基于LangGraph的多LLM CTF解题框架，面向Web、Pwn、Reverse、Crypto、Misc等场景，提供双模型协作“结对解题”、MCP工具扩展、Skills、RAG、HITL(Human in the Loop)和实时Web进度查看能力。
支持2个LLM同时并行解题，线程之间可以共享关键发现、同步情报并协作推进；任一线程拿到突破口后，另一线程会在后续轮次中继承这些发现继续深入。
支持OpenAI-compatible、Anthropic-compatible等常见API接入方式，可方便接入GPT、DeepSeek、GLM、MiniMax、Qwen等主流模型；每个LLM都可以单独配置代理。
内置MCP客户端，支持stdio/sse协议；自带IDA与JADX扩展，适合二进制、JAR、APK等题型的辅助分析。
支持从skills目录动态加载Skill，并在解题过程中通过工具按需调用；仓库默认内置pua Skill。
支持人类在解题过程中实时介入，通过Web监控台向指定线程注入提示、经验、修正方向或额外指令。
可选启用本地RAG知识检索能力，为漏洞分析、利用思路和题型知识补充上下文。
运行时默认启动Web监控台，可实时查看轮次进度、对话内容、工具调用、重大发现和最终Flag提交情况。
支持命令行直接传入题面、--quiet无人工交互运行，以及Docker部署方式，便于批量化、自动化或远程运行。
架构总览：
+-------------------------------+ +-------------------------------+ +-------------------------------+
| Thread 1 | | Shared Findings | | Thread 2 |
| | | | | |
| Round 1 | | Key discoveries | | Round 1 |
| - LLM call | write | collected from both threads | write | - LLM call |
| - Dialogue |--------->| |<---------| - Dialogue |
| - tool_call | | Read at the beginning of | | - tool_call |
| - Tool result | | each new round | | - Tool result |
| - Summary / Reflection | | | | - Summary / Reflection |
| | |<---------| Shared context for both |--------->| | |
| v | read | threads | read | v |
| | | | | |
| Round 2 | +-------------------------------+ | Round 2 |
| - LLM call | | - LLM call |
| - Dialogue | | - Dialogue |
| - tool_call | +-------------------------------+ | - tool_call |
| - Tool result |<---------| Human In The Loop (HITL) |--------->| - Tool result |
| - Summary / Reflection | inject | Hint / Guide / Command | inject | - Summary / Reflection |
| | | +-------------------------------+ | | |
| v | | v |
| ... | | ... |
| | | |
| submit_flag (via tool) | | submit_flag (via tool) |
+---------------+---------------+ +---------------+---------------+
| |
| tool_call | tool_call
+------------------------------------------+------------------------------------------+
|
v
+-------------+ +-------------+ +-------------+ +--------------------------------------+
| MCP | | Skills | | RAG | | Local Tools |
| - IDA pro | | - PUA | | - Writeups | | - python_exec / python_pip |
| - Jadx | | - ... | | - Payloads | | - command execution |
| | | | | - ... | | - file read / write / dir listing |
| | | | | | | - HTTP request |
