使用n8n達成自動化賞金獵人(無程式碼撰寫)-4個模板

BB Tip Harvestor

BB Tip Harvestor 是一個 n8n 自動化流程，每 4 小時透過 Twitter API 搜尋含 #bugbountytips、#bugbounty 等標籤的最新推文，並排除寫作、折扣、釣魚等雜訊內容。流程會整理推文的 ID、內容、連結與發文時間（可排序格式），最後寫入 Google Sheets；若遇到相同 TweetID 會更新而非重複新增，方便你建立可搜尋、可整理的 Bug Bounty 技巧資料庫。

流程說明：

觸發器：每 4 小時跑一次

Node：Schedule Trigger（scheduleTrigger）

設定 hoursInterval: 4

意思是：每 4 小時觸發一次整個流程

只要 Workflow 啟用（active=true），就會一直定時跑

呼叫 Twitter API：搜尋最新推文

Node：HTTP Request（httpRequest）

它會打這個 API：

GET https://api.twitterapi.io/twitter/tweet/advanced_search

並帶上 query 參數：

query = "(#bugbountytips OR #bugbounty OR #bugbountytip) -Writeups -discount -phishing -fuck"

(#bugbountytips OR #bugbounty OR #bugbountytip)：找包含這些 hashtag 的推文
Writeups -discount -phishing -fuck：排除包含這些字的推文（減少雜訊）

queryType = "Latest"：偏向拿「最新」結果

驗證方式：

使用 httpHeaderAuth（HTTP Header Auth）

Code 節點：把 API 回傳資料整理成「一筆筆推文」的格式

Node：Code（code node, JavaScript）

這段 JS 的核心目的：

A. 同時支援「多筆推文」和「單筆推文」兩種回傳格式

如果 API 回傳長這樣：

$input.item.json.tweets 是陣列（多筆）
就會 map 每一筆 tweet，轉成 n8n 的 item 格式 { json: {...} }

否則當作單筆 tweet（直接從 $input.item.json 抽欄位）

B. 抽出的欄位

它會把每筆推文整理成這些欄位（你後面 Sheets 會用到其中一部分）：

tweetId

url

content（tweet text）

likeCount

retweetCount

replyCount

quoteCount

viewCount

createdAt（格式化後的字串）

C. createdAt 會被格式化成人看的字串

用 toLocaleString('en-US', ...) 產生像這種：

"July 7, 2025 at 04:43 AM"

並且程式碼也會 console.log 一些 debug 訊息（只影響 log，不影響資料流）

Google Sheets：寫入或更新（用 TweetID 去重）

Node：Append or update row in sheet（googleSheets）

A. 寫入模式：`appendOrUpdate`

不是單純 append（一直加新列）

而是：如果 matchingColumns 找到已存在的列，就更新；找不到就新增

B. 去重方式：matchingColumns = `TweetID`

設定：

"matchingColumns": ["TweetID"]

意思是：同一個 TweetID 只會有一列

這樣就算每 4 小時抓到重複的推文，也不會一直重複新增

C. 寫入欄位 mapping（你表格需要這些欄位）

它實際寫進表格的欄位是：

Created At = {{$json.createdAt}}（人類可讀字串）

TweetID = {{$json.tweetId}}

Content = {{$json.content}}

Url = {{$json.url}}

Date = 一段 n8n expression，把 Created At 再轉成可排序的時間字串（YYYY-MM-DD HH:MM:SS）

`Date` 欄位在幹嘛？

因為 Created At 是 "July 7, 2025 at 04:43 AM" 這種字串，排序不一定好用。

所以它用一段 expression：

把月份英文轉成數字月

把 AM/PM 轉 24 小時

組出類似：

2025-07-07 04:43:00

這樣 Google Sheets 就能比較穩定地排序、篩選、做時間相關分析。

中文化json檔案：

H1 reports

H1 reports 是一個 n8n 自動化流程，透過公開的 Chat 介面接收使用者輸入的 HackerOne 報告 .json 連結，並由 AI Agent 自動呼叫 HTTP 工具抓取報告 JSON 內容。流程使用 Google Gemini（gemini-2.5-pro）進行分析，聚焦萃取高價值且不重複的技術洞察（如 payload、繞過技巧、鏈式利用方式與根因），再依固定模板輸出 Summary、Techniques（含 Context/Technique/Impact）與可選 Pro Tip，讓 bug bounty hunter 能快速把報告轉成可直接實作的測試方法與筆記。

