GSD 工程外骨骼 · 多模态视觉 · 会话管理 · SQLite 记忆 · 动态沙箱 · CTF 逆向工具链 · 双模输出 · 技能引擎 · P6 自动化利用链 · API 鲁棒性 · 逻辑刷新 · 双格式 API 原生支持 · 自定义 Provider
PawnLogic 是一个专为极客和开发者打造的全能终端 AI 智能体。强大的会话管理系统，让您能够轻松浏览、搜索、标签化和关联历史对话，同时保留了所有强大功能。
✅ 完美支持 WSL2 及其环境下的本地工具链调用
/chat list [n]— 列出最近 n 个会话（默认20）/chat view <id|n>— 查看完整对话内容/chat export <id|n> [文件路径]— 导出为 Markdown 文件/chat find <关键词>— 跨会话全文搜索/chat tag <id|n> <标签>— 给会话打标签（逗号分隔）/chat untag <id|n> <标签>— 移除会话标签/chat bytag <标签>— 按标签筛选会话/chat link <id1> <id2> [备注]— 关联两个会话/chat unlink <id1> <id2>— 取消关联/chat related <id|n>— 查看关联会话
- Ctrl+C 回退编辑：输入状态下按 Ctrl+C 不退出程序，自动撤回最后一轮对话并重新显示提示符（对齐 Claude Code 交互体验）
- Ctrl+D 退出：使用 Ctrl+D（EOF）正常退出程序
- Agent 生成中断：在 Agent 生成过程中按 Ctrl+C 立即停止，保留已产出内容
- 规格驱动规划 (Spec-Driven)：Agent 写代码前必须输出包含
<action>和<verify>的 XML 计划 - 无污染子任务委派 (Fresh Context)：内置
delegate_task工具，解决"上下文腐化"问题 - 原子化自动提交：每次修改代码并通过测试后自动调用
git commit - 全局状态管理：使用
/init_project生成.pawn_state.md
- 终端 AI "看图"能力，支持
glm-4v、gpt-4o等视觉模型 - 适用场景：识别报错截图、分析网页 UI、读取 CTF 隐写图片、解析系统架构图
- 多语言隔离沙箱：Python / C / C++ / JS / Bash / Rust / Go / Java
- Docker 容器化执行：
run_code_docker（一次性容器）+pwn_container（持久化容器），默认断网隔离 - 智能 Web 爬虫：Jina Reader → Pandoc → 正则兜底（三级降级策略）
- Pwn/CTF 工具链：GDB 批处理动态调试、ROPgadget、de Bruijn 溢出偏移计算、倒计时感知调试
- GSA 防御性审计：工具调用失败自动记录，同类失败 ≥3 次自动沉淀到技能库
- 时间感知调度：
/time设置倒计时，剩余 30s 自动切换极速模式
/undo [n]— 撤回最近 n 轮对话（默认 1），不影响已 Pin 的消息/compact— 轻量模型总结当前进度 → 清空历史（保留 Pin）→ 以摘要作为新会话首条消息/think <prompt>— 单次推理模式，自动切换至推理 Worker（ds-r1/qwq），用完恢复原模型/ping— 极简保活请求，刷新 API 缓存 TTL
- SQLite 驱动：
~/.pawnlogic/pawn.db，支持多会话保存与无缝加载 - 原生 RAG：
/memorize将高价值对话沉淀进本地知识库，跨会话自动注入 - 精准锁定：
/pin msg <n>防止关键消息被遗忘
- 支持 12 大厂商：Nous / OpenAI / DeepSeek / Qwen / ZhipuAI / SiliconFlow / OpenRouter / Moonshot / MiniMax / Groq / Xiaomi MiMo / Ollama
- 使用
/model命令无缝热切换，/setkey重新配置 API Key - 动态加载机制：未配置的 Key 不影响其他模型正常运行
/mode一键切换 USER 模式与 DEV 模式- USER 模式：极致简洁，所有原始 Traceback、Tool Call JSON、底层异常自动转为友好中文提示（如
❌ 系统忙，请稍后重试） - DEV 模式：极致透明，显示所有 Tool Call 详情、异步线程状态和原始响应
- 错误映射覆盖 10+ 种常见异常类型（ConnectionError / TimeoutError / PermissionError / FileNotFoundError 等）
./skills/目录存放领域专属技能文件夹（零配置：放一个.md即可）- Agent 执行任务前自动扫描技能目录，按文件名 + 内容关键词匹配评分
- 匹配到的技能全文注入系统提示词，Agent 按技能指令执行任务
- 与 GSA 全局技能存档互补：GSA 管理跨会话经验，本地技能管理项目级模板
check_service(port)— 通过 lsof 或/proc文件系统快速提取端口进程详情- 返回：PID、进程名、可执行文件路径、命令行、工作目录、关键环境变量、引用的动态库
- 用于侦察阶段确认目标服务运行环境，替代盲目执行
ps aux
/sp sync— 遍历./skills/下所有带.git的技能包，批量git pull同步更新/sp install <repo_url>— 从远程仓库一键安装新技能包（自动 clone + 权限修正 + 缓存刷新）- USER 模式下显示简洁进度，DEV 模式显示详细结果
StealthyFetcher.configure()全局预热：消除首次 fetch 的冷启动超时- 超时自动重试：间隔 2s → 5s → 10s，最多 3 次尝试
- 穿透 Cloudflare 5 秒盾、JS 渲染防护
PawnLogic 1.1 完整适配 2026 主流 API 生态，支持多模型动态热切换，覆盖从深度推理到毫秒级响应的全场景。原生支持 OpenAI Chat Completions 和 Anthropic Messages 两种 API 格式，通过 /provider 命令可添加自定义中转接口。
| 厂商 | 别名 | 推荐模型 ID | 格式 | 优势场景 |
|---|---|---|---|---|
| PawnLogic Engine | hermes / hermes405 |
NousResearch/Hermes-4-70B |