| | | | | | | - ... |
+-------------+ +-------------+ +-------------+ +--------------------------------------+
pip install uvuv synccp .env.example .env
cp mcp.json.example mcp.json.env.example已包含完整注释。下面给一个适合双模型协作的最小示例：
LLM_1_NAME=gpt
LLM_1_API_KEY=your-api-key-here
LLM_1_API_URL=https://api.openai.com/v1
LLM_1_MODEL=gpt-5.4
LLM_1_TIMEOUT=120
LLM_1_API_TYPE=openai
LLM_1_EXTRA={"use_responses_api":true,"use_previous_response_id":false,"reasoning":{"effort":"high","summary":"auto"}}
LLM_2_NAME=deepseek
LLM_2_API_KEY=your-deepseek-api-key-here
LLM_2_API_URL=https://api.deepseek.com
LLM_2_MODEL=deepseek-reasoner
LLM_2_TIMEOUT=120
LLM_2_API_TYPE=deepseek
# LLM_2_PROXY=http://127.0.0.1:7890
DUAL_THREAD_0_LLM=1
DUAL_THREAD_1_LLM=2
MAX_ITERATIONS=200
MAX_ROUNDS=10说明：
LLM_1、LLM_2、LLM_3...的序号可以不连续，程序会按序号从小到大加载。LLM_{n}_PROXY只作用于对应模型；未配置时保持httpx默认代理行为。LLM_{n}_EXTRA必须是JSON对象，可用于透传reason、reasoning、自定义请求头或其他服务商扩展字段。- 如果未指定
SINGLE_THREAD_LLM、DUAL_THREAD_0_LLM、DUAL_THREAD_1_LLM，程序会从已配置模型中随机选择。
如果需要逆向或移动端辅助工具，请按需编辑mcp.json。默认字段和示例请直接查看仓库中的mcp.json.example或mcp.json，这里不再重复粘贴默认值。
--ida不带参数时，对应启用ida_pro_mcp。--jadx不带参数时，对应启用jadx_mcp。--ida ARGS会先在本地启动idalib-mcp服务，再启用idalib_mcp。--jadx TARGET会先执行jadx-gui TARGET，再启用jadx_mcp。
| 变量 | 必填 | 说明 |
|---|---|---|
LLM_{n}_NAME |
是 | 模型名称标识，用于日志和路由显示 |
LLM_{n}_API_KEY |
是 | API密钥 |
LLM_{n}_API_URL |
是 | API基础地址 |
LLM_{n}_MODEL |
是 | 模型名 |
LLM_{n}_TIMEOUT |
否 | 请求超时时间，默认 120 秒 |
LLM_{n}_API_TYPE |
否 | API类型：openai、anthropic、deepseek，默认openai |
LLM_{n}_PROXY |
否 | 当前LLM专用代理地址，例如http://127.0.0.1:7890 |
LLM_{n}_EXTRA |
否 | 额外模型初始化参数，必须是JSON对象 |
LLM_{n}_EXTRA会与代码中的默认参数递归合并，适合补充或覆盖底层客户端参数。
- 仅支持JSON对象。
- 嵌套字段会递归合并，例如
default_headers、model_kwargs、reasoning。 - 某个字段设为
null时，会删除默认值。 - OpenAI-compatible客户端可通过
use_responses_api、use_previous_response_id、reasoning等字段切换Responses API能力。 - Anthropic/DeepSeek/其他兼容服务也可以通过
EXTRA继续透传底层参数。
补充说明：
- 未配置
LLM_{n}_PROXY时，对应LLM会保持httpx默认行为，可继续继承系统HTTP_PROXY/HTTPS_PROXY。 - 使用
deepseek-reasoner一类推理模型时，建议设置LLM_{n}_API_TYPE=deepseek。 - 只支持
/v1/responses的OpenAI-compatible服务，保持API_TYPE=openai，并在EXTRA中启用use_responses_api。
| 变量 | 必填 | 默认值 | 说明 |
|---|---|---|---|
MAX_ITERATIONS |
否 | 120 |
LangGraph图执行步数上限；一次工具调用通常会消耗约2步，建议200-300 |
MAX_ROUNDS |
否 | 10 |
LLM切换轮数上限，建议5-10 |
MCP_CONFIG_FILEPATH |
否 | ./mcp.json |
