♧ Godown 安全知识树

FastMCP 多工具统一调度 MCP Server:LLM 经 streamable-http 以自然语言驱动异步信息收集与漏洞探测

pentest/recon · verified

一句话结论

用 FastMCP 把 Subfinder、Nmap、Katana、Nuclei、ffuf、httpx、xray、alterx 等 CLI 工具统一封装成 MCP tools(每个工具一个 @mcp.tool 函数 + ToolManager 管理类 + 异步任务),以 streamable-http 在 0.0.0.0:8009/mcp 暴露;Cherry Studio 作为 MCP Host 配置本地 Ollama 模型,用户用自然语言提出目标,LLM 按工具描述选择并调用,Server 用 task_id 异步执行扫描并回传结构化 JSON,实现「一句自然语言 → 子域名收集 / 端口扫描 / 目录枚举 / 模板化漏洞探测」的自动化信息收集链。

原理

  • MCP 采用 Host / Client / Server 三层:Host 与 LLM 交互并解析工具调用意图,Client 负责 JSON-RPC 会话,Server 声明并提供确定性的 tools。Server 把每个 tool 的 name/description/参数 schema 暴露给 Host,Host 拼进 system prompt,LLM 据此按用户自然语言选择工具并生成结构化参数。
  • 用 FastMCP 时每个 CLI 工具被包成一个 @mcp.tool 异步函数(如 run_alterx(target, options, async_mode)、run_nmap、run_ffuf),函数体通过 ToolManager 把 target/options 路由到配置文件 TOOL_PATHS 中登记的可执行文件路径。工具描述里的 Args 说明(扫描目标、扫描选项、是否异步)直接决定 LLM 能否正确填参。
  • 扫描类工具耗时长,同步调用会阻塞 MCP 请求直至超时,因此用 start_scan(target, tools, options, async_mode=True) 立即返回 task_id,由 get_scan_status / stop_scan 轮询与终止;run_* 单工具函数则保留同步/异步两种模式。
  • streamable-http 传输让 MCP Server 以 HTTP 服务(Uvicorn)独立运行,Host 只需配置 URL(如 http://0.0.0.0:8009/mcp),比本地 Stdio 进程更易部署、可远程接入;本地 Ollama(http://localhost:11434)提供模型,避免目标数据外发到云厂商。
  • 这套「LLM 只做意图理解与参数生成、Server 做确定性执行」的分工,是把传统手动串联的 CLI 工具链变成可组合、可复用的自动化流水线;其能力上限取决于被封装工具,LLM 不直接执行命令。

触发条件

  • 本地可运行 Ollama 且模型支持 tool calling(文中用 llama3.1:8b;推理模型 deepseek-r1:8b 在单纯工具调用上表现差)。
  • Windows/主机上已备齐各 CLI 可执行文件,并在 TOOL_PATHS 中登记正确路径(如 nmap、subfinder、nuclei、katana、ffuf、httpx、xray、alterx)。
  • MCP Server 以 streamable-http 监听可达地址与端口(配置含 MCP_HOST/MCP_PORT/MCP_TIMEOUT/MCP_MAX_CONNECTIONS)。
  • MCP Client(Cherry Studio)已配置模型服务地址与 MCP Server URL、并启用对应工具列表。
  • 仅用于授权测试目标;LLM 输出的参数需落在工具可接受的选项字典内。

利用步骤

  1. 部署 Ollama:ollama serve 后 ollama pull llama3.1:8b(可再拉 deepseek-r1:8b 做对比),ollama list 确认。
  2. 编写配置:MCP_CONFIG(host/port/超时/最大连接)、TOOL_PATHS(各工具 exe 路径)、OLLAMA_CONFIG(base_url、model、temperature、max_tokens)。
  3. 实现 ToolManager 与 BaseTool 子类:映射 tool_classes,initialize() 异步初始化每个工具并检查路径可用。
  4. 用 FastMCP 注册工具:run_alterx / run_ffuf / run_httpx / run_katana / run_nuclei / run_xray / run_nmap / run_subfinder,以及 start_scan / get_scan_status / stop_scan / list_tools / initialize。
  5. python main.py 启动,日志显示 Security Scanner 以 streamable-http 运行在 /mcp。
  6. 在 Cherry Studio 配置 Ollama 模型服务(http://localhost:11434)与「流式传输的HTTP」MCP Server(URL http://0.0.0.0:8009/mcp),启用全部工具。
  7. 用自然语言下发任务,如「使用 subfinder 对 vulnweb.com 进行子域名信息收集」「使用 run_nmap 对 127.0.0.1 进行端口扫描」;LLM 选择工具并返回 JSON 结果(子域名列表、开放端口与服务)。
  8. 用 start_scan 组合多个工具形成全自动化链路,按 task_id 取回聚合结果。

PoC(最小化)

# config.py
MCP_CONFIG = {"host": "0.0.0.0", "port": 8009, "timeout": 300, "max_connections": 100}
TOOL_PATHS = {"subfinder": ".../subfinder.exe", "nmap": ".../nmap.exe", "nuclei": ".../nuclei.exe"}
OLLAMA_CONFIG = {"base_url": "http://localhost:11434", "model": "llama3.1:8b"}

# server.py(FastMCP)
@mcp.tool
async def start_scan(target: str, tools: list[str], options: dict | None = None,
                     async_mode: bool = True) -> dict:
    return {"task_id": tool_manager.start_scan({"target": target, "tools": tools, **(options or {})})}
# Cherry Studio MCP 配置
类型: 流式传输的HTTP (streamableHttp)
URL:  http://0.0.0.0:8009/mcp
用户: 使用subfinder对vulnweb.com进行子域名信息收集
结果: {"tool":"subfinder","target":"https://vulnweb.com","domains":[...],"total":20}

原文给出上述配置文件、ToolManager / @self.mcp.tool / start_scan 代码截图与 python main.py 启动日志、子域名与 nmap 结果 JSON;未提供完整可编译源码与 Nuclei 实际扫描结果,PoC 为最小示意。

变体与关联

  • 单工具封装:pentest-recon-mcp-fofa-tool-llm-natural-language(FOFA 资产查询)、pentest-c2-metasploit-msgrpc-mcp-llm-console-session(MSF 会话编排)属同一「MCP 封装安全工具 + LLM 驱动」范式;本卡是多工具统一中台 + 异步任务 + streamable-http 的变体。
  • 模型差异:普通 chat 模型(llama3.1:8b)能按描述生成正确工具参数;推理模型(deepseek-r1:8b)思考耗时长,且可能不实际调用工具而只给出「模拟输出/示例子域名」,不适合单纯 tool calling,宜用于自我反思的双模型架构。
  • 传输可选 stdio、SSE、streamable-http;Host 可选 Cherry Studio、Claude Desktop、Cursor 等;模型可用 OpenAI/Claude 云端或本地 Ollama。

检测与防御

  • 该模式是白帽/授权测试工具链,非漏洞利用;防御侧关注其自身暴露面:MCP Server 以 0.0.0.0:8009/mcp 无鉴权监听会被未授权第三方调用,应加认证、绑定回环地址或做网络 ACL、限制可调用工具清单与目标白名单。
  • target/options 若被直接拼进 shell 命令(而非参数数组)会引入命令注入,工具层应参数化执行并校验选项;对 LLM 生成的参数做目标范围与危险参数校验。
  • 审计所有 tool 调用与 task_id,防止被滥用为对非授权目标的批量扫描;检测主机上异常 MCP Server 进程、批量子域名/端口扫描流量与短时间内多工具并发调用。