流程說明：

入口：Chat Trigger（聊天介面 / webhook）

Node：When chat message received

類型：@n8n/n8n-nodes-langchain.chatTrigger

它在做的事：

public: true：這個聊天 webhook 是公開可用的（等於你可以分享連結給別人使用）。

initialMessages：使用者一進來看到的開場白：

"Hey! Send your report's link down below"

customCss：那段 CSS 是用來把聊天 UI 做成偏「pentester theme」的樣式（字型、配色、code block 外觀、視窗大小等）。

輸入是什麼？

使用者在聊天輸入框貼一段文字（預期是 H1 report URL）

這段文字會在後面以 $json.chatInput 的形式交給 AI agent

LLM：Google Gemini Chat Model

Node：Google Gemini Chat Model

類型：lmChatGoogleGemini

modelName: models/gemini-2.5-pro

使用 googlePalmApi 憑證（你在 n8n 裡配置的 Gemini/PaLM API Key）

它的角色：提供 AI agent “腦力”，用來理解報告、提煉重點、生成你指定格式的輸出。

工具：HTTP Request Tool（抓 HackerOne 報告 JSON）

Node：GET H1 report

類型：httpRequestTool

它是給 AI agent 使用的「工具」（tool），專門做這件事：

用 GET 去抓：https://hackerone.com/reports/<id>.json

url 是動態的：

={{ $fromAI('URL', ``, 'string') }}

意思是：讓 agent 從對話內容抽出 URL，塞到這個 HTTP 工具裡去呼叫

另外它也寫了 toolDescription，告訴 agent：URL 長什麼樣、舉例哪些是合法輸入。

前面 sticky note 寫的「No hardcoded credentials」也符合這裡：它只是做公開 JSON 的 GET，不需要把帳密硬寫在裡面。

核心：AI Agent（負責協調 + 產出格式）

Node：H1 report summarizer

類型：@n8n/n8n-nodes-langchain.agent

這顆是整個 workflow 的「總控」。

它怎麼運作？

text: ={{ $json.chatInput }}

→ 使用者在聊天輸入的內容就是 agent 的輸入

systemMessage 裡有非常關鍵的規則（你寫得很嚴格）：

在寫任何東西之前

必須先呼叫工具 GET H1 report 一次且只能一次，並把使用者給的完整 URL 傳進去

解析回來的 JSON，從報告內容萃取「高價值技術洞察」

不要寫背景知識、不要一般性摘要，要偏 advanced hunter 角度

輸出格式被你固定成：

Summary（1–2 句 BLUF）
Techniques（每條包含 Name / Context / Technique / Impact，且 Technique 會偏 payload/steps/code）
Pro Tip（可選）

連線關係（connections）代表什麼

你的 connections 讓整個鏈路變成：

When chat message received →（main）→ H1 report summarizer
Google Gemini Chat Model →（ai_languageModel）→ H1 report summarizer
GET H1 report →（ai_tool）→ H1 report summarizer

意思是：Agent 同時拿得到「LLM」和「HTTP 工具」，可以先抓資料再分析。

中文化json檔案：

etxNuclei Template Generator

etxNuclei Template Generator - from CVE/POC 是一個 n8n 自動化流程，透過表單收集 CVE ID、漏洞描述與 PoC 檔案（.py/.txt/.sh），並自動將 PoC 內容抽取成文字後整理成標準輸入。流程會交由 AI Agent（優先使用 OpenAI GPT-4o，必要時切換 Gemini 模型）依 Nuclei 規範產出可直接使用的 YAML 模板，包含合適的請求結構、payload/placeholder、matchers 與降低誤報的條件設定，同時強制標記 metadata.verified=false 以利人工覆核。生成後會自動清理多餘的 markdown、修正常見語法問題，將模板轉成以 CVE 命名的 .yaml 檔並上傳到指定 Slack 頻道，方便團隊快速取得與分發測試模板。

