الذكاء الاصطناعي للأمن السيبراني (CAI)

الإصدار الاحترافي مع رموز alias1 غير محدودة | 📊 عرض المعايير | 🚀 معرفة المزيد

🔓 الإصدار المجتمعي بحث وتعلم · مثالي للباحثين والطلاب pip install cai-framework

✅ مجاني للبحث 🤖 أكثر من 300 نموذج ذكاء اصطناعي 🌍 يحركه المجتمع 📚 مفتوح المصدر 🔧 إطار قابل للتوسيع

🚀 الإصدار الاحترافي مؤسسات وإنتاج · 350 يورو/شهر · رموز alias1 غير محدودة

→ ترقية إلى PRO

⚡ نموذج alias1 - ∞ رموز غير محدودة 🚫 صفر رفض - ذكاء اصطناعي غير مقيد 🏆 يتفوق على GPT-5 في معايير CTF 🛡️ دعم احترافي مضمن 🇪🇺 سيادة البيانات الأوروبية

الذكاء الاصطناعي للأمن السيبراني (CAI) هو إطار عمل خفيف ومفتوح المصدر يمكّن متخصصي الأمن من بناء ونشر أتمتة هجومية ودفاعية مدعومة بالذكاء الاصطناعي. CAI هو الإطار الفعلي لأمن الذكاء الاصطناعي، ويستخدم بالفعل من قبل آلاف المستخدمين الأفراد ومئات المؤسسات. سواء كنت باحثًا أمنيًا، أو مخترقًا أخلاقيًا، أو متخصصًا في تكنولوجيا المعلومات، أو مؤسسة تتطلع إلى تعزيز وضعك الأمني، فإن CAI يوفر اللبنات الأساسية لإنشاء وكلاء ذكاء اصطناعي متخصصين يمكنهم المساعدة في التخفيف، واكتشاف الثغرات، والاستغلال، وتقييم الأمان.

🔓 تشغيل CAI بدون مفتاح API لـ Alias (CAI_LICENSE_OFF)

يمكن تشغيل CAI بدون ALIAS_API_KEY (أي بدون ترخيص Alias Robotics) عن طريق تعيين متغير البيئة CAI_LICENSE_OFF=1.

عند تعيين CAI_LICENSE_OFF إلى 1 أو true أو yes:

• يتم تجاوز فحص الترخيص عند بدء التشغيل — لا حاجة لـ ALIAS_API_KEY.
• يعمل CAI في وضع المصدر المفتوح وتستهدف عمليات التحديث حزمة cai-framework العامة على PyPI بدلاً من فهرس حزم Alias الخاص.
• يمكنك استخدام أي مزود نموذج مدعوم آخر (OpenAI، Anthropic، DeepSeek، Ollama، إلخ) عن طريق تكوين CAI_MODEL ومفتاح API الخاص بالمزود المقابل.

بداية سريعة بدون ترخيص:```bash export CAI_LICENSE_OFF=1 cai

أو مضمنًا:```bash
CAI_LICENSE_OFF=1 cai

ملاحظة: لا يزال نموذج alias1 يتطلب مفتاح ALIAS_API_KEY صالحًا. CAI_LICENSE_OFF يتجاوز فقط بوابة الترخيص الخاصة بالإطار — فهو لا يمنح حق الوصول إلى النماذج المستضافة على Alias.

الميزات الرئيسية:

• 🤖 أكثر من 300 نموذج ذكاء اصطناعي: دعم لـ OpenAI وAnthropic وDeepSeek وOllama والمزيد
• 🔧 أدوات أمان مدمجة: أدوات جاهزة للاستخدام للاستطلاع والاستغلال وتصعيد الامتيازات
• 🏆 مُختبرة في الميدان: أثبتت جدارتها في مسابقات HackTheBox CTF ومكافآت الثغرات وحالات دراسة أمنية واقعية
• 🎯 هندسة تعتمد على الوكلاء: تصميم إطار وحدوي لبناء وكلاء متخصصين لمهام أمنية مختلفة
• 🛡️ حماية الحواجز الواقية: دفاعات مدمجة ضد حقن التعليمات وتنفيذ الأوامر الخطيرة
• 📚 موجهة للبحث: أساس بحثي لإضفاء الطابع الديمقراطي على الذكاء الاصطناعي في الأمن السيبراني للمجتمع

[!ملاحظة] اقرأ التقرير الفني: CAI: ذكاء اصطناعي مفتوح وجاهز لمكافآت الثغرات في الأمن السيبراني نسخة قراءة HTML مع الأشكال والمراجع تُصان بواسطة مختبر أمن الروبوتات السيبراني.

لمزيد من القراءات، راجع أقسام الأثر والاستشهاد بـ CAI.

[!تحذير] ⚠️ CAI قيد التطوير النشط، لذا لا تتوقع أن يعمل بشكل لا تشوبه شائبة. بدلاً من ذلك، ساهم عن طريق فتح مشكلة أو إرسال طلب سحب.

الوصول إلى هذه المكتبة واستخدام المعلومات أو المواد (أو أجزاء منها) ليس مقصودًا، ومحظور، حيث ينتهك هذا الوصول أو الاستخدام القوانين أو اللوائح المعمول بها. لا يشجع المؤلفون بأي حال من الأحوال العبث غير المصرح به بالأنظمة قيد التشغيل. قد يتسبب هذا في ضرر بشري جسيم وأضرار مادية.

