来源：GitHub (★872)
URL: https://github.com/M507/RamiGPT
精读日期：2026-08-10
模型：DeepSeek V4 Flash（AI 生成，人工未审校）
正文获取：全文

一、核心论点/事实

  • RamiGPT 是一个 AI 驱动的攻击性安全（Offensive Security）智能体，目标是通过 LLM 能力自动完成 Linux 系统上的权限提升（Privilege Escalation），最终获取 root 权限。
  • 项目基于 Vulnhub 和自定义构建的测试用例，对多种 LLM 模型进行自动化渗透测试，并记录成功率与 token 消耗。
  • 项目已运行 223 次（223 run(s)），并持续更新基准测试结果（最后更新于 2026-08-09）。
  • 核心评测指标为 "root 成功率"：在可计分尝试中，模型成功提权至 root 的百分比。
  • 项目同时关注 token 效率，列出了 "最低平均 token 到 root" 的模型排名，用于评估成本效益。
  • 评测覆盖了超过 20 个模型，包括 OpenAI GPT-5.5/5.2、Anthropic Claude Sonnet/Opus/Haiku、DeepSeek V4/V3.2、Qwen3、Kimi、MiniMax、Llama 4、Phi-4、Gemma 4 等，均通过 OpenRouter 或 OpenWebUI 接入。

二、方法/架构拆解

  • 任务设定：以 "pwn root" 为最终目标，智能体需在给定的靶机环境中自主探索、执行命令、分析输出，并逐步提升系统权限。
  • 测试环境：使用 Vulnhub 的多个渗透测试靶机（如典型 Boot2Root 系列）以及项目自定义构建的提权场景，覆盖常见 Linux 提权漏洞（如 SUID 配置错误、内核漏洞、弱密码、服务配置缺陷等）。
  • 智能体架构：采用 ReAct（Reasoning + Acting）模式，LLM 作为决策核心，循环执行 "思考 -> 行动（执行 shell 命令）-> 观察结果" 的流程，直至获取 root 权限或达到尝试上限。
  • 评测协议：
  • 每个模型在相同靶机集合上运行多次（共 223 次运行），计算成功率。
  • 记录每次尝试的 token 消耗，计算 "平均 token 到 root"，用于衡量效率。
  • 所有模型通过统一 API 接口（OpenRouter/OpenWebUI）接入，保证公平性。
  • 关键实现要点：
  • 智能体具备命令执行沙箱，可安全地在隔离环境中运行攻击命令。
  • 支持多轮交互，LLM 可基于命令输出动态调整攻击策略。
  • 结果自动归档，生成可复现的基准报告。

三、值得注意的局限/争议

作者承认的局限：

  • 项目仍处于持续迭代中（223 次运行），基准数据会随模型版本更新而变化，非静态结论。
  • 测试环境主要基于 Vulnhub 和自定义场景，覆盖范围有限，不代表真实世界渗透测试的复杂性。

AI 判断的局限/争议：

  • 评测公平性存疑：不同模型通过不同 API 服务商（OpenRouter vs OpenWebUI）接入，可能存在工具调用能力、上下文窗口、系统提示词处理上的差异，影响结果可比性。
  • 成功率指标单一：仅以 "是否拿到 root" 为成功标准，忽略了部分提权路径的中间进展（如获取低权限 shell、发现漏洞但未利用成功），可能低估模型的部分能力。
  • token 效率与成功率未加权综合：榜单分别列出成功率和 token 效率，但未给出综合评分，难以判断 "高成功率但高 token" 与 "低成功率但低 token" 模型的优劣。
  • 安全风险：该项目本质是自动化攻击工具，若被恶意使用可能降低渗透测试门槛，存在双重用途（dual-use）争议。
  • 模型版本时效性：榜单中部分模型（如 GPT-5.5、Claude Sonnet 5）为虚构或未来版本，实际评测时可能无法复现，需注意数据真实性。

四、与 RRLab 研究的关联

  • 模型评测（Model Evaluation）：RamiGPT 提供了一个极佳的 LLM 能力评测范式——以真实任务（提权）为基准，而非传统 QA/代码生成。RRLab 可借鉴其 "任务驱动 + 成功率 + token 成本" 的双维评测框架，用于评估模型在复杂多步推理和工具调用场景下的表现。
  • Agent 落地（Agent Deployment）：其 ReAct 循环 + 命令执行沙箱的架构，是典型的自主 Agent 落地案例。RRLab 在构建多模型协同 Agent 时，可参考其任务分解、环境隔离、结果自动归档的设计模式。
  • Harness 工程（Harness Engineering）：项目通过统一 API 接入多家模型，并自动化运行 223 次实验，体现了高鲁棒性的 Harness 设计。RRLab 可借鉴其批量调度、失败重试、指标自动采集的工程实现。
  • 多模型协同（Multi-Model Collaboration）：榜单对比了 20+ 模型，RRLab 可基于此类基准数据，研究不同模型在安全任务中的互补性（如高成功率模型 + 高 token 效率模型协同），探索路由或集成策略。
  • AI 原生产品（AI-Native Product）：RamiGPT 展示了 AI 原生安全产品的雏形——将 LLM 与渗透测试工具链深度整合。RRLab 若涉足安全领域，可参考其产品形态，但需注意合规与伦理边界。

本笔记由 DeepSeek V4 Flash 自动生成，未经人工审校。原文链接：https://github.com/M507/RamiGPT