你有没有想过，如何把一个冷冰冰的资产测绘工具，变成能听懂人话、还会"自己思考"的安全智能体？开源项目 FofaMap 给出了一个可复制的答案：它是一款证据驱动的 FOFA 资产测绘智能体，核心能力来自一条四阶段的AI 决策链，以及背后一整套Prompt Engineering实战技巧。这篇文章带你逐步拆解：从"一句话需求"到"完整安全报告"，一个会反思、会决策的安全智能体到底是怎么写出来的，新手也能看懂门道。

🤔 为什么大多数 FOFA 工具"不会思考"

传统 FOFA 查询工具的流程是线性的：你输入语法 → 发请求 → 返回结果。问题在于：

• 0 Results 就结束：语法差一个字符，工具只会冷冰冰显示0 Results，而原因可能只是region写得太严、域名后缀猜错了；
• 没有判断力：要不要跑漏洞扫描、用什么参数全凭人工拍脑袋，往往"无脑全量扫"；
• 数据与结论分离：查到的资产只是一张表，分析、报告还得自己另做。

真正的安全智能体需要一条完整闭环：理解意图 → 生成语法 → 执行查询 → 失败反思 → 修正重试 → 基于证据决策 → 人工审批 → 证据链报告。这条闭环，就是本文重点拆解的"AI 决策链"。

🧠 拆解 FofaMap 的 AI 决策链：从一句话到完整报告

整条决策链集中在 core/ai.py，分为 4 个阶段，每个阶段对应一次独立的 LLM 调用。

阶段一：战略路由——让 AI"做选择题"而不是"猜"

当你输入"帮我找一下 bing.com 所有的子域名，并扫描一下"，FofaMap 并不是让模型自由发挥写查询，而是先让它从固定的动作路由表中输出"战法"。路由表只有 5 个选项：

这一阶段的 Prompt 核心设计（实现见 core/ai.py）有三点：枚举全部路由选项 + 每个选项配 1~2 个场景示例 + 强制纯 JSON 返回（含action / queries / fields / run_nuclei字段）。把模型的发挥空间压缩成"结构化选择题"，下游代码才能确定性地执行——这是 Prompt Engineering 的第一课。

阶段二：自我反思——让智能体真正"会想"的关键

决策链里最精彩的环节是自我反思机制。在 core/handler.py 中，当连续多条查询都返回 0 结果时，程序会把"失败证据"（用户原始意图 + 全部失败查询语句）交给 AI，让它分析原因并生成 3 条更宽泛的修正查询。

反思 Prompt 给出了 4 条明确的修正策略，非常值得借鉴：

1. 保守修正：只去掉最容易出错的 1 个条件（如 region / city），保留核心指纹；
2. 模糊匹配：用body=或title=替换host=，扩大搜索范围；
3. 极度宽泛：只保留最核心关键词，作为最后兜底；
4. 域名猜想：猜.edu.cn没结果，就换.cn/.com，或直接查中文关键词。

这是典型的"反思循环"：把失败结果作为下一轮推理的输入，而不是让模型一次性作答就完事。对应实现为 core/ai.py 中的reflect_and_retry方法。

阶段三：基于证据的扫描决策——值得扫才扫

查到资产后，AI 不会"无脑全量扫"。core/ai.py 的generate_summary会把**实际资产样本（前 30 条）**作为证据喂给模型，让它完成技术栈识别：

• 发现Java / Spring / Shiro→ 推荐-tags spring,shiro,java；
• 发现ThinkPHP / Laravel→ 推荐-tags thinkphp,laravel；
• 用户明确查 Log4j → 必须包含-tags log4j或对应 CVE 编号；
• 目标少且重要 → 提升扫描速率-bs 25 -rl 150。

AI 会输出"资产画像总结 + 推荐 Nuclei 参数"，但不直接执行：CLI 会弹出三个选项——执行推荐扫描 / 手动修改参数 / 仅生成报告。这种Human-in-the-loop（人工审批）设计，是安全智能体必须守住的底线。

阶段四：证据链报告——让数据说话，绝不编造

最后的报告同样是"证据驱动"。core/ai.py 的generate_vuln_report会取两份证据——资产测绘样本和Nuclei 扫描日志（只保留 critical / high / medium / low 漏洞行）——再让模型撰写综合评估报告。Prompt 中特意约束："如果是空日志，不要捏造漏洞"；若未发现漏洞，则重点分析暴露面风险（如 3389 / 22 端口的暴力破解风险）。

"输入证据 + 输出约束 + 反编造条款"，三者齐备，才是一份可靠的报告类 Prompt。

✍️ 从 FofaMap Prompt 里提炼的 6 个实战技巧

把上述 4 个阶段浓缩一下，就是 6 条可以直接复用到自己智能体里的技巧：

1. 约束选择优于自由生成：枚举全部合法动作并配示例，让模型"选择 + 填空"，而不是"自由发挥"；
2. 锁定输出格式：明确要求"JSON Only"，并用response_format: json_object参数双保险（core/ai.py）；
3. 给模型喂"证据"：失败查询、真实资产样本、扫描日志——输入越具体，输出越专业，幻觉越少；
4. 不同任务配不同 temperature：战略路由用 0.2（要稳）、反思修正用 0.4（要敢）、报告撰写用 0.3——参数也是 Prompt 的一部分；
5. 注入边界与权限：FofaMap 把 FOFA VIP 等级的字段权限表直接写进 Prompt，模型会自动避开越权字段，这是让智能体"懂规矩"的通用做法；
6. 高危动作人工拍板：漏洞扫描只"推荐"不"执行"，把执行权留给人。

🔌 让智能体走出终端：CLI、MCP 与多模型配置

安全智能体的价值不止于命令行，FofaMap 提供了三种接入方式：

• CLI 一句话模式：python3 fofamap.py -ai "帮我收集一下 XX 学校的子域名网站，并扫描一下"，全链路自动决策（入口见 fofamap.py）；
• MCP 服务：mcp_server.py 暴露了search_assets、get_host_aggregation、ai_security_consultant等 7 个标准 MCP 工具，可接入 Cursor、LM Studio 或任意 MCP 客户端，让你的 AI 助手直接"调用" FofaMap；
• 多模型可配置：config/settings.yaml 支持 DeepSeek / OpenAI / Ollama / LM Studio，一行切换，整条决策链甚至可以在本地模型上跑起来。

🚀 5 分钟快速上手 FofaMap

git clone https://gitcode.com/gh_mirrors/fo/FofaMap cd FofaMap pip3 install -r requirements.txt python3 fofamap.py init

运行init向导，按提示填入 FOFA 账号与 AI 模型配置（自动保存到 config/settings.yaml），然后试一句：

python3 fofamap.py -ai "帮我查一下美国哈佛大学的子域名网站，并扫描一下"

你会亲眼看到 AI 路由、查询执行、反思重试、扫描决策、报告生成一气呵成。如需 Nuclei 扫描，将nuclei可执行文件放入项目根目录或加入 PATH（定位逻辑见 core/scanner.py）。

🏁 总结

会思考的安全智能体，核心不在于"更大的模型"，而在于一条有证据、会反思、受人工控制的决策链。FofaMap 的"战略路由 → 自我反思 → 证据决策 → 证据链报告"四阶段，加上 6 条 Prompt 技巧，就是一套任何人可以照着复用的完整模板。

FofaMap 由 Hx0 战队开发维护：

⚠️ 免责声明：本工具仅面向合法授权的企业安全建设场景（如内部攻防演练、资产管理）。请确保行为符合法律法规，并已获取目标所有者授权。