OpenAI | 框架原生优化，指令遵循极强 |
| OpenAI | gpt-4o / gpt-4o-mini |
gpt-4o |
OpenAI | 视觉+推理，需代理 |
| Anthropic | claude-opus / claude-sonnet / claude-haiku |
claude-opus-4-7 |
Anthropic | 旗舰推理 / 均衡性能 / 极速响应 |
| DeepSeek | ds-chat / ds-r1 |
deepseek-chat / deepseek-reasoner |
OpenAI | V3 性价比之王；R1 深度推理首选 |
| DeepSeek V4 | ds-v4-pro / ds-v4-flash |
deepseek-v4-pro |
OpenAI | Pwn 漏洞逻辑建模 / 毫秒级响应 |
| 智谱 AI | glm-5.1 / glm-4.7 / glm-4.5-air |
glm-5.1 |
OpenAI | 国内直连，国产推理旗舰 |
| 智谱 AI (视觉) | glm-4v |
glm-4v-plus |
OpenAI | Web 截图 / 隐写图片分析 |
| 通义千问 | qwen-max / qwen-3.0 |
qwen-3.0-max |
OpenAI | 强大长文本处理与代码纠错 |
| 硅基流动 | sf-ds-v3 / sf-qwen72b |
deepseek-ai/DeepSeek-V3 |
OpenAI | 开源模型低成本推理池 |
| Moonshot | kimi |
moonshot-v1-128k |
OpenAI | 超长上下文日志分析 |
| Groq | groq-llama3 |
llama-3.3-70b-versatile |
OpenAI | 极速：秒级生成 Exploit 脚本 |
| 小米 MiMo | mimo-v2.5-pro / mimo-v2.5 |
mimo-v2.5-pro |
OpenAI | 小米自研推理模型，国内直连 |
| 本地 Ollama | qwen-local |
qwen2.5-7b-instruct |
OpenAI | 离线靶机环境，零泄密风险 |
| 自定义 Provider | 任意别名 | 任意模型 ID | OpenAI/Anthropic | 自建中转接口，通过 /provider add 添加 |
CTF 场景推荐组合
- Pwn 漏洞开发 →
ds-r1或ds-v4-pro（深度推理）- Web 代码审计 →
ds-chat或glm-5.1（高性价比，长上下文）- 截图 / 隐写分析 →
glm-4v或gpt-4o（多模态视觉）- 极速脚本生成 →
groq-llama3（毫秒级响应）- 离线靶机环境 →
qwen-local（零网络依赖）- 旗舰推理 →
claude-opus（Anthropic 原生格式）
- 推荐：WSL2 / Ubuntu（满血体验）
- 可选：Windows（基础体验，不支持 Pwn 工具链）
由于现代 Linux 发行版（如 Ubuntu 24.04+）引入了 PEP 668 环境隔离机制，强烈建议使用虚拟环境 (venv) 进行部署，以避免破坏系统全局 Python 环境。
# 1. 克隆仓库
git clone [https://github.com/john0123412/PawnLogic.git](https://github.com/john0123412/PawnLogic.git)
cd pawnlogic
# 2. 创建并激活虚拟环境 (解决 pip externally-managed-environment 报错)
python3 -m venv venv
source venv/bin/activate
# 3. 安装核心依赖
pip install --upgrade pip
pip install -r requirements.txt
# 4. (可选) 安装 CTF/Pwn 实战工具链系统依赖
# sudo apt update && sudo apt install gcc g++ python3-dev libssl-dev libffi-dev build-essential
# 5. 配置 API Key（见下方说明）
cp .env.example .env
# 编辑 .env，填入你的 Key
# 6. 启动
python main.py通过 pawn.sh 启动器 + 符号链接，可在任意目录下直接输入 pawn 启动 PawnLogic，无需 cd 到项目目录。
pawn.sh 是一个智能启动器，每次执行时：
- 追踪真实路径：通过
readlink -f解析自身真实位置（即使通过符号链接调用），定位到项目根目录 - 激活虚拟环境：自动查找并激活
venv/或.venv/（优先venv/），确保所有 Python 依赖可用 - 环境检查：若无 venv 且系统缺少
nest_asyncio，给出明确安装指引 - 启动主程序：使用
exec python3 main.py "$@"替换当前进程，透传所有命令行参数
由于每次运行都重新解析路径和读取源文件，在项目目录中修改代码后立即生效，无需重新部署。
# 1. 确保 pawn.sh 有执行权限
chmod +x /home/johnny/scripts/agent/pawnlogic_1.0/pawn.sh
# 2. 创建全局符号链接（~/.local/bin 需已在 PATH 中）
ln -sf /home/johnny/scripts/agent/pawnlogic_1.0/pawn.sh ~/.local/bin/pawn
# 3. 验证：在任意目录下执行
cd /tmp && pawn --help任意目录输入 pawn
→ ~/.local/bin/pawn（符号链接）
→ /home/johnny/scripts/agent/pawnlogic_1.0/pawn.sh
→ readlink -f 定位项目根目录
→ source venv/bin/activate
→ exec python3 main.py "$@"
- 修改
scripts/agent/pawnlogic_1.0/下的任何文件（main.py、config.py、core/*等）后，下次运行pawn即使用最新代码 - 符号链接只需创建一次，之后无需重复操作
- 若
~/.local/bin不在 PATH 中，需先添加：export PATH="$HOME/.local/bin:$PATH"（加入~/.bashrc持久化）