MCP配置文件路径 |
RAG_DATA_ROOT |
否 | ./rag |
RAG 模块数据根目录，内部约定使用data/、db/、models/三个子目录 |
SINGLE_THREAD_LLM |
否 | 随机 | 单线程模式固定使用的LLM_X序号 |
DUAL_THREAD_0_LLM |
否 | 随机 | 双线程模式下线程1使用的LLM_X序号 |
DUAL_THREAD_1_LLM |
否 | 随机 | 双线程模式下线程2使用的LLM_X序号 |
当启用RAG时，程序会从RAG_DATA_ROOT读取和写入以下目录结构：
data/：--init-rag使用的知识库原始资料目录db/：生成的索引和存储文件目录models/：本地embedding模型目录，默认使用models/all-MiniLM-L6-v2
如果未配置 RAG_DATA_ROOT，默认使用当前项目目录下的 rag/。
推荐直接使用项目脚本入口：
uv run ezctfer如果更习惯模块方式，也可以使用：
uv run python -m ezctfer常用启动方式：
# 标准模式
uv run ezctfer
# 指定配置文件
uv run ezctfer --config .env.ctf
# 直接通过命令行传入题目描述
uv run ezctfer --prompt "分析这个Web题并尝试拿到flag，靶机地址是http://123.45.67.8:8080/"
# CLI无人工交互模式
uv run ezctfer --prompt "分析这个Web题并尝试拿到flag，靶机地址是http://123.45.67.8:8080/" --quiet
# 启用双线程结队模式
uv run ezctfer --dual-thread
# 初始化RAG知识库
uv run ezctfer --init-rag
# 启用RAG
uv run ezctfer --rag
# 启用IDA Pro MCP
uv run ezctfer --ida
# 启用JADX MCP
uv run ezctfer --jadx
# 启动JADX GUI，并把目标文件传给`jadx-gui`
uv run ezctfer --jadx "samples/app.apk"
# 启动idalib MCP，并把目标文件路径附加给idalib-mcp
uv run ezctfer --ida "samples/challenge.exe"
# 可组合使用
uv run ezctfer --rag --dual-thread --quiet --jadx运行期间会默认启动Web监控页面：http://localhost:8000。
| 参数 | 说明 |
|---|---|
-h, --help |
显示帮助信息 |
--config PATH |
指定 .env 配置文件路径 |
--demo |
运行内置演示题目 |
--ida [ARGS] |
不带参数时启用mcp.json中的ida_pro_mcp；带ARGS时改为启动本地idalib-mcp服务，并将ARGS按空格拆分后附加到idalib-mcp命令后面 |
--jadx [TARGET] |
不带参数时启用mcp.json中的jadx_mcp；带TARGET时先执行jadx-gui TARGET，再启用jadx_mcp |
--rag |
启用本地RAG检索工具，并向Agent注入retrieve_knowledge工具 |
--init-rag |
忽略其它参数，仅执行知识库初始化 |
--dual-thread |
启用双线程并行解题，并基于情报共享协同推进 |
--debug |
输出debug级别日志 |
--prompt TEXT |
直接传入题目描述，跳过交互式多行输入 |
--quiet |
找到flag时自动确认；程序结束后等待10秒自动退出 |
--no-writeup |
禁用writeup生成 |
| 工具 | 说明 |
|---|---|
execute_command |
执行系统命令 |
read_file |
读取文件内容 |
write_file |
写入文件 |
list_directory |
列出目录内容 |
http_request |
发送HTTP请求 |
python_exec |
在沙箱Python环境中执行脚本 |
python_pip |
在沙箱Python环境中安装Python包 |
record_finding |
记录重要发现，供后续轮次或线程复用 |
submit_flag |
提交找到的flag |
get_skill |
获取已安装Skill的方法论与内容 |
retrieve_knowledge |
从本地索引检索知识库，仅在启用--rag后可用 |
- PUA Skill来源于开源项目pua。
- 感谢相关项目作者提供的实现思路与基础能力。
- 纵有天枢穷尽万象，仍庆幸生而为人，有爱可寻，有未知可探。
- 本项目仅面向CTF竞赛辅助解题、研究、学习，禁止任何非法用途。
- 如您在使用本项目的过程中存在任何非法行为，您需自行承担相应后果。
- 除非您已充分阅读、完全理解并接受本协议，否则，请您不要使用本项目。
- 因大模型的不确定性，建议在容器或虚拟环境中运行。