Robin：把暗网搜索交给 AI 去翻

暗网 OSINT 调查向来是件磨人的事：开 Tor、进洋葱搜索引擎、一条条翻结果、把噪声和真正有用的线索分开，最后还得自己拼成一份能看的报告。整个过程手工作业多、重复性强，搜一轮常常要等上好几分钟，大部分时间花在”翻”而不是”分析”上。

Robin 想把这部分自动化。它是一个开源的 AI 驱动暗网 OSINT 工具，用 LLM 帮你精炼搜索词、过滤搜索引擎返回的结果、再根据抓到的页面生成一份调查摘要。你给出调查目标，它负责在 Tor 网络里跑搜索和抓取，把整理好的内容交回给你。

项目地址：https://github.com/apurvsinghgautam/robin
Docker 镜像：apurvsg/robin
许可证：MIT

它实际在做什么

Robin 本身不生产情报，它做的是把”搜索、抓取、筛选、总结”这条链路串起来，让 LLM 在中间接手：

你的调查问题
  ↓
LLM 生成或精炼搜索词
  ↓
通过 Tor 调用暗网搜索引擎
  ↓
抓取页面、清理文本
  ↓
LLM 过滤噪声、给出摘要
  ↓
保存报告，支持继续追问

跟直接把一堆暗网链接丢给聊天模型不同，Robin 的搜索和抓取都走 Tor，抓回来的文本会先做处理——剥离控制字符、零宽字符、双向控制符这些可能干扰模型判断的内容，再交给模型。模型拿到的是”证据”，不是可能夹带指令的原始页面。

能做什么

能力	说明
多模型接入	OpenAI、Claude、Gemini、Mistral、OpenRouter、Ollama，以及任何 OpenAI 兼容接口（LM Studio、llama.cpp、Groq 等）
Web 界面	Streamlit 写的交互式面板，适合边搜边看
MCP 支持	可以作为 MCP server 接进 Claude Code、Codex、Claude Desktop、Hermes 等 Agent，用 Agent 自己的模型驱动
对话式追问	基于本次调查已抓到的数据继续提问，不用重新搜索
一键 Pivot	从已有发现里自动给出后续查询方向，点一下就能开新调查
Docker 部署	官方推荐 Docker，隔离、干净，一条命令启动

安装与上手

前置条件只有一个硬性的：装好 Tor 并让它跑在后台。macOS 用 brew install tor，Linux 用 apt install tor。

然后准备一个 API key 放进 .env。OPENAI_API_KEY、ANTHROPIC_API_KEY、GOOGLE_API_KEY、MISTRAL_API_KEY、OPENROUTER_API_KEY 里有任意一个就行，Robin 会按你配好的 key 列出对应模型。

Docker 启动：

docker pull apurvsg/robin:latest

docker run --rm \
   -v "$(pwd)/.env:/app/.env" \
   --add-host=host.docker.internal:host-gateway \
   -p 8501:8501 \
   apurvsg/robin:latest

浏览器打开 http://localhost:8501 就能用。

想接进现有 Agent，走 MCP，比如 Claude Code：

1	claude mcp add robin -- docker run -i --rm -v robin-investigations:/app/investigations apurvsg/robin mcp

注意：Tor 搜索通常要几分钟，接 Agent 时记得把 MCP 超时调大，官方示例给到 600 秒。

用 Ollama 这类本地模型时，容器里访问不到宿主机的 127.0.0.1:11434，需要让 Ollama 监听 0.0.0.0，再用 --add-host=host.docker.internal:host-gateway 挂过去，README 里有具体步骤。

适合哪些人

威胁情报和安全研究团队：需要持续关注暗网里的泄露、数据兜售、攻击工具动态，又不想把人力耗在手工翻页上。
红队 / 渗透测试人员：做授权范围内的情报收集，快速摸清目标相关的公开暗网信息。
OSINT 爱好者：对开源情报方法论感兴趣，想用 AI 提高效率。
已经在用 AI Agent 的人：工作流里本来就有 Claude Code、Codex 这类工具，MCP 接进去很顺手。

不太适合这些情况：

没有合法授权、想找违法渠道或服务的人。项目声明明确只用于教育和合法调查。
不愿意搭 Tor 环境、不想申请 API key 的人。前置条件不算多，但也不是零门槛。
想把它当”暗网万能搜索引擎”的人。Robin 的质量取决于底层搜索引擎能返回什么，以及模型过滤得怎么样，不是所有内容都能搜到。

优点

模型选择灵活。 不绑死某一家，云端 API 和本地 Ollama 都能接，成本可控。

和现有 Agent 打通。 MCP 支持是它最实用的点之一。搜一轮暗网、抓页面、出摘要，这套动作可以直接在你的 Claude Code 或 Codex 会话里完成，不用切换工具。

安全设计想得比较细。 搜索和抓取走 Tor，抓回来的文本先消毒再交给模型；工具本身不执行 shell，唯一写盘的是调查报告。对要处理不可信内容的场景，这几条能挡掉不少坑。

追问不重跑。 一次调查抓到的数据可以反复追问，省掉重复搜索的等待和成本。

开源、MIT 协议。 代码公开，可以自己审计、自己改、自己部署。

缺点与限制

环境和成本有门槛。 要装 Tor、要 API key。用云端模型，抓取和摘要都会消耗 token；本地模型能省钱，但摘要质量可能打折扣。

慢。走 Tor 的搜索一轮动辄几分钟，急着要结果时会很磨人。

结果依赖模型和底层搜索引擎。 LLM 过滤会漏，也会误判；暗网搜索引擎本身覆盖不全。Robin 给的是”整理过的线索”，不是”完整的事实”。

法律和合规风险要自己担。 某些地区访问暗网内容本身就可能违法。工具能做搜索，不代表你有权访问和使用搜到的内容。

敏感查询会发给模型服务商。 模型调用不走 Tor，是直连。查敏感目标前，先看清楚所用模型服务商的数据处理政策。

用之前想清楚三件事

授权先行。 只做有合法依据的调查，别碰和违法犯罪沾边的目标。
数据边界。 你的查询词和抓到的内容会交给模型服务商，敏感任务优先考虑本地模型或自部署。
结果要复核。 AI 给的摘要只是起点，关键结论回到原始页面和证据上再确认一遍。

Robin 的看点不是”AI 能不能查暗网”，而是它把暗网 OSINT 里最枯燥的翻页、筛选和整理，变成了一套可以交给 LLM、也能接进 Agent 的流程。

如果你是做威胁情报或授权渗透的，又有现成的 API key，值得花十几分钟跑一次试试。它不会让暗网调查变成点一下就有答案，但能把”搜、翻、筛、写”这条链路缩短不少。