本文针对基于大型语言模型（LLM）的智能体在长周期自动化渗透测试任务中面临的上下文遗忘和意图漂移问题，提出了一种名为Intentest的意图图引导的自动化渗透测试智能体。在长时间交互中，早期发现的关键事实和因果推理链容易丢失，导致智能体陷入无目的的重复探索。Intentest的核心创新在于将长期状态从LLM的上下文窗口外部化到一张持久化的事实-意图有向无环图（DAG）上，从而显著减少无效的状态转换。该DAG中，已验证的网络状态存储为不可变的事实节点，探索方向被约束为由前置事实限定的意图边。系统采用三层架构：事实-意图映射层维护全局状态，任务调度与分配层通过两阶段降级恢复和多维自适应负载均衡保证执行稳定性，意图检索与预测层通过自顶向下的五阶段过滤算法提供战术先验。在涵盖三个难度级别、超过十种漏洞类型的真实CTF挑战基准上，Intentest实现了88.2%的整体成功率和75.0%的困难任务成功率，相比基线分别提升约44和50个百分点。消融实验表明，意图检索与预测在不改变可解任务集合的前提下，将中等和困难任务的成功平均轮数分别减少约33%和48%。该研究为LLM智能体在网络安全中应对长周期任务提供了一种有效的状态管理范式。适合AI安全、自动化渗透测试及智能体架构研究人员阅读。