لا يشجع مؤلفو CAI بأي حال من الأحوال العبث غير المصرح به بأنظمة الحوسبة. من فضلك لا تستخدم الكود المصدري هنا في الجرائم الإلكترونية. اختبر الاختراق من أجل الخير بدلاً من ذلك. بتنزيل أو استخدام أو تعديل هذا الكود المصدري، فإنك توافق على شروط LICENSE والقيود الموضحة في ملف DISCLAIMER.

🔖 جدول المحتويات

• Cybersecurity AI (CAI)
• 🔖 جدول المحتويات
• 🎯 الأثر
• 🏆 المسابقات والتحديات
• 📊 الأثر البحثي
• 📚 المنتجات البحثية: Cybersecurity AI
• PoCs
• الدافع
• 👤 لماذا CAI؟
• المبادئ الأخلاقية وراء CAI
• البدائل مغلقة المصدر
• تعلم - طلاقة CAI
• 🔩 التثبيت
• OS X
• Ubuntu 24.04
• Ubuntu 20.04
• Windows WSL
• Android
• 🔩 إعداد ملف .env
• 🔹 دعم عنوان URL الأساسي المخصص لـ OpenAI
• 📐 الهندسة المعمارية:
• 🔹 الوكيل
• 🔹 الأدوات
• 🔹 التسليم
• 🔹 الأنماط
• 🔹 الأدوار والتفاعلات
• 🔹 التتبع
• 🔹 الحواجز الواقية
• 🔹 الإنسان في الحلقة (HITL)
• 🚀 البداية السريعة
• متغيرات البيئة

🎯 الأثر

🏆 المسابقات والتحديات

📊 الأثر البحثي

• ريادة الأمن السيبراني المدعوم بـ LLM مع PentestGPT، ووضع الأساس لمجال بحث Cybersecurity AI

• تأسيس خط بحث Cybersecurity AI بـ 8 أوراق بحثية وتقارير فنية، مع تعاون بحثي نشط

📚 المنتجات البحثية: Cybersecurity AI

إصدارات قراءة HTML موسعة: CAI · CAIBench · الروبوتات البشرية كناقلات هجوم · الأمن السيبراني لروبوت بشري · اختراق روبوتات المستهلكين في عصر الذكاء الاصطناعي

PoCs

CAI مع alias0 في هجمات حقن رسائل ROS على روبوت MiR-100	CAI مع alias0 في اكتشاف ثغرات API في Mercado Libre

CAI على JWT@PortSwigger CTF — الذكاء الاصطناعي للأمن السيبراني	CAI على HackableII Boot2Root CTF — الذكاء الاصطناعي للأمن السيبراني

المزيد من دراسات الحالة وPoCs متاحة على https://aliasrobotics.com/case-studies-robot-cybersecurity.php.

الدافع

👤 لماذا CAI؟

يشهد مشهد الأمن السيبراني تحولاً جذرياً مع تزايد دمج الذكاء الاصطناعي في العمليات الأمنية. نتوقع أنه بحلول عام 2028، ستفوق أدوات الاختبار الأمني المدعومة بالذكاء الاصطناعي عدد مختبري الاختراق البشريين. يمثل هذا التحول تغييراً أساسياً في كيفية تعاملنا مع تحديات الأمن السيبراني. الذكاء الاصطناعي ليس مجرد أداة أخرى - بل أصبح ضرورياً لمعالجة الثغرات الأمنية المعقدة والبقاء في صدارة التهديدات المتطورة. مع مواجهة المؤسسات لهجمات سيبرانية أكثر تقدماً، سيكون الاختبار الأمني المعزز بالذكاء الاصطناعي حاسماً للحفاظ على دفاعات قوية.

يبني هذا العمل على الجهود السابقة[^4] ونعتقد بالمثل أن إضفاء الطابع الديمقراطي على الوصول إلى أدوات الذكاء الاصطناعي المتقدمة في الأمن السيبراني أمر حيوي لمجتمع الأمن بأكمله. لهذا السبب نقوم بإصدار Cybersecurity AI (CAI) كإطار مفتوح المصدر. هدفنا هو تمكين باحثي الأمن والمخترقين الأخلاقيين والمؤسسات من بناء ونشر أدوات أمنية قوية مدعومة بالذكاء الاصطناعي. من خلال جعل هذه الإمكانيات متاحة بشكل مفتوح، نهدف إلى تكافؤ الفرص وضمان عدم حصر تكنولوجيا الذكاء الاصطناعي المتطورة في الأمن السيبراني على الشركات الخاصة الممولة جيداً أو الجهات الحكومية.

أصبحت برامج مكافآت الثغرات حجر الزاوية في الأمن السيبراني الحديث، حيث توفر آلية حاسمة للمؤسسات لتحديد وإصلاح الثغرات في أنظمتها قبل أن يتم استغلالها. أثبتت هذه البرامج فعاليتها العالية في تأمين البنية التحتية العامة والخاصة على حد سواء، حيث يكتشف الباحثون ثغرات حرجة قد تظل دون أن يلاحظها أحد. تم تصميم CAI خصيصاً لتعزيز هذه الجهود من خلال توفير إطار خفيف ومريح لبناء وكلاء ذكاء اصطناعي متخصصين يمكنهم المساعدة في مختلف جوانب صيد مكافآت الثغرات - من الاستطلاع الأولي إلى التحقق من الثغرات وإعداد التقارير. يهدف إطارنا إلى تعزيز الخبرة البشرية بقدرات الذكاء الاصطناعي، مما يساعد الباحثين على العمل بكفاءة وشمولية أكبر في سعيهم لجعل الأنظمة الرقمية أكثر أماناً.

