一句话看懂：一个叫 Nightcrawler 的开源项目，把 AI 渗透测试代理完整跑在 Android 手机上，使用 12 亿参数的本地模型在 GPU 上推理，不依赖云端 API 即可自动完成网络侦察、漏洞发现和报告生成。它把“自动化安全测试”下沉到几百美元的终端设备上。
事件核心：发生了什么
Nightcrawler 是 garagehq 在 Hacker News 上发布的开源项目，版本为 v0.1.0。它本质上是一个自治渗透测试代理，运行环境是一加 8 手机（骁龙 865、12GB RAM、Kali NetHunter 系统），AI 推理由 LFM2.5-1.2B-Instruct-Heretic 模型驱动，通过 OpenCL 调用 Adreno 650 GPU 完成。生产配置下，模型使用 Q8_0 量化，提示处理速度约 115 tok/s，生成速度约 13 tok/s。
整个系统不依赖云连接：手机接入目标网络后，Nightcrawler 会执行主机发现、服务枚举、漏洞利用和报告生成四个阶段。安全层方面，项目设计了两层越界防护：Scope Proxy 在每一条命令执行前校验目标是否在授权范围内；Kali MCP Server 负责实际调用 nmap、curl、smbclient 等工具。项目内置 27 个多步骤漏洞利用剧本和 24,956 条 CVE 记录，用于版本匹配的漏洞识别。
为什么重要
Nightcrawler 展示了一种新的 AI 安全工具形态：把完整的安全测试闭环放进手机，而不是云端服务器。过去渗透测试自动化通常依赖高性能主机和集中式模型 API，而 Nightcrawler 用 1.2B 参数的本地小模型实现了决策循环，这对“AI 代理 + 安全工具链”的端侧部署是一个实际验证。
更值得关注的是它采用慢速、轮换、单步决策的扫描策略，刻意规避传统扫描器被检测的特征。这种“类人”操作逻辑意味着网络防御方需要面对的不再只是固定规则的扫描工具，而是行为模式更接近人工测试的 AI 代理。项目同时具备 WPA2 破解模式（需外接 USB WiFi 网卡）和被动流量监听能力，扩展了 drop box 类工具的自动化边界。
这类工具的滥用风险也显而易见。虽然项目包含授权范围和规则约束设计，但代码开源意味着任何持有 Android 设备的人都可以部署类似能力，这可能会加速网络攻击平民化。安全社区需要重新评估内网监控和主机资产暴露面的防护策略。
对用户/开发者/创作者的影响
安全测试人员：Nightcrawler 降低了渗透测试的硬件门槛。过去需要在笔记本或服务器上运行的工具链，现在可以部署在手机中，适合需要物理潜入或长期留驻的授权测试场景。Web 仪表盘提供实时监控和 C2 控制，支持人工干预决策。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
AI 应用开发者：该项目是一个典型的“小模型 + MCP 工具调用 + 本地推理”实践案例。它展示了 1B 级别模型在真实工作流（非聊天）中完成多步决策的可行性，以及 GPU 频率控制、上下文重置、自愈机制等工程细节。对想在端侧跑 AI Agent 的开发者有参考价值。
普通用户和企业网管：需要意识到类似工具可能被投放到办公网络、WiFi 环境或 IoT 网段中。网络侧应关注慢速扫描行为和异常 ARP/mDNS 流量，并加强无线网络加密强度和访客网络隔离。
值得关注的后续
第一，项目目前处于 v0.1.0 早期阶段，后续是否会补充对更多手机型号、芯片平台（如天玑、Tensor）的兼容，以及模型迭代后推理速度和准确率的变化，值得持续跟踪。
第二，MCP（Model Context Protocol）作为 AI 工具调用标准接口，在安全工具链中的采用是否会推动更多厂商（如 Kali 生态、商业漏扫产品）开放类似接口，目前还没有明确信号。
第三，这类自治攻击代理的监管讨论可能升温，尤其是 WiFi 破解模式和 drop box 部署方式在各国法律下的合规边界。开源许可证和代码可用性不会变，但使用门槛和应用场景可能会受到法律实践的清晰化影响。
