Shannon 是 Keygraph 釋出的自主滲透測試代理，在 GitHub 累積五萬一千三百二十一顆星標。它以「沒有利用就沒有報告」為原則，先讀原始碼找出攻擊路徑，再對執行中的應用實際執行利用，只有取得可重現證明的漏洞才進入報告。專案採 AGPL-3.0 授權，可完全在本機或 CI/CD 流程中自行執行。
Shannon 是什麼？
Shannon 是 Keygraph 的自主滲透測試代理，結合原始碼分析與實際利用，針對網頁應用與 API 找出可驗證漏洞，在本地以命令列執行，採 AGPL-3.0。
專案定位在開發流程的持續檢測，而非取代專業滲透測試人員。官方在文件中明確說明，人類測試者的價值在於理解業務脈絡與設計非預期的攻擊鏈，這部分目前仍無法由模型替代。
名稱取自資訊理論之父 Claude Shannon。團隊把滲透測試描述為資訊問題：每一次探測都在降低對系統狀態的不確定性，工具的好壞取決於能否用最少的請求換到最多的訊號。
專案於二零二五年九月建立，主要語言為 TypeScript，官方同時經營雲端版本 Keygraph Pro 與企業版，開源版本則保留完整的代理引擎。
「沒有利用就沒有報告」代表什麼？
意思是報告只收錄已成功執行的漏洞，無法示範利用的假設一律丟棄。這條規則把掃描器的推測噪音排除在外，也讓 CI/CD 的嚴重度門檻只計算真正被利用的發現。
傳統掃描器輸出的是可能性清單。規則比對命中之後，工具會列出可疑端點，交由人工判斷是否成立，團隊往往在數百條告警中耗掉時間。
Shannon 的做法相反。它先把原始碼分析與執行期偵察兩條線的候選合併去重，再交由利用代理逐條嘗試，沒有成功即從結果中移除，最終報告只保留附有證據的條目。
這條規則同時影響流程整合。官方文件說明，程式碼分析的假設不會令管線失敗，嚴重度門檻只統計狀態標記為已利用的發現，避免每次提交都被理論風險攔下。
Shannon 的技術架構如何運作？
架構分六階段：偵察與漏洞分析、代理式原始碼分析、發現合併去重、利用代理實測、驗證淘汰、輸出報告。兩條分析線並行後匯入同一條利用佇列，全程在臨時容器內執行。
第一階段探索執行中的應用，把運行時行為對回原始碼，並派出針對注入、跨站腳本、伺服器端請求偽造、認證與授權五類問題的專門代理。
第二階段處理靜態結構。代理會先描繪應用架構、信任邊界、對外介面、依賴關係、資料流向與高風險資產，再針對這些位置開啟定向調查。
第三與第四階段是整個設計的關鍵。兩條來源的候選經過合併與去重後形成利用佇列，再由利用代理對執行中的應用發動真實攻擊，每一步都在可重現的前提下記錄。
第五與第六階段負責收尾。無法示範的候選會被驗證環節淘汰，通過者進入報告，同時輸出 PDF、Markdown、JSON 與 SARIF 二點一版四種格式，供下游系統讀取。
支援哪些漏洞類型與測試場景？
覆蓋以 OWASP 為主的可利用漏洞，包含注入、跨站腳本、伺服器端請求偽造、認證失效與授權缺失。支援登入流程、一次性密碼、電郵驗證、指定測試範圍與交戰規則。
覆蓋範圍集中在能實際造成影響的類型。官方把重心放在可執行利用的注入與存取控制問題，而非完整性掃描，這也是開源版與商業版的功能分界。
需要登入的系統同樣可以測試。設定檔支援帳號密碼、登入流程腳本、一次性密碼、電郵驗證，並可指定關注區域與交戰規則，讓代理在授權範圍內行動。
工作區具備續跑能力。掃描中斷後可以從既有工作區恢復，已完成的分析不會重複執行，對於單次執行需時一至一點五小時的場景相當實用。
如何在 CI/CD 流程中啟用 Shannon？
官方提供 GitHub Actions 與 GitLab CI/CD 元件，在管線中分析原始碼並攻擊測試環境，保留 PDF、Markdown 與 SARIF 報告，可設嚴重度門檻。
GitHub Actions 版本以 KeygraphHQ/shannon-action@v1 呼叫，需傳入目標網址、模型憑證與嚴重度門檻，並可選擇把結果上傳到程式碼掃描。
管線預設使用檢出目錄作為原始碼來源，同時對已部署的測試環境發動攻擊。這種組合令分析與實測能夠對齊同一份提交，避免版本錯配。
執行環境需具備 Docker 與 Docker Compose 第二版，且目標須為可連線的測試或開發環境。官方要求使用私有儲存庫，並把模型憑證存放在 Actions 密鑰中。
部署與執行需要什麼條件？
需要 Docker 與 Node.js 二十二以上，自備模型憑證，內建 Anthropic、OpenAI、xAI 與 Bedrock 四家供應商，也可指向本地端點。