流程說明：

表單入口：收集 CVE / 描述 / PoC 檔

Node：Form Submission Trigger (formTrigger)

會產生一個表單頁面（有自訂 CSS）

表單欄位：

CVE ID（必填）

CVE description（必填）

POC（必填檔案，上傳 .py/.txt/.sh）

使用者填完送出後，才會觸發後續流程。

讀取 PoC 檔案內容（把檔案變成文字）

Node：Extract POC Content (extractFromFile)

operation: "text"

binaryPropertyName: "POC"

意思是：把使用者上傳的 PoC 檔（binary）轉成文字內容，輸出到 $json.data

整理成固定欄位：cve_id / cve_description / poc

Node：Prepare Template Data (set)

把資料統一整理成：

cve_id ← 表單的 CVE ID

cve_description ← 表單的 CVE description

poc ← $json.data（剛剛抽出的 PoC 文字）

這樣下一步 LLM 才能用一致的欄位讀資料。

核心：AI Agent 產生 Nuclei YAML

Node：Generate Nuclei Template (langchain.agent)

它把輸入拼成一段 prompt：

CVE ID

CVE description

PoC（包在 code block 裡）

並搭配超長的 systemMessage 規則，要求 LLM：

只輸出有效 YAML（不能有 markdown、不能有解釋）

metadata.verified: false 必須永遠存在

用 Nuclei 的現代語法、placeholder（[[BaseURL]] / [[Hostname]]…）

對多 payload 要選對 clusterbomb/pitchfork/batteringram

matcher 要盡量降低誤報

甚至包含「baseline + exploit」兩段 request 的建議模式等

模型配置（Primary + Fallback）

你接了兩個語言模型到同一個 Agent：

OpenAI Model (Fallback)：gpt-4o（temperature 0.2）

Google Gemini AI Model：gemini-2.0-flash-exp

而且 Agent 設了 needsFallback: true

→ 代表它會優先用主要模型，失敗/不可用時再用 fallback（實際優先順序會依 n8n/節點設定的 index 與執行行為；你的 wiring 看起來就是「一主一備」的設計）。

把 Agent 的輸出欄位抽出來

Node：Extract Generated Template (set)

template = {{$json.output}}

也就是把 LLM 輸出的 YAML 字串放到 template 這個欄位，方便後續處理。

清理 + 基本校驗 + 生成「可上傳的 YAML 檔案」

Node：Validate and Format Template (code)

這段 JS 做了幾件很實用的事：

去掉可能出現的 ```yaml code fence（有些模型會不小心包 markdown）
修常見符號錯誤：把 [[ ]] 替換成 {{ }}（避免模板語法混亂）
從內容抓 CVE-YYYY-NNNNN 當檔名：例如 CVE-2025-12345.yaml
把 YAML 字串轉成 base64 binary，讓 n8n 能當「檔案」處理（mimeType: text/yaml）

最後輸出會包含：

json: cveId / filename / message / timestamp

binary.data: 真正要上傳的檔案內容

發送：上傳檔案到 Slack

Node：Upload Template File (slack)

resource: file

上傳到指定 channel：C08HWT4RHGV

使用你設定的 Slack Bot 憑證

結果就是：Slack 會收到一個以 CVE 命名的 .yaml 檔。

中文化json檔案：

etxNuclei Template Generator - from CVE_POC.json

21.3 KiB

The_Warden_CVE_Shoten

CVE Shoten 是一個 n8n 自動化流程，每小時透過 NIST NVD 公開 CVE API 抓取「過去一小時內新發布」的 CVE（最多 20 筆），並將每筆資料拆分後萃取關鍵欄位（CVE 編號、UTC 發布時間、漏洞描述、CVSS 嚴重度分數 v2–v4、參考連結）。流程會交由 Google Gemini（gemini-2.5-pro）依 bug bounty hunter 視角進行相關性評估，輸出精簡且可直接貼到 Slack 的格式（含可點擊的 CVE 連結、Bug Bounty Relevance 等級與一條可實作的測試策略），最後自動發送到指定 Slack 頻道，讓你即時掌握值得優先追蹤的 CVE 與可複用的測試方向。

