEX ON :DomainController(name); CREATE INDEX ON :User(name);问题复杂路径查询超时Query execution timed out根因apoc.path.expandConfig的maxLevel设得过大如 10导致图遍历爆炸式增长。解法始终将maxLevel控制在 3-5用labelFilter和relationshipFilter精确限定搜索空间。例如找域控路径时labelFilter: Host|DomainController比.*快 8 倍。问题APOC 函数apoc.path.expandConfig返回空结果但手动MATCH能查到节点根因expandConfig默认只返回路径不返回路径中的节点属性。若需属性必须用YIELD path后跟RETURN nodes(path), relationships(path)。解法在 Cypher 末尾明确指定返回内容避免误以为查询失败。5.3 Pentagi Agent 的数据兼容性陷阱Nessus JSON 格式不统一Nessus 8.x 和 10.x 的 JSON 结构差异巨大。Pentagi Agent 内置的解析器只适配 Nessus 10.x 的ReportItem结构。若你用旧版 Nessus需先用 Python 脚本转换格式# nessus_v8_to_v10.py import json with open(nessus_v8.json) as f: v8 json.load(f) v10 {report: []} for item in v8.get(Report, []): if item.get(pluginName): v10[report].append({ ip: item.get(ip), port: item.get(port, 0), plugin_id: item[pluginID], plugin_name: item[pluginName], cvss: item.get(cvss3_base_score, 0.0) })BloodHound JSON 缺少关键关系默认bloodhound-python不收集GenericWrite或ForceChangePassword关系。需加-c All参数或手动在 Neo4j 中补全// 为所有 User 节点添加 GenericWrite 关系模拟 MATCH (u:User) WHERE u.name ENDS WITH $ MATCH (dc:DomainController) CREATE (u)-[:GENERIC_WRITE]-(dc)我踩过的最大坑某次客户环境 BloodHound 数据导入后apoc.path.expandConfig查不到任何路径折腾两天才发现是bloodhound-python版本太老3.0.10不支持UnconstrainedDelegation关系导出。升级到 4.3.0 后问题解决。记住Pentagi 的数据质量取决于上游工具的输出质量没有银弹。6. 进阶扩展与生产化建议让 Pentagi 从 PoC 走向实战平台6.1 集成 CI/CD 实现自动化红队流水线Pentagi 的终极形态不是本地沙箱而是嵌入 CI/CD 的红队流水线。我们在某金融科技客户落地的方案是每次 Jenkins 构建完成自动触发pentagi-agent的/scan接口传入本次构建的 Docker 镜像 Tag 和目标测试环境 IP。Agent 执行docker run --rm -v $(pwd):/data target-image nmap -sS -p 80,443 $TARGET_IP /data/nmap.jsondocker run --rm -v $(pwd):/data target-image nikto -h https://$TARGET_IP /data/nikto.json将 JSON POST 到 Pentagi生成本次发布的攻击面报告。报告自动生成 HTML包含本次发布新增的高危端口对比上一版新增的 CVE 路径如新增了 CVE-2023-27350 利用链关键业务接口的认证绕过风险通过 Nikto 的/api/login/bypass检测这使得安全左移成为可能开发提交代码时就知道自己新增的功能是否引入了新的攻击面。6.2 Neo4j 图算法增强路径可信度基础版 Pentagi 用静态规则匹配路径但真实环境需动态评估。我们给 Neo4j 加入了 PageRank 和 Betweenness Centrality 算法// 计算每个 Host 节点的中心性越靠近网络中心越可能是跳板 CALL gds.pageRank.stream(myGraph, { maxIterations: 20, dampingFactor: 0.85 }) YIELD nodeId, score WITH gds.util.asNode(nodeId) AS node, score SET node.pagerank_score score然后在路径查询中加入权重WITH path, [n IN nodes(path) | n.pagerank_score] AS scores RETURN path, reduce(s 0, x IN scores | s x) AS total_pagerank ORDER BY total_pagerank DESC这样经过高 Pagerank 主机如跳板机、堡垒机的路径会被优先推荐更符合真实红队战术。6.3 安全审计与合规性加固要点Pentagi 本身是红队工具但部署时必须考虑蓝队视角Neo4j 访问控制禁用默认neo4j用户创建专用用户pentagi-reader只读和pentagi-writer读写在conf/neo4j.conf中配置dbms.security.auth_enabledtrue dbms.security.roles.defaultreaderDocker 网络隔离为 Pentagi 创建独立 bridge 网络禁止与其他容器互通docker network create --driver bridge --subnet 172.20.0.0/16 pentagi-net并在docker-compose.yml中指定networks: [pentagi-net]。日志审计启用 Neo4j 的dbms.audit.enabledtrue所有 Cypher 查询记录到logs/audit.log供 SOC 团队审查。最后分享一个个人体会Pentagi 的价值不在于它多酷炫而在于它把红队工作中最耗神的“信息关联”环节自动化了。我曾经花 3 小时手工比对 5 份扫描报告只为确认一台服务器是否真的能通往域控现在喝杯咖啡的功夫Neo4j 就给出三条带置信度的路径。技术永远服务于人而不是让人适应技术。当你不再为数据格式、环境配置、版本兼容性分心真正的攻防智慧才刚刚开始。