Was ist Shannon? Der autonome KI Pentester für Web Apps 2026

Shannon ist ein autonomer KI Pentester für Web Apps und APIs von Keygraph. Er liest den Quellcode einer Anwendung, findet Angriffswege und beweist sie mit echten Exploits gegen die laufende App.

Das Prinzip heißt No exploit, no report: Nur Schwachstellen mit funktionierendem Proof of Concept landen im Bericht. Mit Version 3.0 vom 2. September 2026 kamen eine agentische Code Analyse, PDF Reports, SARIF und offizielle Integrationen für GitHub Actions und GitLab CI dazu. Das Projekt steht unter AGPL 3.0 auf GitHub und hat über 48.000 Stars.

Shannon versteht sich als Gegenstück zum schnellen Vibe Coding. Wer täglich mit KI Agenten Code erzeugt, testet so jedes Release statt nur einmal im Jahr. Auf der Entwicklerseite ergänzt Vise Coding mit Guardrails diesen Ansatz.

Wir testen seit über 20 Jahren Software und bauen Quality Gates in GitHub Actions und GitLab CI. Unsere eigene Pipeline prüft jeden Push mit PHPStan, PHPUnit und Cypress, bevor etwas live geht. KI Modelle betreiben wir lokal mit Ollama auf eigenen Servern in Deutschland. Genau dort setzt Shannon an: als zusätzliches Gate, das Sicherheitslücken mit echten Exploits belegt statt nur Verdachtsfälle zu melden.

Wir helfen Teams, Shannon einzuordnen und in bestehende Abläufe zu bringen. Das passt zu unserem Vibe Coding Consulting, zu den NCA Agentic AI Coding Guardrails und zu einer CI CD Pipeline mit Docker und Staging, in der Shannon gegen die Staging Umgebung läuft. Für den Betrieb mit eigenen Modellen hilft unser Vergleich der besten lokalen Coder Modelle, als Gegenstück zu SaaS Scannern lohnt der Blick auf Claude Security.

Keygraph hat Shannon 3.0 am 2. September 2026 vorgestellt. Die wichtigsten Neuerungen:

• Agentische Code Analyse: Eine neue mehrstufige Pipeline, angelehnt an die Open Source Mantis Skills. Sie modelliert Komponenten, Datenflüsse und Trust Boundaries. Ein unabhängiger Review Agent prüft jeden Kandidaten, bevor er in die Exploit Warteschlange geht.
• Neue CLI: Die Befehle status, logs und scans zeigen Phasen und Agenten direkt im Terminal. Das Temporal Web UI braucht man dafür nicht mehr.
• Fortsetzbare Workspaces: Der Fortschritt jedes Agenten wird gespeichert. Abgebrochene Scans laufen dort weiter, wo sie stehen geblieben sind.
• CI CD: Offizielle GitHub Action und GitLab CI Komponente mit Severity Gate.
• Reports: PDF, Markdown, JSON und SARIF 2.1.0.
• Deduplizierung und MISC Agent: Doppelte Findings werden in zwei Durchgängen zusammengeführt. Ein sechster Exploit Agent übernimmt Schwachstellen, die in keine der fünf Kernkategorien passen.
• Severity über CVSS: Die Agenten leiten die Einstufung aus den CVSS Faktoren ab.

Der Unterbau hat sich schon mit Version 2.0 im Juli 2026 geändert. Shannon läuft seitdem nicht mehr auf dem Claude Agent SDK, sondern auf dem Pi Harness. Damit ist das Tool nicht mehr an Anthropic gebunden. Google Vertex AI fiel dabei als Provider weg.

Die früheren Namen Shannon Lite und Shannon Pro nutzt Keygraph nicht mehr. Heute gibt es zwei Editionen:

• Shannon Open Source: Der komplette Agent, lokal per CLI oder in der Pipeline. Gedacht für einzelne Entwickler und kleine Teams. Lizenz AGPL 3.0.
• Keygraph Enterprise Platform: Die kommerzielle Plattform für viele Teams, Repositories und Umgebungen. Laut Keygraph mit Datenflussgraphen, Source to Sink Analyse, SCA mit Reachability, Secrets, IaC und Container Scans, zentraler Verwaltung der Findings und On Premise Deployment.

In beiden Editionen gilt Bring your own Key. Keygraph sieht weder Quellcode noch Modell Traffic, die Anfragen gehen direkt an den gewählten Anbieter. Mit einem lokalen Endpunkt bleiben sie im eigenen Netz. Für Firmen, die mit der AGPL nicht arbeiten können, bietet Keygraph kommerzielle Lizenzen an.

Seit 3.0 laufen zwei Analysen parallel und münden in einen gemeinsamen Exploit Schritt:

1. Recon und Schwachstellenanalyse: Shannon erkundet die laufende App und verknüpft ihr Verhalten mit dem Quellcode. Spezialisierte Agenten suchen nach Injection, XSS, SSRF sowie Fehlern bei Authentication und Authorization.
2. Agentische Code Analyse: Ein zweiter Strang baut ein Sicherheitsmodell aus Architektur, Schnittstellen, Abhängigkeiten, Datenflüssen und Trust Boundaries.
3. Abgleich: Beide Kandidatenlisten werden zusammengeführt und dedupliziert.
4. Exploitation: Agenten greifen die laufende App per Browser Automatisierung und CLI Tools an.
5. Validierung: Alles, was sich nicht beweisen lässt, fliegt raus.
6. Reporting: PDF und Markdown mit Belegen, dazu JSON und SARIF für andere Systeme.