簡單來說：每小時 → 抓最新 CVE → 拆分整理關鍵欄位 → 用 Gemini 判斷 bug bounty 相關性並給測試策略 → 發 Slack 通知。

流程說明：

定時觸發：每小時跑一次

Schedule Trigger

設定是 field: hours（沒有指定間隔數字時，通常代表每 1 小時）

作用：每小時自動啟動整條流程

從 NIST NVD API 抓「最近一小時」新發布的 CVE

HTTP Request

打的是 NVD 的 CVE 2.0 API：

https://services.nvd.nist.gov/rest/json/cves/2.0

Query 參數：

pubStartDate = 現在時間 - 1 小時
pubEndDate = 現在時間
resultsPerPage = 20（每次最多抓 20 筆）
startIndex = 0

意思是：每次執行都去抓「過去一小時內發布的 CVE」，最多 20 筆。

把回傳的 CVE 清單拆成「一筆一筆」方便後面處理

Split Out

fieldToSplitOut: vulnerabilities

NVD API 回傳通常是一包資料，裡面有 vulnerabilities: [...]

這步會把陣列拆開，變成 n8n 裡的多個 items：一個 item = 一個 CVE

萃取重點欄位並格式化

Edit Fields (Set)

它把每個 CVE item 轉成你要的欄位：

cve：CVE ID（例如 CVE-2025-12345）

published：把 cve.published 轉成 UTC 的可讀時間字串（en-GB 格式 + (UTC)）

cve_descriptions：拿第一段描述 descriptions[0].value

severity：依序嘗試 CVSS v4.0 → v3.1 → v3.0 → v2

找到就輸出像 HIGH (8.8)，找不到就 Unknown

references：取第一個 reference URL

目的：把原始 JSON 裡雜亂的欄位統一整理好，方便丟給 AI。

AI 分析：判斷「對 bug bounty 值不值得做」並輸出 Slack 格式

CVE Summarizer (LangChain Agent + Gemini)

使用 Google Gemini Chat Model：gemini-2.5-pro

你在 system prompt 裡規定它要：

以「菁英 bug bounty hunter」角度評估
只講能幫你決策、能直接測試的內容
不要科普
輸出必須是 Slack-ready（含 Slack hyperlink <url|text>、總長不超過 5 行）
一定要包含原始 CVE 描述
給一條可執行的策略（例如掃哪些端點、找哪些 pattern）

它收到的輸入大概長這樣（由你 prompt 組的）：

Severity

Published

Description

輸出則是你要的格式，例如：

CVE:* <link|CVE-ID> | *Severity:* ...

🎯 Bug Bounty Relevance: HIGH/MEDIUM/LOW/NONE

1-2 行精準原因

Strategy:* ...

把 AI 產出的評估送到 Slack 指定頻道

Send a message (Slack)

text = {{$json.output}}（直接把 AI 的輸出送出）

channelId 目前是空的（你需要填你的目標 Slack 頻道）

includeLinkToWorkflow: false（不附上 workflow 連結）

中文化json檔案：

CVE Shoten.json

12.4 KiB

The_Warden_etxHackerone_Scope_Monitor

etxHackerOne Scope Monitor 是一個 n8n 自動化流程，每 20 分鐘透過 HackerOne GraphQL API 以分頁批次方式抓取提供賞金的最新計畫清單（依 launched_at 排序、每頁 100 筆），並彙整出各計畫的 handle 與最新 structured scope version。流程會將結果與 Supabase 資料庫中的既有紀錄比對，偵測新上架計畫與 scope version 更新，並自動建立或更新資料庫欄位以保持與 HackerOne 即時資料同步；若發現版本變動，會進一步抓取最新 scope 明細（in-scope / out-of-scope）與資料庫舊資料比較，整理出新增的資產範圍與變更摘要。最後透過 Discord webhook 發送結構化通知（含計畫名稱、連結、scope version 與新增項目清單），讓研究員能即時掌握計畫上線與 scope 演進，快速調整掃描與測試優先順序。

