Agent 与自动化AI 资源

Nebula：AI 驱动的渗透测试助手，整合侦察、记录与漏洞分析工作流

berylliumsec/nebula · AI-powered penetration testing assistant for automating recon, note-taking, and vulnerability analysis.

GitHub原文发布未知首次收录 2026-09-24上架 2026-09-27 07:03

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

Nebula 是一个面向安全测试场景的桌面工作台，将终端、代码、浏览器、AI 助手、文件、笔记、任务（missions）、发现（findings）与报告整合在一个界面中。AI 可协助调查、整理和撰写内容，而测试范围界定、授权与执行决策由操作者掌控，并提供范围约束、审批暂停、预算限制和隔离 OCI 执行等机制。项目支持托管、本地及 OpenAI 兼容的模型运行时，模型提供商为可选项，不接入模型时人类终端、证据流程、笔记、发现和报告功能仍可使用。仅限在自有或明确授权的系统与网络上使用。

# security # Agent 与自动化 # human-in-the-loop # terminal-based # OpenAI Responses API

核心能力与快速开始

★ 1112 · Python

能做什么: 提供桌面一体化安全工作台：终端、代码编辑、浏览器、AI 助手、文件、笔记、任务、发现与报告。AI 可进行调查、整理与撰写；操作者定义范围、授予权限并决定执行内容。具备范围约束（scope enforcement）、审批暂停、硬性预算限制及隔离 OCI 执行等控制机制。使用内容寻址工件、仅追加事件、执行溯源及带完整性清单的导出来留存审计轨迹。支持托管、本地和 OpenAI 兼容的模型运行时，模型提供商为可选。可导入 Nebula 2 的 engagement 数据，并提供 nebula-core doctor 等本地诊断能力。
适用场景: 适用于获得明确授权的渗透测试与安全评估工作：自动化侦察、测试过程记录、证据留存、漏洞分析、发现整理与报告撰写，并在同一个操作界面中完成从研究到终端执行再到证据归档的完整流程。可用于从 Nebula 2 迁移已有 engagement 数据并核验其证据完整性。不接入模型时也可作为人工主导的安全测试工作台使用。
项目形态: 可直接使用的工具
部署方式: 提供 Linux x86_64 预览版构建（GitHub Releases 的 nebula-v3.* 预发布版本），以及 Nebula APT 软件仓库、手动安装 DEB 和便携 AppImage 三种安装方式；DEB 支持 Debian、Ubuntu、Kali 及兼容系统。macOS、Windows 与 Linux arm64 安装包不包含在当前发布矩阵中。终端与自动化功能需要 Docker 或 Podman。也可从源码运行。当前版本处于 preview 预览阶段。
主要依赖: 从源码运行需 Python 3.11–3.13、Poetry 2.1.3、Node.js 20 与 npm、Rust 稳定工具链及对应操作系统的 Tauri 前置依赖。运行终端与自动化功能需 Docker 或 Podman。首次启动可能需要下载、准备并校验官方 Kali 镜像，耗时取决于网络与容器运行时。模型提供商为可选。未说明硬件与 API 成本信息。
使用限制: 当前仅提供 Linux x86_64 预览版构建，macOS、Windows 和 Linux arm64 安装包不在发布矩阵中；prerelease 通道为预览阶段的刻意选择，官方建议备份 engagement 数据并先查看发布说明与校验和。官方明确提示仅可在自有或明确授权的系统与网络上使用。不得通过 pip install nebula-ai 安装 Nebula 3。材料未说明模型 API 成本、性能上限等其他限制。
许可证: BSD-2-Clause
最近推送: 2026-09-24 06:32

官方入门项目文档核对 README 依据 ↗

资料检查：2026-09-24 07:00 · 卡片整理：2026-09-27 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证 · 本次更新未完成，保留上次成功内容

相似资源

autodev：先对齐目标的 Agent Skill，在受监督的 Worktree 中迭代并交付可验证证据

autodev 是一个 clarify-first（先澄清）的 Agent Skill，面向功能开发、缺陷修复与性能优化三类场景。它要求先与人对齐目标——蓝图、全绿测试组或 benchmark 阈值——并记录基线与边界，然后在独立 git worktree 与分支中迭代：每次尝试都提交，被否决的优化尝试回滚到最佳提交，最后由 Handoff 合并分支并交付可见证据（建成态图、通过的测试组或优化过程图）。它由 Markdown 协议加一个 Python 标准库判断脚本 autodev_verify.py 组成，脚本负责机械可检查的部分（冻结文件未被改动、改动在批准范围内、时间预算、评分方向与余量、越界尝试无残留、蓝图元素覆盖、每轮判定与原始输出留档），其余依赖 Agent 判断与人类一次性评审整个 Clarify 阶段。它不提供运行时或测试框架，只调用目标项目自身的命令。

agent-skills-repository：面向 Claude Code、Claude Desktop 与 Gemini CLI 等 AI Agent 的技能注册与自动化部署仓库

该仓库是一个经过安全审查的 AI Agent 技能注册表，收集并集中管理用于 Claude Code、Claude Desktop、Gemini CLI、Codex 与 OpenCode 的自有及第三方审计技能，并提供自动化部署脚本、安全模板与技能审查工具。仓库按 design、engineering、productivity 等类别组织技能，包含 agent-orchestra 多模型路由、run-large-code-changes 大型代码变更、course-baseline 课程平台构建、vet-skill 技能审计和 command-risk-review 危险命令审查等技能；通过 install.sh 或 scripts/deploy.sh 可将技能部署到本地编码助手环境。

firstmate：用单个主控 Agent 指挥多 Agent 协作完成工程任务

firstmate 是一个「agent distro」（Agent 发行版），以目录形式提供指令、技能、工具、策略与状态约定，把通用终端编码 Agent 变成专门的主控 Agent（first mate）。用户只与一个主控 Agent 对话，由它调度、监督并汇报多个自主工作 Agent：每个任务在独立 git worktree（treehouse 或 Orca 托管）中运行、在可见会话后端（tmux、herdr、zellij、cmux、Orca 终端）中展示，通过零 token 的事件驱动监控在需要时唤醒主 Agent，最终交付 PR、经批准的本地合并或独立的调研报告。支持可选 secondmates（本地或 SSH 可达主机的持久子主控）、项目模式（no-mistakes、direct-PR、local-only 及 +yolo 合并自主标志）、可选的 Relay 以响应 X/Discord 公开提及，状态落盘，会话可随时重启并重新对账。

Dossier：自托管的求职管理应用，依据个人档案生成定制简历与求职信并跟踪申请进度

Dossier 是一个自托管的求职管理应用，使用 TypeScript 和 Next.js 构建、以 PostgreSQL 存储数据。它把职业经历集中在一个档案中，生成基础简历；针对具体职位，读取招聘信息、展示与档案的匹配情况，并用档案中的事实起草定制简历和求职信，用户可在聊天中修改并导出 PDF。它提供求职岗位搜索与评分、创业公司职位聚合、可选的每日求职 Agent、Claude 连接器，以及可选的 Gmail 与 Google Calendar 集成，并能用看板和数据表跟踪从草稿到 offer 的全流程。AI 模型可选用 Ollama 或 LM Studio 提供的本地模型，也可选用任意 OpenAI 兼容 API、Anthropic 或 Mistral 的托管模型。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。