最簡流程是兩道指令。先以互動精靈完成憑證設定，再以目標網址與儲存庫路徑啟動掃描，工具會從 Docker Hub 拉取工作映像，把儲存庫以唯讀方式掛載進臨時容器。
模型選擇具備彈性。四家供應商為內建選項，其他相容端點可透過自訂基礎網址接入，本地模型則可經 Ollama、vLLM 或 LM Studio 提供，並以自訂模型設定檔描述。
供應商端的資安審查是實際門檻。Anthropic 與 OpenAI 對資安用途設有即時防護機制，可能在掃描中途中斷，官方要求在首次執行前先完成合法測試者驗證，這一步在實務上最容易卡住。
單次掃描需時多久、成本如何？
官方指出完整執行約需一至一點五小時，費用取決於模型定價與應用複雜度。工具本身不收費，成本全部來自呼叫模型的 token 支出，可用訂閱方案或本地模型降低成本。
時間長度來自架構設計。多階段分析加上真實利用嘗試，每個候選漏洞都要經過偵察、嘗試與驗證，無法像規則掃描一樣在數分鐘內完成。
成本結構相對透明。Keygraph 不在模型流量中抽取費用，請求直接送往使用者設定的端點，帳單由供應商開立，選用便宜模型或本地模型可明顯壓低支出。
官方另提供訂閱路徑。最新版本支援 ChatGPT Plus 與 Pro 訂閱，也支援 xAI 訂閱；Claude Code 訂閱則需退回一點九點零版，該版本是最後一個建構於 Claude Agent SDK 的發行版。
授權條款與商業版本有什麼差別？
開源版採 AGPL-3.0，可自行部署，費用只有模型支出。Pro 版每人每月五十美元，加入黑箱測試、依賴與密鑰掃描、發現管理、修復拉取請求與 Jira 同步。
功能分界相當清楚。開源版聚焦有原始碼可讀的快速滲透測試，適合個人開發者與小型團隊；商業版補上沒有原始碼時的黑箱測試，以及跨掃描的漏洞生命週期管理。
社群方案值得留意。美國境內的 501(c)(3) 非營利組織，以及開發人員不超過二十人的種子輪或 A 輪前初創，可免費使用 Pro 版，期間不收取雲端服務費。
授權條款屬於強 copyleft。AGPL-3.0 要求以網路服務形式提供修改版本時須公開原始碼，若計劃把引擎包進商業產品或提供託管服務，需另行洽談商業授權。
Shannon 的專案數據與社群規模如何？
專案累積五萬一千三百二十一顆星標、五千九百七十六個分支、三十一個待處理議題，主要語言為 TypeScript，二零二五年九月建立，提交紀錄約三百二十次。
星標成長速度反映資安社群的需求缺口。專案在一年內突破五萬顆星標，分支數接近六千，說明不少團隊已把它納入內部流程試用，而非只當作閱讀材料。
議題數量維持低位。三十一個待處理議題對照五萬顆星標的規模屬於相當克制，官方表明目前不接受外部程式碼貢獻，僅接受錯誤回報與功能建議。
版本節奏密集。近三個正式版本分別為十月二十七日的三點五點零、十月六日的三點四點零與九月二十一日的三點三點零，改動集中在報告排版、命令列穩定性與實驗性探測功能。
出處連結與延伸閱讀有哪些？
原始碼位於 GitHub 的 KeygraphHQ 組織，官網為 keygraph.io，另提供 GitHub Action 與 GitLab 元件，技術文件集中在 docs 目錄。
儲存庫內另附兩份給 AI 代理閱讀的索引檔。llms.txt 提供精簡的專案地圖，llms-full.txt 則把說明文件與 README 合併成單一檔案，方便代理一次讀完。
評測資料同樣公開。官方在儲存庫內放入 Photoview 二點四點零版本的掃描報告，分別以 DeepSeek v4 Flash、Grok 4.6 與 Claude Opus 5 三款模型執行，並附上 SARIF 輸出供比對。
參考來源：https://github.com/KeygraphHQ/shannon
總結：Shannon 適合什麼團隊？
有原始碼、有測試環境且部署頻繁的團隊最適合，可在每次發佈前跑一次有利用證明的檢測。若需黑箱測試、跨掃描漏洞管理或無法接受 AGPL 條款，則應考慮商業版。
這個專案的核心價值在驗證而非列舉。把「能否實際打穿」當成報告門檻，令輸出的數量大幅下降，也令工程團隊更願意在發佈前跑一次。
主要限制有三項。目標必須是可犧牲的測試環境，因為利用過程會建立帳號、提交表單並改變狀態；單次執行需一至一點五小時，不適合每次提交都觸發；模型能力直接影響結果，指令遵循較弱的模型會明顯降低命中率。
對於已經採用自動化部署的團隊，較務實的做法是先以 Docker 在本機對一個內部測試環境跑完整流程，觀察報告品質與模型成本，再決定是否接入 CI/CD 並設定嚴重度門檻。