注意：Windows 缺乏原生 Linux 命令，仅支持 Python 沙箱、网页搜索、文件修改和对话。不建议用于 Pwn 题或编译 C 语言。
-
安装 Python 3.10+
-
打开 PowerShell，设置 API Key 环境变量：
[System.Environment]::SetEnvironmentVariable('DEEPSEEK_API_KEY', 'sk-填写你的Key', 'User')
-
进入目录并运行：
cd D:\pawnlogic python main.py
Docker 容器化让 Agent 能在完全隔离的容器环境中执行代码，适用于 CTF 靶机 exploit 测试、多版本 libc 环境验证等场景。
# Ubuntu / WSL2
sudo apt update
sudo apt install -y docker.io
sudo systemctl start docker
sudo systemctl enable docker
# 将当前用户加入 docker 组（免 sudo）
sudo usermod -aG docker $USER
# 重新登录终端生效WSL2 用户注意：WSL2 默认没有 systemd，需要手动启动 dockerd：
sudo dockerd & # 或在 /etc/wsl.conf 中添加: # [boot] # systemd=true # 然后在 PowerShell 中运行: wsl --shutdown && wsl
# 在 PawnLogic venv 中安装
pip install docker启动 PawnLogic 后，运行 /docker status：
▶ You > /docker status
Docker 状态：
✓ Docker 连接正常
版本: 24.0.7
容器: 0 个 | 镜像: 5 个
存储: /var/lib/docker
# 方法 1：在 PawnLogic 终端内拉取
▶ You > /docker pull pwndocker
▶ You > /docker pull ubuntu18
# 方法 2：在系统终端拉取
docker pull skysider/pwndocker
docker pull ubuntu:18.04| 别名 | 镜像 | 用途 |
|---|---|---|
pwndocker |
skysider/pwndocker |
Pwn 全能靶机（含 GDB/pwntools/ROPgadget/checksec） |
ubuntu18 |
ubuntu:18.04 |
glibc 2.27，老题常用 |
ubuntu22 |
ubuntu:22.04 |
glibc 2.35，新题常用 |
kali |
kalilinux/kali-rolling |
Kali 渗透测试环境 |
python |
python:3.12-slim |
纯 Python 执行环境 |
gcc |
gcc:latest |
C/C++ 编译环境 |
方式 1：一次性容器（run_code_docker）
Agent 自动调用，代码执行完毕后容器自动销毁：
▶ You > 用 run_code_docker 在 pwndocker 容器中运行 exploit.py，断网模式
Agent 会自动：
- 拉取镜像（如果本地不存在）
- 将代码写入临时目录并挂载到容器
- 在容器内执行（默认断网
network=none） - 读取输出并销毁容器
方式 2：持久化容器（pwn_container）
适合需要多次交互的 Pwn 调试：
▶ You > 创建一个名为 heap-lab 的 pwndocker 容器，然后在里面运行 checksec
Agent 会自动：
pwn_container(action="create", name="heap-lab", image="pwndocker")pwn_container(action="exec", name="heap-lab", command="checksec /target/vuln")- 多次 exec 后：
pwn_container(action="destroy", name="heap-lab")
方式 3：手动管理（/docker 命令）
▶ You > /docker status # 查看 Docker 连接状态
▶ You > /docker images # 列出本地镜像
▶ You > /docker ps # 列出 PawnLogic 容器
▶ You > /docker pull pwndocker # 拉取指定镜像- 默认断网：
network=none，防止 CTF flag 泄露 - 资源限制：内存 512MB、CPU 0.5 核、PID 256
- 自动销毁：一次性容器执行后自动清理
- 危险命令拦截：Docker 内外共享同一套
DANGEROUS_PATTERNS黑名单
PawnLogic 对 Docker 采用优雅降级策略：
- 本地沙箱
run_code完全不受影响 run_code_docker/pwn_container会返回明确的安装指引/docker status会显示✗ Docker 不可用: 未安装 docker-py
第一步：复制模板
cp .env.example .env第二步：填入你的 Key
用任意编辑器打开 .env，按需填写。不用的厂商直接留空，不影响其他模型运行。
第三步：启动
python main.py
# 或指定起始模型
python main.py --model ds-r1# ════════════════════════════════════════════════════════
# PawnLogic 1.1 — API Key 配置
# 复制本文件为 .env，填入对应 Key，不使用的厂商留空即可。
# 警告：.env 含敏感凭证，已加入 .gitignore，切勿提交至版本库。
# ════════════════════════════════════════════════════════
# ── PawnLogic 默认引擎（Nous Research）──────────────────
PAWN_API_KEY=your_nous_api_key_here
# ── OpenAI ──────────────────────────────────────────────
OPENAI_API_KEY=sk-...
