ctf-agent_CTF工具介绍

CTF赛场上的AI竞速队来了

多模型并行解题 · Docker隔离沙箱 · BSidesSF 2026 实测52/52全解

—— 深度解析开源项目 ctf-agent

【配图：ctf-agent项目封面图 / CTFd平台 + Solver Swarm架构图】

◆ ◇ ◆

【备选标题组】

▸ 实测52/52全解！这个开源AI Agent拿下BSidesSF 2026 CTF第一名

▸ CTF选手看完沉默：多个AI模型同时攻题，谁先出flag谁赢

▸ 从一个人刷题到AI战队竞速，ctf-agent把CTF自动化又往前推了一步

▸ Claude + Codex 多模型并行，Docker沙箱里自动跑pwn/rev/crypto/web

▸ 不是聊天机器人，是能自动轮询CTFd、开沙箱、交flag的CTF作战系统

◆ ◇ ◆

01 项目介绍

ctf-agent 到底是个什么东西？

ctf-agent 是 Veria Labs 开源的一套自动化 CTF 解题 Agent。它的目标不是陪你聊题，而是直接接入 CTFd 平台，自动发现题目、分配模型、开 Docker 沙箱、跑工具、寻找 flag。

最有意思的地方在于：它不是把一道题丢给一个模型慢慢想，而是让多个模型同时攻同一道题。哪个模型先找到 flag，哪个模型就赢下这一局。

这就像把传统 CTF 里的“一个人盯一道题”改成了“多个 AI 选手同时开打”，再由 Coordinator LLM 统一看战况、读轨迹、给提示、做调度。

【配图：多模型竞速 / Solver Swarm 示意图】

▎核心亮点速览

▸ 多模型竞速：Claude、Codex 等模型可以同时攻击同一道 challenge

▸ 自动开题：通过 CTFd 接入，Poller 每 5 秒发现新题并自动拉起求解任务

▸ Coordinator LLM：读取 solver traces，给出更有针对性的技术指导

▸ 跨模型共享：不同 solver 的发现会通过消息总线同步，避免重复踩坑

▸ Docker隔离沙箱：每个 solver 在独立容器里运行，预装常用 CTF 工具

▸ 人工介入：比赛中可以给正在运行的 solver 发送提示和方向修正

💡 一句话理解

ctf-agent = CTFd自动轮询 + Coordinator调度 + 多模型Solver蜂群 + Docker工具沙箱

不是“AI帮你想想思路”，而是“AI模型组队开容器真跑题”。

02 测试成绩

它到底有多强？实战数据说话

这类工具最怕只讲概念，不讲成绩。ctf-agent 的 README 里直接给了一组非常硬的实战结果：BSidesSF 2026 CTF，全部 52 道题解出，并拿到第一名。

指标	成绩/数值	说明
解题完成度	52/52 (100%)	BSidesSF 2026 CTF 实战，官方 README 标注全部 challenge 解出
比赛排名	1st place	同场比赛第一名，README 标注奖金 $1,500
题目覆盖	6大类	覆盖 pwn / rev / crypto / forensics / web / misc
题目轮询	5秒	Poller 每 5 秒检查 CTFd 平台并拉起新题求解

▎为什么这组成绩有含金量？

CTF自动化工具很多，但真正能在完整比赛里打出成绩的并不多。原因很简单：CTF题目不是固定流程题，很多时候需要不断试错、换方向、验证假设。

ctf-agent 的优势不在于“某一个模型特别聪明”，而在于它把比赛流程做成了并行系统：平台发现新题，Coordinator 判断优先级，Solver Swarm 同时攻击，沙箱负责安全执行，消息总线负责共享突破口。

▸ 第一层：多模型并行，减少单模型卡死在错误方向上的时间

▸ 第二层：独立沙箱，每个 solver 可以放心安装依赖、跑脚本、调试二进制

▸ 第三层：轨迹回读，Coordinator 能根据已有尝试继续给技术指导

▸ 第四层：中途提示，人在比赛中可以把经验和直觉注入正在运行的任务

03 使用场景

它能帮你干什么？

ctf-agent 的核心场景当然是 CTF，但它背后的“目标发现 → 多模型并行 → 沙箱执行 → 结果汇总”模式，也适合很多安全学习和研究流程。

▎🏆 场景一：CTF比赛辅助解题

最直接的用法：把它接到 CTFd，配置 token 和题目目录，让它自动监听 challenge。新题一出现，Solver Swarm 就开始分头攻击。

▸ Web题：请求构造、路径探测、弱点验证、脚本化利用

▸ Pwn题：二进制分析、GDB调试、pwntools脚本迭代

▸ Reverse题：strings/readelf/radare2/反汇编辅助分析

▸ Crypto题：SageMath、z3、RsaCtfTool 等工具协同尝试

▸ Forensics/Stego题：exiftool、volatility3、steghide、zsteg、OCR等组合使用

▎🔬 场景二：赛后复盘与训练

如果你是战队教练或学习者，ctf-agent 的 solver traces 很有价值。它不仅告诉你结果，还会留下尝试路径：哪些方向失败了，哪些线索被发现了，最后是怎么转到正确路径的。