簡單來說：它會每 20 分鐘同步 HackerOne bounty 計畫清單與 scope 版本到 Supabase，並在偵測到新計畫或scope 版本/範圍更新時，透過 Discord webhook送出結構化通知（含 program handle、連結與新增的 scope 項目）

流程說明：

排程：每 20 分鐘跑一次同步

Schedule Trigger (20min)

每 20 分鐘觸發一次整條資料同步與比對流程。

（另外還有一個「每小時」的 Schedule Trigger 節點，但在這份連線圖中沒有接到主流程，比較像保留/備用節點。）

抓 HackerOne 計畫清單（GraphQL + 分頁批次）

Pagination Setup (100–300) → Split Pagination Values

先產生 numbers = [100, 200, 300]

再把 numbers 拆成多筆 item，當作分頁用的 from offset

Parallel Fetch Programs（from=0）+ Fetch HackerOne Programs（from=100/200/300）

兩個 HTTP POST 都打 https://hackerone.com/graphql

用 DiscoveryQuery 去抓 offers_bounties=true 的計畫，並排除 Engagements::Assessment

每次 size = 100，所以總共大概抓 0–399 這四頁（最多約 400 個計畫，依排序 launched_at DESC）

Merge Program Data → Extract Program Handles

把多頁結果合併

抽出每個計畫的 handle，最後得到一個 handles 陣列

取得每個計畫的「最新 scope version」

Split Program Handles → Get Scope Versions（批次 batching）

把 handles 拆成一個 handle 一筆

用 GraphQL ScopeVersionQuery 查：

team(handle).structured_scope_versions(first:1).edges[0].node.id

有設定 batching：每批 25 個、每 5 秒一批（避免一次打太猛）

Extract Scope Versions → Remove Duplicates

把結果整理成 { handle, latest_scope_version_id }

去重，避免重複 handle 造成後面比對干擾

與 Supabase 資料庫比對：找「新計畫」與「scope 版本更新」

Get Existing Programs → Prepare DB Data

從 Supabase 的 hackerone-programs 撈出已存的紀錄

整理欄位成 { handle, latest_scope_version_id } 方便比對

Compare with Database（compareDatasets）

依照 handle 合併比對後，分成兩條主要路徑：

A) 新計畫（DB 沒有）

Create New Program：寫入 Supabase（program_name + latest_scope_version_id）

Format New Program Alert1 → Discord New Program Alert：發 Discord「🗽 NEW Program ADDED」通知

B) 既有計畫但 scope version 變了

Update Scope Version：更新 Supabase 該計畫的 latest_scope_version_id

Program Scope Update → Discord SCOPE-VERSION Alert：發 Discord「㊙️ SCOPE-VERSION Changed」通知

接著進入「scope 內容差異」的深入比對（下一段）

scope 內容差異比對：抓新 scope、跟舊 scope 對照，列出新增項

Extract Handle for Lookup

從比對結果取出 handle，準備查 scope 細節

Fetch Updated Scope Details（GraphQL）

用 getProgramScopes 查 structured_scopes(first: 100, archived:false) 的 scope 清單

取出每個 asset 的：

asset_identifier、eligible_for_bounty、eligible_for_submission、max_severity、instruction…

注意：這裡是 first:100，沒有做 after 分頁的迴圈，所以 scope 超過 100 筆的計畫可能會被截斷。

Get Previous Scope（Supabase）→ Prepare Previous Scope

從資料庫讀出舊的 inscope / outofscope 清單，整理成可比對格式

Format Scope Update Data

把剛抓到的 scope 轉成：

inscope：eligible_for_bounty === true 的 asset_identifier
outofscope：其他的 asset_identifier