# ── DeepSeek（V3 日常 / R1 深度推理 / V4 前沿）──────────
DEEPSEEK_API_KEY=sk-...
# ── 通义千问 Qwen（阿里云百炼）─────────────────────────
QWEN_API_KEY=sk-...
# ── 智谱 GLM（含视觉模型 glm-4v-plus）──────────────────
ZHIPU_API_KEY=your_zhipu_api_key_here
# ── 硅基流动 SiliconFlow ───────────────────────────────
SILICON_API_KEY=sk-...
# ── OpenRouter（多模型聚合网关，可选）──────────────────
OPENROUTER_API_KEY=sk-...
# ── Moonshot (Kimi) ─────────────────────────────────────
MOONSHOT_API_KEY=sk-...
# ── MiniMax (海螺) ───────────────────────────────────────
MINIMAX_API_KEY=your_minimax_api_key_here
# ── Groq（极速推理）────────────────────────────────────
GROQ_API_KEY=gsk_...
# ── 小米 MiMo ──────────────────────────────────────────
XIAOMI_API_KEY=your_xiaomi_api_key_here
# ── 本地 Ollama（无需 Key，自定义端口时修改 URL）────────
# LOCAL_API_URL=http://localhost:11434/v1/chat/completions
# LOCAL_API_KEY=
# ── Anthropic (Claude) ──────────────────────────────────
ANTHROPIC_API_KEY=sk-ant-...启动后使用 /keys 命令即时检查各厂商的 Key 配置状态：
You > /keys
Provider Env Var Status
────────────────────────────────────────────
PawnLogic Engine PAWN_API_KEY ✅ 已配置
OpenAI OPENAI_API_KEY ❌ 未配置
DeepSeek DEEPSEEK_API_KEY ✅ 已配置
Qwen QWEN_API_KEY ✅ 已配置
ZhipuAI ZHIPU_API_KEY ✅ 已配置（视觉可用）
SiliconFlow SILICON_API_KEY ❌ 未配置
Moonshot MOONSHOT_API_KEY ✅ 已配置
Groq GROQ_API_KEY ✅ 已配置
Xiaomi MiMo XIAOMI_API_KEY ✅ 已配置
Local Ollama LOCAL_API_KEY ⬜ 无需 Key
使用 /model <别名> 切换，例如：
/model ds-r1 # 切换至 DeepSeek R1 深度推理
/model claude-sonnet # 切换至 Claude Sonnet（Anthropic 原生格式）
/model glm-4v # 切换至智谱视觉模型，可传入截图分析
/model groq-llama3 # 切换至 Groq 极速模式
/model qwen-local # 切换至本地 Ollama，断网也能用PawnLogic 原生支持 OpenAI Chat Completions 和 Anthropic Messages 两种 API 格式，可通过 /provider 命令添加自建中转接口或其他第三方 API。
/provider # 打开交互式 Provider 管理面板
/provider list # 列出所有 Provider 状态（含格式标记）
/provider add # 添加自定义 Provider（引导式配置）
/provider remove <n> # 删除自定义 Provider
/provider test <model> # 测试 Provider 连通性添加自定义 Provider 示例：
You > /provider add
Provider 名称: my_relay
API 格式: [1] OpenAI / [2] Anthropic → 1
Base URL: https://my-relay.com/v1/chat/completions
API Key: ****
模型 ID: gpt-4o
模型别名: my-gpt
✓ Provider 'my_relay' 已添加
使用: /model my-gpt
安全说明：
- API Key 仅存入
.env文件（已加入.gitignore，不会被提交） - 结构化配置存入
~/.pawnlogic/custom_providers.json（项目目录外，不含 Key） - 所有 Key 通过环境变量读取，代码中零硬编码
启动终端后，你会看到 You > 提示符。可以像使用 ChatGPT 一样直接对话，也可以使用 / 开头的快捷命令。