المبادئ الأخلاقية وراء CAI

قد تتساءل عما إذا كان إصدار CAI في البرية نظراً لقدراته وآثاره الأمنية هو أمر أخلاقي. قرارنا بجعل هذا الإطار مفتوح المصدر يسترشد بمبدأين أخلاقيين أساسيين:

1. إضفاء الطابع الديمقراطي على الذكاء الاصطناعي في الأمن السيبراني: نعتقد أن أدوات الذكاء الاصطناعي المتقدمة في الأمن السيبراني يجب أن تكون متاحة لمجتمع الأمن بأكمله، وليس فقط للشركات الخاصة الممولة جيداً أو الجهات الحكومية. من خلال إصدار CAI كإطار مفتوح المصدر، نهدف إلى تمكين باحثي الأمن والمخترقين الأخلاقيين والمؤسسات من بناء ونشر أدوات أمنية قوية مدعومة بالذكاء الاصطناعي، مما يكفل تكافؤ الفرص في الأمن السيبراني.

2. الشفافية في قدرات الذكاء الاصطناعي الأمنية: بناءً على نتائج أبحاثنا وفهمنا للتكنولوجيا وتشريح أفضل التقارير الفنية، نجادل بأن بائعي LLM الحاليين يقللون من قدراتهم في الأمن السيبراني. هذا أمر خطير ومضلل للغاية. من خلال تطوير CAI بشكل مفتوح، نقدم معياراً شفافاً لما يمكن لأنظمة الذكاء الاصطناعي فعله بالفعل في سياقات الأمن السيبراني، مما يتيح اتخاذ قرارات أكثر استنارة حول المواقف الأمنية.تم بناء CAI على المبادئ الأساسية التالية:

• إطار عمل للذكاء الاصطناعي موجه للأمن السيبراني: تم تصميم CAI خصيصًا لحالات استخدام الأمن السيبراني، بهدف أتمتة المهام الأمنية الهجومية والدفاعية بشكل شبه كامل أو كامل.
• مفتوح المصدر، ومجاني للبحث: CAI هو مشروع مفتوح المصدر ومجاني لأغراض البحث. نهدف إلى إضفاء الطابع الديمقراطي على الوصول إلى الذكاء الاصطناعي والأمن السيبراني. للاستخدام المهني أو التجاري، بما في ذلك النشر المحلي، والدعم الفني المخصص والإضافات المخصصة تواصل معنا للحصول على ترخيص.
• خفيف الوزن: صُمم CAI ليكون سريعًا وسهل الاستخدام.
• تصميم معياري ومتمركز حول الوكلاء: يعمل CAI على أساس الوكلاء والأنماط الوكيلة، مما يتيح المرونة وقابلية التوسع. يمكنك بسهولة إضافة الوكلاء والأنماط الأكثر ملاءمة لحالة الأمن السيبراني المستهدفة لديك.
• تكامل الأدوات: يدمج CAI أدوات مدمجة بالفعل، ويسمح للمستخدم بدمج أدواته الخاصة بسهولة مع منطقه الخاص.
• تسجيل وتتبع متكامل: باستخدام phoenix، أداة التتبع والتسجيل مفتوحة المصدر لنماذج اللغات الكبيرة. يوفر هذا للمستخدم إمكانية تتبع مفصلة للوكلاء وتنفيذهم.
• دعم متعدد النماذج: أكثر من 300 نموذج مدعوم ومدعوم من LiteLLM. أشهر المزودين:
• Anthropic: Claude 3.7, Claude 3.5, Claude 3, Claude 3 Opus
• OpenAI: O1, O1 Mini, O3 Mini, ,

بدائل مغلقة المصدر

الذكاء الاصطناعي للأمن السيبراني هو مجال حاسم، ومع ذلك فإن العديد من المجموعات تسعى إليه بشكل مضلل من خلال أساليب مغلقة المصدر لتحقيق عائد اقتصادي بحت، مستفيدة من تقنيات مماثلة وبناءً على نماذج موجودة مغلقة المصدر (غالبًا ما تكون مملوكة لطرف ثالث). لا يؤدي هذا النهج إلى إهدار الموارد الهندسية القيمة فحسب، بل يمثل أيضًا هدرًا اقتصاديًا ويؤدي إلى جهود مكررة، حيث ينتهي بهم الأمر غالبًا إلى إعادة اختراع العجلة. فيما يلي بعض المبادرات مغلقة المصدر التي نتابعها والتي تحاول الاستفادة من الذكاء الاصطناعي التوليدي والأطر الوكيلة في الذكاء الاصطناعي للأمن السيبراني:

• Autonomous Cyber
• CrackenAGI
• ETHIACK
• Horizon3
• Irregular
• Kindo
• Lakera
• Mindfort
• Mindgard
• NDAY Security
• Penligent
• Runsybil
• Selfhack
• Sola Security
• SQUR
• Staris
• Sxipher (يبدو متوقفًا)
• Terra Security
• Vibeproxy
• Xint
• XBOW
• ZeroPath
• Zynap
• 7ai

تعلم - طلاقة CAI

[!NOTE]

التقرير الفني لطلاقة CAI (arXiv:2508.13588) يؤسس أطرًا تعليمية رسمية لمحو الأمية في الذكاء الاصطناعي للأمن السيبراني.