▸ 复盘不同模型在同一道题上的思路差异

▸ 总结常见误判点，反向补充自己的题型知识库

▸ 把高质量轨迹整理成 writeup 或训练材料

▎🛠️ 场景三：CTF工具链沙箱

ctf-agent 的 Docker sandbox 本身就是一套 CTF 工具环境。每个 solver 都能在隔离容器里调用 radare2、GDB、pwntools、SageMath、volatility3、zsteg、ImageMagick、PyTorch 等工具。

这对本地环境洁癖用户非常友好：比赛依赖和脏脚本都放进沙箱，不污染主机。

▎🧠 场景四：AI安全Agent研究

对研究者来说，这个项目最值得看的不是某个提示词，而是它的系统设计：多模型竞速、消息总线、Coordinator反馈、人工中途干预、容器化执行，这些都是安全Agent落地绕不开的工程问题。

04 部署教程

手把手跑起来

项目依赖比较清晰：Python 3.14+、Docker、至少一个模型提供商 API Key，以及 Codex/Claude 相关 CLI。建议先在干净的测试机器或专用 VPS 上跑，不要直接丢到主力机里折腾。

▎环境要求

▸ Python 3.14+ —— 项目运行环境

▸ Docker —— 构建并运行隔离沙箱

▸ uv —— Python依赖同步和命令运行

▸ Anthropic / OpenAI / Google 至少一个 API Key

▸ codex CLI —— 使用 Codex solver/coordinator 时需要

▸ claude CLI / claude-agent-sdk —— 使用 Claude coordinator 时需要

▎第1步：安装依赖并构建沙箱

git clone https://github.com/verialabs/ctf-agent.git
cd ctf-agent

# 安装 Python 依赖
uv sync

# 构建 CTF 沙箱镜像
docker build -f sandbox/Dockerfile.sandbox -t ctf-sandbox .

▎第2步：配置凭据

cp .env.example .env

# 编辑 .env，填入 CTFd 和模型凭据
CTFD_URL=https://ctf.example.com
CTFD_TOKEN=ctfd_your_token
ANTHROPIC_API_KEY=sk-ant-...
OPENAI_API_KEY=sk-...
GEMINI_API_KEY=...

▎第3步：连接 CTFd 开始解题

uv run ctf-solve \
--ctfd-url https://ctf.example.com \
--ctfd-token ctfd_your_token \
--challenges-dir challenges \
--max-challenges 10 \
-v

▎Coordinator 后端选择

默认 Coordinator 使用 Claude SDK，也可以切到 Codex。这个角色负责看全局、读 solver 轨迹、给出下一步建议。

▸ Claude SDK coordinator（默认）：uv run ctf-solve --coordinator claude ...

▸ Codex coordinator：uv run ctf-solve --coordinator codex ...

💡 部署小建议

先用少量题目和较小 max-challenges 测试，确认 CTFd token、Docker、API Key 都正常。

比赛时再放大并发，否则模型费用和容器资源都会涨得很快。

⚠️ 风险警示

跑之前，这几件事必须知道

⚠️ 这是攻击性安全自动化工具

ctf-agent 会驱动模型在沙箱中执行命令、跑脚本、访问目标服务。

只建议用于 CTF、靶场、自有系统或获得明确授权的测试环境。

不要拿它扫描、攻击或尝试利用未经授权的互联网目标。

⚠️ 成本提醒：多模型竞速 = 多份模型消耗

多个 solver 同时跑题很爽，但也意味着多个模型同时消耗额度。

正式比赛前请先小规模试跑，估算 token、时间和容器资源成本。

建议设置 challenge 数量上限，并保留人工观察窗口，避免无人值守烧钱。

⚠️ 沙箱不是万能护身符

Docker 能隔离大部分执行环境，但不要把真实密钥、个人文件和生产网络暴露给比赛题目。

推荐使用一次性虚拟机、专用 VPS 或隔离网络运行。

💬 写在最后

CTF自动化进入“AI战队”时代

ctf-agent 最有意思的地方，是它把 CTF 解题从“单模型问答”推进到了“多模型竞速系统”。

以前我们评估 AI 做 CTF，常常是在问：这个模型能不能想出答案？但 ctf-agent 提出的答案更工程化：让多个模型同时开打，用沙箱保证执行环境，用 Coordinator 观察全局，用消息总线共享线索。

这不是终点，但方向很明确：未来的安全工具会越来越像一支可调度、可观察、可干预的自动化战队。人的价值不会消失，只会从重复试错转向目标判断、策略选择和风险控制。

▎互动提问

看完这篇，聊聊你的看法：

▸ 如果 CTF 比赛允许 AI Agent 辅助，你会愿意让它参与到什么程度？

▸ 多模型竞速解题，最适合 Web、Pwn、Reverse 还是 Crypto？

▸ 你更关心它的解题率，还是更关心可控性、成本和安全隔离？

欢迎在评论区聊聊！觉得有用的话，点赞 + 在看 + 转发三连支持一下～

🔒 关注我，持续分享网安圈硬核干货

项目地址：github.com/verialabs/ctf-agent

资料来源：GitHub README（verialabs/ctf-agent），BSidesSF 2026成绩信息以项目README披露为准。

（内容由AI生成，仅供参考）