/mode— 切换 USER / DEV 输出模式（USER 屏蔽底层错误，DEV 显示所有细节）/model [alias]— 切换大模型（如/model glm-5.1）/setkey— 重新运行 API Key 配置向导/keys— 显示各 Provider Key 配置状态/clear— 清空历史对话释放 Token（保留已 Pin 消息和项目 State）/cd <path>— 切换 Agent 的工作目录/file ./test.py— 将某个文件一次性载入到对话上下文/undo [n]— 撤回最近 n 轮对话（默认 1）/compact— 压缩上下文（轻量模型总结 + 清空历史）/think <prompt>— 单次推理模式（自动切换推理 Worker）/ping— 保活请求，刷新缓存 TTL
/init_project [目标描述]— 初始化当前目录的.nous_state.md，开启自动化工程流水线/state— 查看当前项目的总体规划/memorize [主题]— AI 总结当前对话并永久存入 SQLite 知识库/knowledge [query]— 搜索/列出知识条目/forget <id>— 删除指定知识条目
/history— 查看带序号的历史记录/pin msg <n>— 精准固定第 n 条消息，防止被遗忘/save [项目名]— 保存当前对话进度到数据库/sessions— 列出所有会话/load <name|n>— 加载历史会话（名称子串/序号）/resume [n]— 恢复会话并显示对话历史（最近消息完整展示，更早消息折叠）/rename <n> <name>— 重命名已保存会话/del <name|n>— 删除指定会话
/chat list [n]— 列出最近 n 个会话（默认20）/chat view <id|n>— 查看某个会话的完整对话内容/chat export <id|n> [文件路径]— 导出对话为 Markdown 文件/chat find <关键词>— 跨所有会话全文搜索内容/chat tag <id|n> <标签>— 给会话打标签（逗号分隔）/chat untag <id|n> <标签>— 移除会话标签/chat bytag <标签>— 按标签筛选会话/chat link <id1> <id2> [备注]— 关联两个会话/chat unlink <id1> <id2>— 取消关联/chat related <id|n>— 查看与指定会话相关联的所有会话
/low— 日常闲聊/简单问答（tokens=4k, ctx=40k, iter=10）/mid— 开发编程/脚本编写（tokens=8k, ctx=150k, iter=30）← 默认/deep— 论文阅读/大型项目重构/复杂漏洞挖掘（tokens=32k, ctx=400k, iter=50）/max— 极限火力：大规模自动化利用链/超长会话（tokens=32k, ctx=600k, iter=100, 60min）/normal— 重置到 /mid
/tokens /ctx /iter /toolsize /fetchsize <n>— 调整具体参数/limits— 查看所有当前限制
/webstatus— Jina / Pandoc / Lynx 状态/browserstatus— Scrapling 浏览器工具状态/pwnenv— CTF 工具链完整性检查
/docker status— 查看 Docker 连接状态/docker images— 列出本地镜像/docker ps— 列出 PawnLogic 管理的容器/docker pull <镜像>— 拉取指定镜像（支持别名如pwndocker）
/time— 查看当前时间预算、已用时间、剩余时间/time <秒数>— 设置时间预算（如/time 300= 5 分钟）/time 0— 关闭时间限制- 剩余 <30s 时自动触发 URGENT_MODE（跳过 Plan、切极速模型、压缩输出）
/worker— 显示子任务 Worker 候选模型菜单（带 Key 状态）/worker <alias>— 手动锁定子任务使用的模型/worker auto— 恢复自动路由（按优先级选取首个可用小模型）
/failures— 查看最近 20 条工具调用失败记录/failures <N>— 查看最近 N 条/failures clear— 清空所有失败记录- Agent 执行
run_code/run_shell/run_interactive前自动检查历史失败
/memo [内容]— 手动存档技能：AI 自动分类并写入~/.pawnlogic/global_skills.md/memo— 不带参数：对当前对话最后一轮 AI 回复进行存档/skills— 查看global_skills.md的分类目录/skills view— 查看global_skills.md全部内容（分页）/skills path— 显示技能文件路径
./skills/目录存放技能包文件夹（零配置：放一个.md即可，可选manifest.json）- Agent 根据任务关键词自动匹配并注入相关技能
/sp或/skillpack— 列出所有本地技能包/sp rescan— 清除缓存，重新扫描 skills/ 目录/sp sync— 同步所有带.git的技能包（批量 git pull）/sp install <url>— 从远程仓库安装新技能包/sp <名称>— 查看指定技能包详情（关键词、触发词、脚本）
check_service(port)— 检查指定端口上运行的服务进程详情- 返回：PID、进程名、可执行文件路径、命令行、工作目录、环境变量、动态库
- 侦察阶段自动调用，替代盲目执行
ps aux
You >
/init_project写一个带权限控制的 FastAPI 用户管理系统。