變成 { handle, inscope: [...], outofscope: [...] }

Compare Scope Changes → Update Program Scope

把新舊 scope 清單做 dataset compare

若有差異：

Update Program Scope：把新的 inscope/outofscope 寫回 Supabase（讓 DB 永遠跟線上同步）

Process Scope Changes → Discord In-Scope Update Alert

用 code node 做字串 normalize（去掉奇怪空白、引號、大小寫差異等）

只挑「新增的項目」（added），如果沒新增就靜默不通知

有新增才發 Discord「🛡️ Program Updated」訊息，列出：

🟢 In-Scope Added
🔴 Out-of-Scope Added

中文化json檔案：

etxHackerOne Scope Monitor.json

30.1 KiB

來源：

YouTubeNo Code Bug Bounty Automation Using n8n

No Code Bug Bounty Automation Using n8n

Sign up for Hostinger's Black Friday Sale 👉 https://hostinger.com/nahamsec gland get 10% off using the code nahamsec LIKE and SUBSCRIBE with NOTIFICATIONS ON if you enjoyed the video! 👍 📚 If you want to learn bug bounty hunting from me: https://bugbounty.nahamsec.training 💻 If you want to practice some of my free labs and challenges: https://app.hackinghub.io 💵 FREE $200 DigitalOcean Credit: https://m.do.co/c/3236319b9d0b 🔗 LINKS: 📖 MY FAVORITE BOOKS: Bug Bounty Bootcamp: The Guide to Finding and Reporting Web Vulnerabilities -https://amzn.to/3Re8Pa2 Hacking APIs: Breaking Web Application Programming Interfaces - https://amzn.to/45g4bOr Black Hat GraphQL: Attacking Next Generation APIs - https://amzn.to/455F9l3 🍿 WATCH NEXT: If I Started Bug Bounty Hunting in 2024, I'd Do this - https://youtu.be/z6O6McIDYhU 2023 How to Bug Bounty - https://youtu.be/FDeuOhE5MhU Bug Bounty Hunting Full Time - https://youtu.be/watch?v=ukb79vAgRiY Hacking An Online Casino - https://youtu.be/watch?v=2eIDxVrk4a8 WebApp Pentesting/Hacking Roadmap - https://youtu.be/watch?v=doFo0I_KU0o MY OTHER SOCIALS: 🌍 My website - https://www.nahamsec.com/ 👨‍💻 My free labs - https://app.hackinghub.io/ 🐦 Twitter - https://twitter.com/NahamSec 📸 Instagram - https://instagram.com/NahamSec 👨‍💻 Linkedin - https://www.linkedin.com/in/nahamsec/ WHO AM I? If we haven't met before, hey 👋! I'm Ben, most people online know me online as NahamSec. I'm a hacker turned content creator. Through my videos on this channel, I share my experience as a top hacker and bug bounty hunter to help you become a better and more efficient hacker. FYI: Some of the links I have in the description are affiliate links that I get a a percentage from.

BB Tip Harvestor

流程說明：

A. 同時支援「多筆推文」和「單筆推文」兩種回傳格式

B. 抽出的欄位

C. createdAt 會被格式化成人看的字串

A. 寫入模式：appendOrUpdate

B. 去重方式：matchingColumns = TweetID

C. 寫入欄位 mapping（你表格需要這些欄位）

Date 欄位在幹嘛？

中文化json檔案：

H1 reports

流程說明：

它怎麼運作？

輸出格式被你固定成：

中文化json檔案：

etxNuclei Template Generator

流程說明：

模型配置（Primary + Fallback）

中文化json檔案：

The_Warden_CVE_Shoten

流程說明：

中文化json檔案：

The_Warden_etxHackerone_Scope_Monitor

流程說明：

Pagination Setup (100–300) → Split Pagination Values

Parallel Fetch Programs（from=0）+ Fetch HackerOne Programs（from=100/200/300）

Merge Program Data → Extract Program Handles

Split Program Handles → Get Scope Versions（批次 batching）

Extract Scope Versions → Remove Duplicates

Get Existing Programs → Prepare DB Data

Compare with Database（compareDatasets）

A) 新計畫（DB 沒有）

B) 既有計畫但 scope version 變了

Extract Handle for Lookup

Fetch Updated Scope Details（GraphQL）

Get Previous Scope（Supabase）→ Prepare Previous Scope

Format Scope Update Data

Compare Scope Changes → Update Program Scope

Process Scope Changes → Discord In-Scope Update Alert

中文化json檔案：

留言

A. 寫入模式：`appendOrUpdate`

B. 去重方式：matchingColumns = `TweetID`

`Date` 欄位在幹嘛？