🔩 التثبيت

[!NOTE] مستخدمو الإصدار الاحترافي من CAI: إذا كان لديك اشتراك نشط في CAI Pro، فإننا نقدم أدلة تثبيت مخصصة للإصدارين 0.5 و 0.6. الدعم الرسمي متاح لنظام Ubuntu 24.04 (x86_64). يتم توفير تعليمات التثبيت لأنظمة التشغيل الأخرى كما هي دون دعم رسمي:

• دليل تثبيت CAI Pro v0.6
• دليل تثبيت CAI Pro v0.5

تثبيت الإصدار المجتمعي```bash

pip install cai-framework

احرص دائمًا على إنشاء بيئة افتراضية جديدة لضمان تثبيت التبعيات بشكل صحيح عند تحديث CAI.

تقدم الأقسام الفرعية التالية دليلاً تفصيليًا أكثر حول أنظمة التشغيل الشائعة المختارة. ارجع إلى قسم [التطوير](#development) للحصول على تعليمات التثبيت الخاصة بالمطورين.
للتحقق من بناء جملة env لمفاتيح API، راجع وثائق litellm. [وثائق LiteLLM](https://docs.litellm.ai/docs/tutorials/installation)

### OS X```bash
brew update && \
    brew install git [email protected]

# Create virtual environment
python3.12 -m venv cai_env

# Install the package from the local directory
source cai_env/bin/activate && pip install cai-framework

# Generate a .env file and set up with defaults
echo -e 'OPENAI_API_KEY="sk-1234"\nANTHROPIC_API_KEY=""\nOLLAMA=""\nPROMPT_TOOLKIT_NO_CPR=1\nCAI_STREAM=false' > .env

# Launch CAI
cai  # first launch it can take up to 30 seconds

Ubuntu 24.04```bash

sudo apt-get update &&
sudo apt-get install -y git python3-pip python3.12-venv

Create the virtual environment

python3.12 -m venv cai_env

Install the package from the local directory

source cai_env/bin/activate && pip install cai-framework

Generate a .env file and set up with defaults

echo -e 'OPENAI_API_KEY="sk-1234"\nANTHROPIC_API_KEY=""\nOLLAMA=""\nPROMPT_TOOLKIT_NO_CPR=1\nCAI_STREAM=false' > .env

Launch CAI

cai # first launch it can take up to 30 seconds

### Ubuntu 20.04```bash
sudo apt-get update && \
    sudo apt-get install -y software-properties-common

# Fetch Python 3.12
sudo add-apt-repository ppa:deadsnakes/ppa && sudo apt update
sudo apt install python3.12 python3.12-venv python3.12-dev -y

# Create the virtual environment
python3.12 -m venv cai_env

# Install the package from the local directory
source cai_env/bin/activate && pip install cai-framework

# Generate a .env file and set up with defaults
echo -e 'OPENAI_API_KEY="sk-1234"\nANTHROPIC_API_KEY=""\nOLLAMA=""\nPROMPT_TOOLKIT_NO_CPR=1\nCAI_STREAM=false' > .env

# Launch CAI
cai  # first launch it can take up to 30 seconds

Windows WSL

اذهب إلى صفحة مايكروسوفت: https://learn.microsoft.com/en-us/windows/wsl/install. ستجد هنا جميع التعليمات لتثبيت WSL

من Powershell اكتب: wsl --install```bash

sudo apt-get update &&
sudo apt-get install -y git python3-pip python3-venv

Create the virtual environment

python3 -m venv cai_env

Install the package from the local directory

source cai_env/bin/activate && pip install cai-framework

Generate a .env file and set up with defaults. If Ollama runs on your windows host, wsl needs to use your host IP for it to become reachable

echo -e 'OPENAI_API_KEY="sk-1234"\nANTHROPIC_API_KEY=""\nOLLAMA=""\nOLLAMA_API_BASE="http://Your.Host.Ip.Here:11434"\nPROMPT_TOOLKIT_NO_CPR=1\nCAI_STREAM=false' > .env

Launch CAI

cai # first launch it can take up to 30 seconds

قد تواجه مشكلات في تشغيل cai على Ubuntu لأن بعض الوكلاء يفترضون أنهم يعملون على مثيل Kali ولا يمكنهم العثور على الأدوات المطلوبة. لذا كبديل يمكنك استخدام ملف docker compose الموجود في المجلد dockerized بدلاً من ذلك. يعمل هذا أيضًا من داخل wsl إذا كان docker مثبتًا. في هذه الحالة، قم بجلب المجلد dockerized (لا حاجة للمستودع بأكمله) وقم بتشغيله من داخله. بالنسبة لبناء متغيرات البيئة لمفاتيح API، راجع وثائق LiteLLM. [LiteLLM Documentation](https://docs.litellm.ai/docs/tutorials/installation)```bash
#build and run docker compose Build takes around 20 min.
docker compose build && docker compose up -d

#access cai
docker compose exec cai cai

أندرويد

نوصي بوجود 8 جيجابايت من ذاكرة الوصول العشوائي على الأقل:

1. أولاً، قم بتثبيت userland https://play.google.com/store/apps/details?id=tech.ula&hl=es

2. قم بتثبيت Kali minimal في الخيارات الأساسية (مجانًا). [أو أي خيار آخر من Kali إذا كان مفضلاً]

3. قم بتحديث مفاتيح apt كما في هذا المثال: https://superuser.com/questions/1644520/apt-get-update-issue-in-kali، داخل محطة Kali في UserLand، نفّذ```bash

Get new apt keys

wget http://http.kali.org/kali/pool/main/k/kali-archive-keyring/kali-archive-keyring_2024.1_all.deb