Agent 会先读取项目状态，输出严格的 <plan>，规划好 models.py、auth.py 等模块，并写好 <verify> 验证脚本。每写完并验证通过一个文件，就会在后台静默执行 git commit。你去喝杯咖啡，回来就是一个功能完整且自带版本记录的完美仓库。
You > 看看这张截图
./error_log.png，帮我用delegate_task委派子 Agent 搜索报错解决方案，然后写个修复脚本。
Agent 调用 analyze_local_image 读取图片转 Base64 喂给视觉模型提取报错文本，启动纯净子会话独立执行全网搜索与代码编写，最后把完美的解决方案返回给主聊天窗口。
You > 分析
./vuln_pwn。找到栈溢出偏移量，并使用pwn_debug在main函数下断点观察。
Agent 自动检测环境，调用 checksec、使用 de Bruijn 生成特征序列、自动编写 GDB 批处理脚本进行动态调试并返回寄存器状态。
You >
/mode（切换到 USER 模式）You > 运行
./broken_script.py
Agent 执行失败，终端只显示：❌ 系统忙，请稍后重试（无 Traceback、无 JSON 轰炸）。
You >
/mode（切回 DEV 模式）You > 再次运行
./broken_script.py
终端完整展示 Traceback、工具调用 JSON、异步线程状态——开发者可精准定位问题。
You > 扫描 http://target.com:8080，找到漏洞并利用
Agent 自动执行完整 P6 流程：
- 侦察：
web_fetch获取页面指纹，识别框架（如 Shiro） - 环境确认：
check_service(port=8080)提取进程信息（Java/Tomcat） - 武器检索：
search_skills(query='Shiro')匹配本地技能包 - 同步更新：提醒
/sp sync或/sp install获取最新利用脚本 - 执行：运行技能包内的预置 exploit 脚本
- 验证：确认回显/Flag，调用
bump_skill提升技能权重
全程 USER 模式只显示简洁进度，DEV 模式显示每个工具调用细节。
/chat find Python 爬虫 # 搜索所有包含关键词的会话
/chat tag 3 爬虫项目,学习笔记 # 给第3个会话打标签
/chat bytag 爬虫项目 # 筛选所有该标签的会话
/chat link 3 5 "同一项目的不同阶段" # 关联两个相关会话main.py— 入口与 Slash 命令解析config.py— API、预设参数、MoE 阶段路由、黑白名单配置core/session.py— 核心调度环（Agentic Loop）、流式解析、工具注册core/memory.py— SQLite 数据库管理与 RAG 检索core/persistence.py— 会话持久化管理core/gsa.py— 全局技能存档管理core/skill_manager.py— SkillScanner 技能包扫描、匹配、同步、安装引擎core/logger.py— loguru 双端日志系统tools/— 工具库file_ops.py— 文件操作（读/写/补丁/Shell）web_ops.py— 网页搜索与抓取browser_ops.py— Scrapling 反爬浏览器武器库（StealthyFetcher + Patchright）recon_ops.py— 环境嗅探（check_service：端口→进程详情）sandbox.py— 多语言代码沙箱docker_sandbox.py— Docker 容器化执行pwn_chain.py— CTF/Pwn 工具链（GDB/ROP/libc/one_gadget）vision.py— 多模态视觉分析delegate_tool.py— 无污染子任务委派
skills/— 本地技能包目录（文件夹模式，含 skill.md + 可选 manifest.json + 脚本）
pawn.db— 核心 SQLite 数据库（含sessions、messages、knowledge表）global_skills.md— 全局技能存档文件sessions/— 会话文件存储目录
Agent 内置严格的软隔离保护：
- 读保护：禁止读取
~/.ssh、~/.gnupg、/etc等敏感凭证目录 - 写保护：禁止向
/bin、/boot、/lib、/sys等系统关键路径写入文件 - 高危命令拦截：内置正则拦截
rm -rf /、mkfs、dd if=等毁号操作 (如有需求，请在config.py的WRITE_BLACKLIST中自行放开)
自定义 Provider 与双格式 API 原生支持
- ✅ 原生支持 OpenAI Chat Completions 和 Anthropic Messages 两种 API 格式
- ✅ Anthropic 原生接入：
claude-opus-4-7、claude-sonnet-4-6、claude-haiku-4-5 - ✅
/provider命令面板：交互式添加/删除/测试自定义 Provider - ✅ 自定义 Provider 配置持久化至
~/.pawnlogic/custom_providers.json（不含 Key） - ✅ API Key 安全存储：仅存
.env（已 gitignore），通过环境变量注入 - ✅
/model显示格式标记：[A]= Anthropic 格式
会话管理增强
- ✅
/rename <序号> <新名称>— 重命名已保存会话 - ✅
/resume恢复会话时自动显示对话历史 - ✅ 对话历史智能展示：最近 6 条完整显示，更早消息折叠为摘要
