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
- 部署 Ollama:
ollama serve后ollama pull llama3.1:8b(可再拉deepseek-r1:8b做对比),ollama list确认。 - 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)。 - 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。 - 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。 python main.py启动,日志显示Security Scanner以streamable-http运行在/mcp。- 在 Cherry Studio 配置 Ollama 模型服务(
http://localhost:11434)与「流式传输的HTTP」MCP Server(URLhttp://0.0.0.0:8009/mcp),启用全部工具。 - 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)。
- 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。