Install new apt keys

sudo dpkg -i kali-archive-keyring_2024.1_all.deb && rm kali-archive-keyring_2024.1_all.deb

Update APT repository

sudo apt-get update

CAI requieres python 3.12, lets install it (CAI for kali in Android)

sudo apt-get update && sudo apt-get install -y git python3-pip build-essential zlib1g-dev libncurses5-dev libgdbm-dev libnss3-dev libssl-dev libreadline-dev libffi-dev libsqlite3-dev wget libbz2-dev pkg-config wget https://www.python.org/ftp/python/3.12.4/Python-3.12.4.tar.xz tar xf Python-3.12.4.tar.xz cd ./configure --enable-optimizations sudo make altinstall # This command takes long to execute

Clone CAI's source code

git clone https://github.com/aliasrobotics/cai && cd cai

Create virtual environment

python3.12 -m venv cai_env

Install the package from the local directory

source cai_env/bin/activate && pip3 install -e .

Generate a .env file and set up

cp .env.example .env # edit here your keys/models

Launch CAI

cai

### :nut_and_bolt: إعداد ملف `.env`

يستخدم CAI ملف `.env` لتحميل التكوين عند التشغيل. لتسهيل الإعداد، يوفر المستودع ملف [` .env.example`](https://github.com/aliasrobotics/cai/blob/HEAD/.env.example) نموذجيًا يوفر قالبًا لتكوين إعداد CAI ومفاتيح API الخاصة بـ LLM للعمل مع نماذج LLM المطلوبة.

:warning: مهم:

لا يوفر CAI مفاتيح API لأي نموذج افتراضيًا. لا تطلب منا توفير المفاتيح، استخدم مفاتيحك الخاصة أو استضف نماذجك الخاصة.

:warning: ملاحظة:

يجب ألا يُترك OPENAI_API_KEY فارغًا. يجب أن يحتوي إما على "sk-123" (كعنصر نائب) أو مفتاح API الفعلي الخاص بك. انظر https://github.com/aliasrobotics/cai/issues/27.

:warning: ملاحظة:

إذا كنت تستخدم نموذج alias1، فتأكد من أن إصدار CAI >0.4.0 وإليك مثال على ملف .env لتتمكن من استخدامه.```bash
OPENAI_API_KEY="sk-1234"
OLLAMA=""
ALIAS_API_KEY="<sk-your-key>"  # note, add yours
CAI_STREAM=False
CAI_MODEL="alias1"

🔹 دعم عنوان URL الأساسي المخصص لـ OpenAI

يدعم CAI تكوين عنوان URL أساسي مخصص لواجهة OpenAI API عبر متغير البيئة OPENAI_BASE_URL. يتيح ذلك للمستخدمين إعادة توجيه استدعاءات API إلى نقطة نهاية مخصصة، مثل وكيل أو خدمة متوافقة مع OpenAI تستضيف ذاتيًا.

مثال على تكوين إدخال .env:``` OLLAMA_API_BASE="https://custom-openai-proxy.com/v1"

أو مباشرة من سطر الأوامر:```bash
OLLAMA_API_BASE="https://custom-openai-proxy.com/v1" cai

📐 الهندسة المعمارية:

تركز CAI على جعل التنسيق و التنفيذ لعوامل الأمن السيبراني خفيف الوزن، عالي التحكم، ومفيد للبشر. ولتحقيق ذلك، تعتمد على 8 ركائز: Agents و Tools و Handoffs و Patterns و Turns و Tracing و Guardrails و HITL.``` ┌───────────────┐ ┌───────────┐ │ HITL │◀─────-───▶│ Turns │ └───────┬───────┘ └───────────┘ │ ▼ ┌───────────┐ ┌───────────┐ ┌───────────┐ ┌───────────┐ │ Patterns │◀──-──▶│ Handoffs │◀──-─▶ │ Agents │◀──-─▶│ LLMs │ └───────────┘ └─────┬─────┘ └─────┬─────┘ └───────────┘ │ │ │ ▼ ┌────────────┐ ┌────┴──────┐ ┌───────────┐ ┌────────────┐ │ Extensions │◀────▶ │ Tracing │ │ Tools │◀──▶ │ Guardrails │ └────────────┘ └───────────┘ └───────────┘ └────────────┘ │ ┌─────────────┬─────┴────┬─────────────┐ ▼ ▼ ▼ ▼ ┌───────────┐┌───────────┐┌────────────┐┌───────────┐ │ LinuxCmd ││ WebSearch ││ Code ││ SSHTunnel │ └───────────┘└───────────┘└────────────┘└───────────┘

إذا كنت ترغب في التعمق في الكود، تحقق من الملفات التالية كنقطة بداية لاستخدام CAI:

* [__init__.py](https://github.com/aliasrobotics/cai/blob/main/src/cai/__init__.py)
* [cli.py](https://github.com/aliasrobotics/cai/blob/main/src/cai/cli.py) - نقطة الدخول لواجهة سطر الأوامر
* [util.py](https://github.com/aliasrobotics/cai/blob/main/src/cai/util.py) - دوال مساعدة
* [agents](https://github.com/aliasrobotics/cai/blob/main/src/cai/agents) - تطبيقات الوكيل
* [internal](https://github.com/aliasrobotics/cai/blob/main/src/cai/internal) - دوال CAI الداخلية (نقاط النهاية، المقاييس، التسجيل، إلخ.)
* [prompts](https://github.com/aliasrobotics/cai/blob/main/src/cai/prompts) - قاعدة بيانات أوامر الوكيل
* [repl](https://github.com/aliasrobotics/cai/blob/main/src/cai/repl) - جماليات وأوامر CLI
* [sdk](https://github.com/aliasrobotics/cai/blob/main/src/cai/sdk) - حزمة SDK لأوامر CAI
* [tools](https://github.com/aliasrobotics/cai/tree/main/src/cai/tools) - أدوات الوكيل