P0 — 安全加固与防御性审计
- ✅ 修复 git commit 命令注入（web_ops.py 改用 subprocess 列表形式）
- ✅ 沙箱环境变量隔离（剔除所有 API Key）
- ✅ 危险模式扩展（fork bomb / reverse shell / curl|sh 等 14 种）
- ✅ 语义级失败判定（检测 Traceback / Segfault / exit code 等 20+ 信号）
- ✅ 投前审计：
run_code/run_shell/run_interactive执行前自动检查历史失败 - ✅ 失败自动记录 + 同类失败 ≥3 次自动沉淀到
global_skills.md - ✅
audit_payload工具 +/failures命令
P1 — 时间感知调度
- ✅ 三档预设新增
time_budget_sec（LOW=5min / MID=10min / DEEP=30min） - ✅ URGENT_MODE：剩余 <30s 自动触发极速模式（跳过 Plan、切模型、压缩输出）
- ✅
/time命令：查看/设置时间预算 - ✅
pwn_timed_debug工具：倒计时感知的 CTF 交互式调试
P2 — CLI UX 终端体验升级
- ✅
prompt_toolkit集成：FuzzyCompleter 模糊匹配 + Fish-style 灰色内联提示 - ✅ CC 风格内联模型选择器（上下键 + Enter 确认 + Esc 取消 + 数字键跳转）
- ✅
richMarkdown 渲染（代码块高亮 + 表格对齐） - ✅ 底部状态栏（模型 / 档位 / 目录 / Phase 实时显示）
- ✅ 模糊命令修正（
/modle→/model，相似度 ≥0.7 自动修正） - ✅ Windows 兼容（readline / prompt_toolkit 安全导入）
P3 — Docker 动态容器化
- ✅
run_code_docker工具：一次性容器执行（创建 → 执行 → 销毁） - ✅
pwn_container工具：持久化容器管理（create / exec / destroy / list） - ✅ 6 个预设镜像别名（pwndocker / ubuntu18 / ubuntu22 / kali / python / gcc）
- ✅ 默认断网 + 资源限制（512MB / 0.5 核 / PID 256）
- ✅
/docker命令（status / images / ps / pull） - ✅ Docker 不可用时优雅降级，不影响本地沙箱
P6 — 双模输出与技能引擎
- ✅
/mode命令：一键切换 USER / DEV 输出模式 - ✅ USER_MODE 错误屏蔽：10+ 种常见异常自动转为友好中文提示
- ✅
user_friendly_error()统一错误映射函数 - ✅
./skills/本地技能目录：Agent 按关键词自动检索匹配的领域技能 - ✅
_scan_local_skills()技能扫描引擎（文件名 + 内容评分排序） - ✅ 技能全文动态注入系统提示词
P6 — 自动化利用链架构升级
- ✅ Scrapling 启动优化：
StealthyFetcher.configure()全局预热，消除冷启动超时 - ✅
web_fetch超时自动重试：间隔 2s → 5s → 10s，最多 3 次 - ✅
check_service(port)环境嗅探工具：lsof/proc 提取端口进程详情（PID/路径/环境变量/动态库） - ✅
/sp sync全球技能包同步：批量 git pull 所有带 .git 的技能包 - ✅
/sp install <url>远程技能包安装：git clone + 权限修正 + 缓存刷新 - ✅ P6 流程闭环：侦察 → check_service → search_skills → install/sync → 执行
- ✅
check_service注册到 RECON/GENERAL/WEB_PEN 阶段，只读操作跳过 plan 检查
P6 — CC 风格交互 & 成本微操
- ✅ Ctrl+C 回退编辑：输入状态下 Ctrl+C 撤回最后一轮对话，将用户文本作为 default 重新编辑（对齐 Claude Code 体验）
- ✅
/undo [n]物理删除尾部消息对，不影响 Pin - ✅
/compact轻量模型总结 → 清空历史 → 摘要作首条消息 - ✅
/think <prompt>单次推理模式，自动切换推理 Worker（ds-r1/qwq） - ✅
/ping极简保活请求，刷新 API 缓存 TTL - ✅
utils/ansi.py新增Spinner类：USER_MODE 下 Loading 动画（braille 点阵旋转） - ✅ System Prompt 精简：P6 协议改为祈使句风格，技能注入格式压缩
P7 — API 鲁棒性与逻辑刷新
- ✅ API 空响应重试：自定义
APIEmptyResponseError+ 指数退避（2s→4s→8s，最多 3 次），空响应不再静默退出 - ✅ Logic Refresh 模块：每 20 轮自动触发阶段性总结，提炼关键发现与排除路径
- ✅ 冗余数据清理：自动压缩重复的短报错信息（No such file / Permission denied 等）
- ✅ Anti-Loop 检测：连续 3 次相同命令+相同错误 → 注入绕过提示（软链接/open_basedir/路径编码）
- ✅ Shell 环境持久化：自动探测 HOST_IP、缓存代理变量，所有 shell 调用继承
