ReaderMX.
低调学安全

CyberStrikeAI 新增视觉分析 MCP：给 Agent 装上「眼睛」

低学安全也就图一乐约 6 分钟

适用版本：v1.6.31 及以上
功能入口：内置 MCP 工具 analyze_image

Image

一、为什么需要这个能力

渗透测试和攻防演练里，大量关键信息并不在 JSON 响应体里，而在界面上：登录框旁的图形验证码、WAF 拦截页、后台报错截图、Burp 里截到的异常页面、架构图上的网段标注……

CyberStrikeAI 的 Agent 原本只能处理文本和工具输出。遇到 PNG、JPEG 这类二进制文件，read_file 读出来是一堆乱码，模型无从理解。测试人员不得不自己识图、手工填验证码，再把文字结果贴回对话——自动化链条在「看图」这一步断掉了。

v1.6.31 引入的 视觉分析 MCP（工具名 analyze_image），补的就是这一环：Agent 可以调用独立的 Vision 模型，把服务器上的本地图片转成结构化文字摘要，再继续走后续的 HTTP 重放、逻辑漏洞验证、报告整理等流程。

二、设计思路：不是把主模型换成多模态

这里有一个容易误解的点：analyze_image并没有让对话主模型直接「看见」图片。

实际架构是三层分离：

层级
职责
主 Agent 模型
规划测试步骤、调用 MCP 工具、推理业务逻辑（仍走 openai 配置里的文本模型）
analyze_image MCP 工具
接收本地路径 + 可选问题，触发一次独立的 VL 调用
Vision 模型
专门做识图，配置在 config.yaml → vision 段，可与主模型不同厂商、不同 API

图片字节只在单次 VL 请求中出现，返回给 Agent 的是纯文本（路径、预处理信息、Summary）。对话上下文里不会堆积 Base64 图片，Token 消耗可控，长会话也不会因为几张截图而撑爆上下文。

预处理管线会在调用前自动处理图片：超过 5MB 拒绝、长边超 2048 像素则缩放、必要时 JPEG 压缩到 512KB 以内；小图且尺寸合规时可原图直传，保留验证码细节。这些参数均可在配置里调整。

系统提示词也已内置识图指引：遇到截图、验证码、登录页配图时优先调 analyze_image，不要对二进制图片使用 read_file。多代理模式下，analyze_image 默认在常驻工具白名单里，子任务委派时也会提示携带图片路径。

三、如何启用

方式一：Web 界面（推荐）

  1. 登录 CyberStrikeAI Web 控制台
  2. 进入 系统设置 → 基本设置 → 视觉分析（analyze_image）
  3. 勾选「启用视觉分析工具」
  4. 填写 Vision 模型名（如 qwen-vl-max、gpt-4o 等，取决于你的 API 网关支持）
  5. API Key / Base URL 可留空，自动复用 openai 段的配置；也可单独指定
  6. 点击 保存并应用——写入 config.yaml 并热注册 MCP 工具，无需重启
Image

方式二：直接改配置文件

vision:
enabled:true
model:qwen-vl-max# 必填
api_key:""# 留空则复用 openai.api_key
base_url:""# 留空则复用 openai.base_url
provider:# 留空则复用 openai.provider
max_image_bytes:5242880# 原始文件上限 5MB
max_dimension:2048# 长边缩放像素
jpeg_quality:82
max_payload_bytes:524288# 编码后送 VL API 上限
detail:auto# low | high | auto
timeout_seconds:60

enabled: true 且 model 非空时，启动日志会出现：vision: analyze_image 工具已注册。

四、怎么用

4.1 对话里上传图片

在 Web 对话页上传 PNG/JPEG 等图片，文件会保存到 chat_uploads 目录。用户消息里会出现类似：

📎 captcha.png: /path/to/chat_uploads/xxx/captcha.png

Agent 识别到附件路径后，会自动调用：

{
"path": "/path/to/chat_uploads/xxx/captcha.png",
"question": "只输出验证码字符，不要空格和解释"
}

工具返回示例：

## Image analysis
- **path**: /path/to/...
- **preprocess**: passthrough 120x40, image/png, 3KB (original 3KB)
### Summary
a7K9m

Agent 拿到字符后，可继续构造带验证码的登录请求，完成原本需要人工介入的一步。

4.2 工具链产出的截图

扫描、HTTP 探测、WebShell 文件读取等 MCP 工具若将页面保存为本地 PNG，Agent 同样可以对产物路径调用 analyze_image。典型链路：