### 🔹 Agent

في جوهره، يجرّد CAI سلوكه في الأمن السيبراني عبر `Agents` وأنماط وكيلية `Patterns`. الوكيل هو *نظام ذكي يتفاعل مع بعض البيئة*. بشكل أكثر تقنية، نتبنى في CAI تعريفًا مرتكزًا على الروبوتات حيث الوكيل هو أي شيء يمكن النظر إليه كنظام يدرك بيئته من خلال المستشعرات، ويستدل على أهدافه ويتصرف وفقًا لذلك في تلك البيئة من خلال المشغلات (*مقتبس* من Russel & Norvig، AI: A Modern Approach). في الأمن السيبراني، يتفاعل `Agent` مع الأنظمة والشبكات، مستخدمًا الأجهزة الطرفية وواجهات الشبكة كمستشعرات، ويستدل وفقًا لذلك ثم ينفذ إجراءات الشبكة كما لو كانت مشغلات. وفقًا لذلك، في CAI، تطبق `Agent`s نموذج الوكيل `ReACT` (الاستدلال والعمل)[^3]. لمزيد من المعلومات، راجع [المثال هنا](https://github.com/aliasrobotics/cai/blob/main/examples/basic/hello_world.py) للحصول على كود التنفيذ الكامل، وراجع هذا [الدفتر التعليمي](https://github.com/aliasrobotics/cai/blob/main/fluency/my-first-hack/my_first_hack.ipynb) للحصول على برنامج تعليمي حول كيفية استخدامه.```python
from cai.sdk.agents import Agent, Runner, OpenAIChatCompletionsModel

import os
from openai import AsyncOpenAI
from dotenv import load_dotenv
load_dotenv()

agent = Agent(
      name="Custom Agent",
      instructions="""You are a Cybersecurity expert Leader""",
      model=OpenAIChatCompletionsModel(
          model=os.getenv('CAI_MODEL', "openai/gpt-4o"),
          openai_client=AsyncOpenAI(),
          )
      )

message = "Tell me about recursion in programming."
result = await Runner.run(agent, message)

🔹 الأدوات

Tools تسمح لعوامل الأمن السيبراني باتخاذ إجراءات من خلال توفير واجهات لتنفيذ أوامر النظام، وإجراء فحوصات أمنية، وتحليل الثغرات، والتفاعل مع الأنظمة المستهدفة وواجهات برمجة التطبيقات - فهي القدرات الأساسية التي تمكن عوامل CAI من أداء المهام الأمنية بفعالية؛ في CAI، تشمل الأدوات أدوات مساعدة مدمجة للأمن السيبراني (مثل LinuxCmd لتنفيذ الأوامر، وWebSearch لجمع معلومات OSINT، وCode لتنفيذ البرامج النصية ديناميكيًا، وSSHTunnel للوصول عن بُعد الآمن)، وآليات استدعاء الوظائف التي تسمح بدمج أي وظيفة Python كأداة أمنية، ووظيفة agent-as-tool التي تمكّن عوامل أمنية متخصصة (مثل عوامل الاستطلاع أو الاستغلال) من أن تُستخدم بواسطة عوامل أخرى، مما يُنشئ سير عمل تعاوني قوي للأمن دون الحاجة إلى تسليم رسمي بين العوامل. لمزيد من المعلومات، يُرجى الرجوع إلى المثال هنا للحصول على التكوين الكامل للوظائف المخصصة.```python from cai.sdk.agents import Agent, Runner, OpenAIChatCompletionsModel from cai.tools.reconnaissance.exec_code import execute_code from cai.tools.reconnaissance.generic_linux_command import generic_linux_command

import os from openai import AsyncOpenAI from dotenv import load_dotenv load_dotenv()

agent = Agent( name="Custom Agent", instructions="""You are a Cybersecurity expert Leader""", tools= [ generic_linux_command, execute_code ], model=OpenAIChatCompletionsModel( model=os.getenv('CAI_MODEL', "openai/gpt-4o"), openai_client=AsyncOpenAI(), ) )

message = "Tell me about recursion in programming." result = await Runner.run(agent, message)

قد تجد [أدوات](https://github.com/aliasrobotics/cai/blob/HEAD/tools) مختلفة. وهي مجمعة في 6 فئات رئيسية مستوحاة من سلسلة القتل الأمنية [^2]:

1. الاستطلاع والتسليح - *reconnaissance* (تشفير، قوائم، إلخ)
2. الاستغلال - *exploitation*
3. تصعيد الامتيازات - *escalation*
4. الحركة الجانبية - *lateral*
5. استخراج البيانات - *exfiltration*
6. القيادة والتحكم - *control*

