🚀 用于Garak LLM漏洞扫描器的轻量级MCP（模型上下文协议）服务器

本项目提供了一个轻量级MCP服务器，用于Garak LLM漏洞扫描器。它可以列出可用的模型类型和模型，列出Garak攻击/探测器，获取运行报告以及运行攻击，帮助用户检测LLM的漏洞。

🚀 快速开始

在使用该工具前，请确保满足以下先决条件：

1. Python 3.11或更高版本：该项目需要Python 3.11或更新版本。

   # 检查你的Python版本
   python --version
   

2. 安装uv：一个快速的Python包安装程序和解析器。

   pip install uv
   

   或使用Homebrew：

   brew install uv
   

3. 可选：Ollama：如果你希望在ollama模型上运行攻击，请确保Ollama服务器正在运行。

ollama serve

✨ 主要特性

📦 安装指南

1. 克隆此仓库：

git clone https://github.com/BIGdeadLock/Garak-MCP.git

2. 配置你的MCP主机（Claude Desktop、Cursor等）：

{
  "mcpServers": {
    "garak-mcp": {
      "command": "uv",
      "args": ["--directory", "Garak-MCP所在路径", "run", "garak-server"],
      "env": {}
    }
  }
}

📚 详细文档

工具概览

详细说明

• list_model_types：

  • 列出所有可用于攻击的模型类型。
  • 返回支持的模型类型的列表（ollama、openai、huggingface、ggml）。

• list_models：

  • 列出指定模型类型的可用模型。
  • 输入参数：
    • model_type (字符串，必需)：要列出的模型类型（ollama、openai、huggingface、ggml）。
  • 返回指定类型的可用模型列表。

• list_garak_probes：

  • 列出所有可用的Garak攻击/探测器。
  • 返回可用探测器/攻击的列表。

• get_report：

  • 获取最后一次运行的报告。
  • 返回报告文件的路径。

• run_attack：

  • 使用给定的模型和探测器运行攻击。
  • 输入参数：
    • model_type (字符串，必需)：要使用的模型类型
    • model_name (字符串，必需)：要使用的模型名称
    • probe_name (字符串，必需)：要使用的攻击/探测器名称
  • 返回发现的漏洞列表。

🔧 技术细节

测试环境

• [X] Cursor
• [X] Claude Desktop

未来计划

• [ ] 添加对Smithery AI的支持：Docker和配置
• [ ] 改进报告功能
• [ ] 测试并验证OpenAI模型（GPT-3.5、GPT-4）
• [ ] 测试并验证HuggingFace模型
• [ ] 测试并验证本地GGML模型