Offensive Security Toolkit

🚀 使用 MCP 和 AI 的未來工作

本項目聚焦於利用 MCP（Model Context Protocol）和 AI 技術，在網絡安全領域開展一系列創新應用，為網絡安全的自動化、智能化發展提供解決方案，提升網絡安全防護和響應能力。

✨ 主要特性

1. 自主紅隊代理
   構建由大語言模型（LLM）驅動的代理，可自主完成偵察、payload 生成、滲透和報告等任務，所有操作均通過 MCP 工具進行編排，實現紅隊攻擊的自動化。
2. AI 驅動的安全運營中心分析師
   整合 Wazuh、Suricata 和 Zeek 日誌，藉助 MCP 讓 Claude 分析事件，檢測橫向移動，並即時推薦應對措施，提高安全運營中心的分析效率和響應速度。
3. 惡意軟件開發工作室（LLM + MCP）
   利用 Claude 和 MCP 自動化生成 shellcode、混淆代碼、沙盒規避策略和 EDR 繞過方法，藉助 Capstone、Donut 和 Sliver 等工具，模擬惡意軟件的開發過程。
4. 威脅狩獵自動化
   開發主動式 AI 工作流，分析日誌、關聯指標，並依據 MCP 資源 和 工具 中的威脅情報 feeds 進行威脅狩獵，提前發現潛在的安全威脅。
5. 基於 MCP 的紫隊模擬器
   結合 MCP 與 ATT&CK 模擬，由 Claude 調控紅藍雙方的技術（如 Atomic Red Team、Caldera、Sigma/YARA 規則生成），模擬真實的網絡攻防場景。
6. CI/CD + DevSecOps 集成
   使用 MCP 審查推送到 GitHub 的代碼，掃描秘密，觸發安全工具（如 Trufflehog、Gitleaks），併發送安全警報或 PR 建議，將安全檢查融入軟件開發流程。
7. 自動事件報告生成器
   Claude 通過 MCP 消費日誌和工具輸出，生成完整的事件報告（包括圖表和緩解措施），支持 Markdown 或 PDF 格式，提高事件報告的生成效率和質量。
8. 網絡安全導師 / 培訓模式
   Claude 解釋每個工具的功能，模擬攻擊並在安全實驗室環境中評估用戶響應，藉助 MCP 模擬工具實現網絡安全培訓和指導。

📦 安裝指南

✅ 安裝 MCP CLI 和 SDK（Python）

pip install modelcontextprotocol

文檔：
🔗 https://modelcontextprotocol.io/quickstart/server
GitHub：
🔗 https://github.com/jlowin/fastmcp

🧠 Claude Desktop 配置（Mac, Linux, Windows）

1. 安裝 Claude for Desktop
   🔗 https://www.anthropic.com/index/claude-desktop
2. 編輯配置文件：

macOS/Linux

nano ~/Library/Application\ Support/Claude/claude_desktop_config.json

Windows

notepad %AppData%\Claude\claude_desktop_config.json

3. 添加您的 MCP 服務器：

{
  "mcpServers": {
    "my-wazuh-agent": {
      "command": "/full/path/to/python",
      "args": [
        "mcp_wazuh_server.py"
      ]
    }
  }
}

4. 重啟 Claude Desktop — 您將看到**連接器圖標 (⚡)用於提示，以及工具圖標 (🛠)**用於工具調用。

🧪 本地測試（Inspector）

運行您的服務器並啟用調試：

npx @modelcontextprotocol/inspector python mcp_wazuh_server.py

這會打開一個本地 UI，您可以在連接到 Claude 前測試 @mcp.tool() 和 @mcp.prompt()。