### 🔹 Handoffs

تسمح `Handoffs` لـ `Agent` بتفويض المهام إلى وكيل آخر، وهو أمر حاسم في عمليات الأمن السيبراني حيث تكون الخبرة المتخصصة مطلوبة لمراحل مختلفة من المهمة. في إطار عملنا، يتم تنفيذ `Handoffs` كأدوات لـ LLM، حيث تُمكّن **وظيفة التسليم/التحويل** مثل `transfer_to_flag_discriminator` الـ `ctf_agent` من تمرير التحكم إلى `flag_discriminator_agent` بمجرد اعتقاده أنه وجد العلم. يؤدي هذا إلى إنشاء سلسلة تحقق أمني حيث يتعامل الوكيل الأول مع الاستغلال واكتشاف العلم، بينما يتخصص الوكيل الثاني في التحقق من العلم، مما يضمن الفصل السليم للواجبات والاستفادة من القدرات المتخصصة لنماذج مختلفة لمهام أمنية مميزة. لمزيد من المعلومات، يرجى الرجوع إلى [المثال هنا](https://github.com/aliasrobotics/cai/blob/main/examples/cai/agent_patterns/handoffs.py) للحصول على كود التنفيذ الكامل.```python
from cai.sdk.agents import function_tool
from cai.tools.common import run_command
from cai.sdk.agents import Agent, OpenAIChatCompletionsModel, HandoffInputData, Runner, function_tool, handoff, trace
from cai.sdk.agents.extensions import handoff_filters

import os
from openai import AsyncOpenAI
from dotenv import load_dotenv
load_dotenv()

@function_tool
def execute_cli_command(command: str) -> str:
    return run_command(command)

flag_discriminator = Agent(
    name="Flag discriminator",
    description="Agent focused on extracting the flag from the output",
    instructions="You are an agent tailored to extract the flag from a given output.",
    model=OpenAIChatCompletionsModel(
        model=os.getenv('CAI_MODEL', "qwen2.5:14b"),
        openai_client=AsyncOpenAI(),
    ) 
)

ctf_agent = Agent(
    name="CTF agent",
    description="Agent focused on conquering security challenges",
    instructions="You are a Cybersecurity expert Leader facing a CTF",
    tools=[
        execute_cli_command,
    ],
    model=OpenAIChatCompletionsModel(
        model= os.getenv('CAI_MODEL', "qwen2.5:14b"),
        openai_client=AsyncOpenAI(),
    ), 
    handoffs = [flag_discriminator]
)

🔹 الأنماط

الـ Pattern الوكيل هو نموذج تصميم منظم في أنظمة الذكاء الاصطناعي حيث تعمل الكيانات المستقلة أو شبه المستقلة ضمن إطار تفاعل محدد (النمط) لتحقيق هدف. تحدد هذه Patterns تنظيم وتنسيق وطرق التواصل بين الكيانات، وتوجيه اتخاذ القرارات، وتنفيذ المهام، والتفويض.

يمكن تعريف النمط الوكيل (AP) رسميًا على أنه صف (tuple):

\[ AP = (A, H, D, C, E) \]

حيث:

• \(A\) (العوامل): مجموعة من الكيانات المستقلة، \( A = \{a_1, a_2, ..., a_n\} \)، لكل منها أدوار وقدرات وحالات داخلية محددة.
• \(H\) (التسليم): دالة \( H: A \times T \to A \) تحكم كيفية نقل المهام \( T \) بين العوامل بناءً على منطق محدد مسبقًا (مثل القواعد، التفاوض، المزايدة).
• \(D\) (آلية القرار): دالة قرار \( D: S \to A \) حيث \( S \) تمثل حالات النظام، و \( D \) تحدد أي عامل يتخذ الإجراء في أي وقت معين.
• \(C\) (بروتوكول الاتصال): دالة تراسل \( C: A \times A \to M \)، حيث \( M \) هي مسافة الرسائل، تحدد كيفية مشاركة العوامل للمعلومات.
• \(E\) (نموذج التنفيذ): دالة \( E: A \times I \to O \) حيث \( I \) هي مساحة الإدخال و \( O \) هي مساحة الإخراج، تحدد كيفية أداء العوامل للمهام.

عند بناء Patterns، نصنفها عمومًا ضمن إحدى الفئات التالية، على الرغم من وجود فئات أخرى:

لمزيد من المعلومات والأمثلة على الأنماط الوكيلة الشائعة، انظر مجلد الأمثلة.

🔹 الأدوار والتفاعلات

أثناء التدفق الوكيل (المحادثة)، نميز بين التفاعلات و الأدوار.

• التفاعلات هي تبادلات متسلسلة بين عامل واحد أو عدة عوامل. كل عامل ينفذ منطقه يقابل تفاعلًا واحدًا. بما أن Agent في CAI يطبق عمومًا نموذج العامل ReACT[^3]، فإن كل تفاعل يتكون من 1) خطوة تفكير عبر استدلال LLM و 2) فعل عن طريق استدعاء صفر إلى n من Tools. يتم تعريف هذا في process_interaction() في core.py.
• الأدوار: يمثل الدور دورة من تفاعل واحد أو أكثر تنتهي عندما يعيد Agent (أو Pattern) المنفذ None، محددًا أنه لا توجد إجراءات أخرى يتخذها. يتم تعريف هذا في run()، انظر core.py.

[!NOTE] لا ترتبط عوامل CAI بـ Assistants في واجهة برمجة تطبيقات Assistants. تم تسميتها بشكل مماثل للتيسير، لكنها غير مرتبطة تمامًا. تعمل CAI بالكامل من خلال واجهة برمجة تطبيقات Chat Completions وبالتالي فهي بلا حالة بين الاستدعاءات.