- ✅ 路径自动建议：文件未找到时提示
find / -name、/proc/self/cwd、readlink -f - ✅ 超时信号捕获：Popen + 进程组 → SIGTERM → 等待 → SIGKILL，收集部分输出
- ✅
/max极限档位：iter=100, ctx=600k, 60min 时间预算，适配大规模自动化利用链
基础改进
- ✅ 新增小米 MiMo 厂商接入（4 个模型）
- ✅
/worker子任务模型选择命令 - ✅ FTS5 全文搜索引擎
- ✅ 审计日志系统（
~/.pawnlogic/logs/audit_*.jsonl） - ✅ 版本号统一为 1.1
- ✅
requirements.txt依赖声明
- ✅ 新增
/chat会话管理命令系列：浏览、搜索、标签、关联历史对话 - ✅ 增强 SQLite 数据库：新增会话标签、关联、全文搜索功能
- ✅ 2026 全生态模型接入：DeepSeek V4、GLM-5.1、Qwen 3.0、Groq、Moonshot 等
- ✅ 优化配置向导：支持 12 大厂商 API Key 配置
- ✅ 新增智谱 AI 视觉模型支持：
glm-4v-plus国内直连 - ✅ GSD 企业级工程架构 · 多模态视觉 · SQLite 持久化 · RAG 知识库 · 多语言沙箱 · CTF/Pwn 工具链
Q: 如何切换模型？
A: 使用 /model 命令，如 /model ds-v4-pro 切换到 DeepSeek V4 Pro。
Q: 如何查看所有可用的模型？
A: 启动时会显示模型列表，或使用 /help 查看。
Q: 如何备份我的会话？
A: 使用 /chat export <id> ./backup.md 导出为 Markdown 文件。
Q: 如何找到之前的某个项目？
A: 使用 /chat find <关键词> 全文搜索，或 /chat bytag <标签> 按标签筛选。
Q: Agent 运行缓慢怎么办？
A: 使用 /low 切换低算力模式，或 /model groq-llama3 切换至 Groq 极速引擎，或 /clear 清空上下文释放 Token。
Q: 如何查看系统状态？
A: 使用 /limits 查看当前配置，/pwnenv 检查工具链完整性。
Q: Docker 连不上怎么办？
A: WSL2 用户需要手动启动 Docker：sudo dockerd &，或在 /etc/wsl.conf 中启用 systemd。运行 /docker status 查看具体错误。
Q: Docker 镜像拉取太慢怎么办？
A: 配置 Docker 镜像加速器（如阿里云）。在 /etc/docker/daemon.json 中添加 {"registry-mirrors": ["https://xxx.mirror.aliyuncs.com"]}，然后 sudo systemctl restart docker。
Q: 不装 Docker 能用 PawnLogic 吗？
A: 完全可以。Docker 是可选功能，本地沙箱 run_code 不受影响。run_code_docker 和 pwn_container 会返回安装指引。
Q: 如何用 Docker 跑不同版本 libc 的 Pwn 题？
A: 使用 ubuntu18（glibc 2.27）或 ubuntu22（glibc 2.35）镜像：/docker pull ubuntu18，然后让 Agent 用 run_code_docker(image="ubuntu18", ...) 执行。
Q: USER 模式和 DEV 模式有什么区别？
A: /mode 切换。USER 模式屏蔽所有原始报错，只显示友好中文提示（如 ❌ 系统忙，请稍后重试），适合演示和日常使用。DEV 模式显示完整 Traceback、Tool Call JSON 和底层日志，适合开发调试。
Q: 如何撤回上一轮对话？
A: 使用 /undo 撤回最近 1 轮，或 /undo 3 撤回最近 3 轮。在输入状态下按 Ctrl+C 也可快速撤回。
Q: 上下文快满了怎么办？
A: 使用 /compact 让轻量模型总结当前进度并清空历史，或 /clear 直接清空。/compact 会保留 Pin 消息和总结摘要。
Q: 如何让 Agent 深度推理？
A: 使用 /think <你的问题>，自动切换至推理模型（ds-r1/qwq），用完恢复原模型。
Q: 如何添加自定义技能？
A: 在 ./skills/ 目录下创建文件夹，放入 skill.md（或 guide.md），系统自动从文件名和标题提取关键词。也可添加 manifest.json 补充元数据。详见 skills/README.md。
Q: 如何同步社区最新的利用脚本？
A: 使用 /sp install <repo_url> 从 GitHub 安装技能包，或 /sp sync 批量更新已有的 .git 技能包。
Q: check_service 工具安全吗？
A: 完全安全。它是只读操作，仅通过 /proc 或 lsof 读取进程信息，不修改任何系统状态。已加入 _PLAN_EXEMPT_TOOLS，跳过 plan 检查。
Q: 时间预算用完了会怎样？
A: Agent 自动终止当前任务，输出已收集的结果。建议根据任务复杂度设置合理预算：/time 300（5 分钟）适合简单任务，/time 1800（30 分钟）适合复杂项目。
- GitHub: PawnLogic 项目仓库
- 文档: 查看本 README 和代码内注释
- 问题反馈: 请通过 GitHub Issues 提交
祝您使用愉快！ 🚀