Jeder Scan läuft in einem kurzlebigen Docker Container. Das Repository wird nur lesend eingebunden. Ein voller Lauf dauert laut Keygraph etwa 1 bis 1,5 Stunden.

Shannon ist providerunabhängig. Eingebaut sind Anthropic, OpenAI, xAI und AWS Bedrock. Über den Pi Harness laufen weitere Anbieter nach dem Schema provider:model. Gateways wie LiteLLM oder Router wie OpenRouter hängst du über eine eigene Base URL an.

Für lokale Modelle über Ollama, vLLM oder LM Studio beschreibst du das Modell in einer Konfigurationsdatei und übergibst sie mit --models-config. Keygraph warnt selbst: Modelle, die Anweisungen und Tool Calls nicht sauber befolgen, liefern schwächere Pentests. Wie sich lokale Modelle dabei schlagen, zeigen unser Vergleich der besten lokalen Coder Modelle und der Artikel zu Qwen3 Coder Next über Ollama.

Statt API Credits geht seit Version 2.4.0 auch ein ChatGPT Plus oder Pro Abo über Codex, dazu ein xAI Abo. Ein Claude Code Abo funktioniert nur noch mit Version 1.9.0, der letzten auf dem Claude Agent SDK. Wichtig vor dem ersten Scan: Anthropic und OpenAI haben Schutzmechanismen für Cyber Workloads, die einen Lauf unterbrechen können. Keygraph empfiehlt, die Freigabe für Security Tests vorher beim Anbieter zu klären.

Du brauchst Docker, Node.js ab Version 18 und Zugangsdaten für ein KI Modell. Der Einstieg läuft über npx, ein Clone ist nicht nötig.

Shannon lädt das Worker Image von Docker Hub, startet die lokale Infrastruktur und schreibt alle Ergebnisse in einen lokalen Workspace. Bricht ein Lauf ab, setzt derselbe Befehl mit gleichem Workspace an der letzten Stelle fort. Logins mit TOTP oder Mail Authentifizierung, Fokusbereiche und Rules of Engagement steuerst du über eine Konfigurationsdatei. Mit status --json gibt es den Stand maschinenlesbar für eigene Skripte.

Seit 3.0 gibt es eine offizielle GitHub Action und eine wiederverwendbare GitLab CI Komponente. Beide lesen das Repository aus dem Checkout und greifen eine laufende Staging Umgebung an. Ein Schritt im GitHub Workflow sieht so aus:

Das Gate folgt dem gleichen Prinzip wie der Report: Nur ein tatsächlich ausgenutztes Finding ab der gewählten Schwere bricht den Build ab. Eine reine Hypothese aus der Code Analyse reicht dafür nicht. Reports, SARIF und Logs landen als Artefakte in der Pipeline, mit upload-sarif auch im GitHub Code Scanning. Laut Doku braucht die Action ein privates Repository und einen Runner mit Docker Compose v2.

Wie so ein Gate neben PHPStan, PHPUnit und Cypress sitzt, zeigt unsere CI CD Pipeline mit Docker und Staging.

Shannon ist kein passiver Scanner. Das hat Folgen für den Einsatz:

• Nur mit Erlaubnis: Die Agenten legen Nutzer an, schicken Formulare ab und ändern Daten. Erlaubt ist das nur gegen eigene oder schriftlich freigegebene Systeme, nie gegen Produktion.
• Mensch prüft mit: Reports aus einem LLM können schwach belegte oder falsche Details enthalten.
• Prompt Injection: Fremde oder nicht vertrauenswürdige Codebasen gehören nicht in einen Scan, weil der Agent den Code liest.
• Modellkosten: Jeder Lauf verbraucht Tokens. Im Benchmark gegen Photoview 2.4.0 nennt Keygraph je nach Modell rund 6 bis 115 Dollar pro Scan, getestet mit DeepSeek v4 Flash, Grok 4.6 und Claude Opus 5.
• Kein Ersatz für Experten: Keygraph sieht Shannon als Ergänzung zu menschlichen Pentestern, nicht als Ablösung.

Ältere Versionen standen im März 2026 in einem GitHub Issue wegen gelockerter Container Isolation in der Kritik. Wer Shannon im Unternehmen betreibt, prüft die Docker Konfiguration deshalb vorab und hält das Tool aktuell.

Shannon ist ein Baustein, kein kompletter Sicherheitsplan. In unseren Projekten verbinden wir statische Analyse, Tests und Reviews zu einer Kette. Warum ungeprüfter KI Code teuer wird, beschreibt unser Artikel zu technischen Schulden durch Vibe Coding. Dass verschlossener Quellcode allein keine Sicherheit bringt, zeigt die Debatte um Cal.com und Closed Source.

Wer mehrere Agenten für Tests und Reviews orchestrieren will, findet bei AutoGen einen Einstieg. Für die Gates im Repository nutzen wir die NCA Agentic AI Coding Guardrails.