  1. HTTP 工具抓取登录页，保存 login_page.png
  2. analyze_image 识别表单字段、CSRF Token 位置、错误提示文案
  3. Agent 据此调整 Payload 或判断 WAF 规则

4.3 手动指定分析重点

question 参数可选，用于收窄模型注意力。除验证码外，常见写法：

  • 「列出页面可见的输入框 name 属性和按钮文字」
  • 「报错信息原文是什么」
  • 「架构图中各网段的 IP 段和箭头关系」
  • 「是否存在 SQL 报错、路径泄露等敏感字样」

留空时，模型会按授权安全测试场景做通用描述（可见文本、表单、按钮、错误信息、技术栈线索）。

4.4 多代理协作

Deep / Supervisor / Plan-Execute 模式下，主代理可把「识读某张截图」委派给子代理。在 task description 里写清图片绝对路径和期望输出格式（例如「只输出 4 位数字验证码」），子代理会按路径调用 analyze_image，结果以文字形式回传，主代理继续编排后续步骤。

五、典型应用场景

5.1 图形验证码辅助（最常被问到的场景）

适用：4–6 位字母数字混合、简单算术验证码、背景干扰较少的传统图形码。

流程：

  1. 用 HTTP 工具或脚本从 /captcha 接口下载图片到本地
  2. Agent 调用 analyze_image，question 设为「只输出验证码字符」
  3. 识别失败则刷新验证码、重新下载、再次识图（系统提示已内置此策略）
  4. 将识别结果填入登录/注册/找回密码请求

边界：滑块验证、点选文字、行为轨迹、Google reCAPTCHA 等不在单次识图能力范围内。这类验证码依赖交互和行为特征，不应指望 analyze_image 一次搞定——Agent 会提示改用人工介入或其他测试路径。

内置 prompt 对验证码类问题会自动追加约束：仅输出字符序列，看不清则明确说无法识别，避免模型「编造」一个看起来合理的答案。

5.2 登录页 / 后台 UI 结构还原

黑盒测试里，前端 JS 混淆或动态渲染会让 HTML 源码不完整。对渲染后的页面截图识读，可以快速提取：

  • 可见表单字段与按钮文案
  • 隐藏的二次验证入口
  • 「测试环境」「debug 模式」等环境标识
  • 版本号、框架指纹（如 Django debug page 特征）

Agent 不必逐行读 minified JS，先看「长什么样」，再决定抓包还是目录扫描。

5.3 报错页与 WAF 拦截页

SQL 注入、SSRF、路径穿越测试中，阻断往往以图片化的错误页或自定义拦截页呈现。截图识读能直接提取：

  • 数据库类型与版本片段（MySQL、Oracle 报错）
  • 内部路径、堆栈片段
  • WAF 厂商特征（如「您的请求已被拦截」+ 请求 ID）

比人工逐张看图再打字快，也比把整页 HTML 塞进上下文更省 Token。

5.4 漏洞报告与架构图辅助

项目协作场景中，测试人员上传的报告配图、网络拓扑图、权限矩阵截图，Agent 可提取图中的 IP、域名、角色名称，写入项目黑板（upsert_project_fact），供后续会话复用——避免「这张图的信息只存在于某个人的聊天记录里」。

5.5 与 Burp 插件联动

CyberStrikeAI 提供 Burp Suite 插件，可将请求/响应上下文同步到 Agent。配合视觉分析，可对 Burp 中保存的响应截图、Decoder 里的图片响应做结构化解读，缩短「看到异常 → 理解异常 → 构造 PoC」的周期。

六、安全与合规提醒

启用视觉分析后，图片内容会发往 Vision API 配置的上游（可能是公有云 VL 服务）。在涉及真实客户数据、内网拓扑、未脱敏漏洞详情的环境中，请注意：

  • 使用自建或可信 API 网关，或保持 vision.enabled: false
  • 上传前评估图片是否含敏感信息
  • 验证码识图仅用于已授权的测试目标，遵守相关法规与项目 scope

CyberStrikeAI 的定位是授权安全测试辅助，视觉能力同样受此约束。

七、小结

analyze_image 解决的不是「让 AI 更炫」，而是打通自动化测试里长期存在的一个断点：Agent 能读文本、能调工具，但读不懂图。

通过 MCP 工具 + 独立 Vision 模型 + 文本摘要回灌的设计，CyberStrikeAI 在不大改主模型、不膨胀上下文的前提下，把截图、验证码、UI、报错页纳入了可编排的测试流程。对日常 Web 逻辑漏洞挖掘、登录态获取、信息收集整理，这是实打省人工的一步。

相关文档

  • 项目仓库：CyberStrikeAI
  • 视觉分析配置说明：docs/VISION.md
  • 多代理与工具白名单：docs/MULTI_AGENT_EINO.md

KEEP THE THREAD GOING

更多来源文章