🔹 التتبع

تطبق CAI مراقبة الذكاء الاصطناعي من خلال اعتماد معيار OpenTelemetry وللقيام بذلك، تستفيد من Phoenix الذي يوفر قدرات تتبع شاملة من خلال أدوات تستند إلى OpenTelemetry، مما يسمح لك بمراقبة وتحليل عمليات الأمن الخاصة بك في الوقت الفعلي. يتيح هذا التكامل رؤية مفصلة لتفاعلات العوامل، استخدام الأدوات، ونواقل الهجوم خلال سير عمل اختبار الاختراق، مما يسهل تصحيح سلاسل الاستغلال المعقدة، تتبع عمليات اكتشاف الثغرات، وتحسين أداء العامل لتقييمات أمنية أكثر فعالية.

🔹 القضبان الواقية

توفر Guardrails طبقة أمان حرجة لعوامل CAI، تحمي من هجمات حقن المطالبات وتمنع تنفيذ الأوامر الخطيرة. تعمل هذه القضبان الواقية بالتوازي مع العوامل، لتحقق من صحة الإدخال والإخراج لضمان التشغيل الآمن. يتضمن الإطار:

• القضبان الواقية للإدخال: تكتشف وتمنع محاولات حقن المطالبات قبل وصولها للعوامل، باستخدام مطابقة الأنماط، كشف المتجانسات في Unicode، وتحليل مدعوم بالذكاء الاصطناعي.
• القضبان الواقية للإخراج: تتحقق من مخرجات العوامل قبل التنفيذ، تمنع الأوامر الخطيرة مثل الصدف العكسية، قنابل التفرع، أو تسريب البيانات.
• الدفاع متعدد الطبقات: حماية في مراحل الإدخال، المعالجة، والتنفيذ مع تحقق على مستوى الأدوات.
• الوعي بـ Base64/Base32: فك تشفير وتحليل الحمولات المشفرة تلقائيًا للكشف عن الأوامر الخبيثة المخفية.
• قابل للتكوين: يمكن تمكينه/تعطيله عبر متغير البيئة CAI_GUARDRAILS.

للحصول على تنفيذ مفصل، انظر docs/guardrails.md و docs/cai_prompt_injection.md.

🔹 الإنسان في الحلقة (HITL)```

                  ┌─────────────────────────────────┐
                  │                                 │
                  │      Cybersecurity AI (CAI)     │
                  │                                 │
                  │       ┌─────────────────┐       │
                  │       │  Autonomous AI  │       │
                  │       └────────┬────────┘       │
                  │                │                │
                  │                │                │
                  │       ┌────────▼─────────┐      │
                  │       │ HITL Interaction │      │
                  │       └────────┬─────────┘      │
                  │                │                │
                  └────────────────┼────────────────┘
                                   │
                                   │ Ctrl+C (cli.py)
                                   │
                       ┌───────────▼───────────┐
                       │   Human Operator(s)   │
                       │  Expertise | Judgment │
                       │    Teleoperation      │
                       └───────────────────────┘

يقدم CAI إطارًا لبناء ذكاءات اصطناعية للأمن السيبراني مع تركيز قوي على التشغيل *شبه المستقل*، حيث أن الواقع هو أن أنظمة الأمن السيبراني **المستقلة بالكامل** لا تزال مبكرة وتواجه تحديات كبيرة عند التعامل مع المهام المعقدة. بينما يستكشف CAI القدرات المستقلة، فإننا ندرك أن عمليات الأمن الفعالة لا تزال تتطلب تحكمًا بشريًا عن بُعد يوفر الخبرة والحكم والإشراف في عملية الأمن.

وفقًا لذلك، تعد وحدة الإنسان في الحلقة (`HITL`) مبدأ تصميم أساسيًا لـ CAI، مع الاعتراف بأن التدخل البشري والتحكم عن بُعد هما مكونان أساسيان للاختبار الأمني المسؤول. من خلال واجهة `cli.py`، يمكن للمستخدمين التفاعل بسلاسة مع الوكلاء في أي نقطة أثناء التنفيذ بمجرد الضغط على `Ctrl+C`. يتم تنفيذ ذلك عبر [core.py](https://github.com/aliasrobotics/cai/blob/HEAD/cai/core.py) وأيضًا في تجريدات REPL [REPL](https://github.com/aliasrobotics/cai/blob/HEAD/cai/repl).

## :rocket: البدء السريع

لبدء CAI بعد تثبيته، ما عليك سوى كتابة `cai` في واجهة سطر الأوامر:```bash
└─# cai

          CCCCCCCCCCCCC      ++++++++   ++++++++      IIIIIIIIII
       CCC::::::::::::C  ++++++++++       ++++++++++  I::::::::I
     CC:::::::::::::::C ++++++++++         ++++++++++ I::::::::I
    C:::::CCCCCCCC::::C +++++++++    ++     +++++++++ II::::::II
   C:::::C       CCCCCC +++++++     +++++     +++++++   I::::I
  C:::::C                +++++     +++++++     +++++    I::::I
  C:::::C                ++++                   ++++    I::::I
  C:::::C                 ++                     ++     I::::I
  C:::::C                  +   +++++++++++++++   +      I::::I
  C:::::C                    +++++++++++++++++++        I::::I
  C:::::C                     +++++++++++++++++         I::::I
   C:::::C       CCCCCC        +++++++++++++++          I::::I
    C:::::CCCCCCCC::::C         +++++++++++++         II::::::II
     CC:::::::::::::::C           +++++++++           I::::::::I
       CCC::::::::::::C             +++++             I::::::::I
          CCCCCCCCCCCCC               ++              IIIIIIIIII

                      Cybersecurity AI (CAI), vX.Y.Z
                          Bug bounty-ready AI

CAI>

That should initialize CAI and provide a prompt to execute any security task you want to perform. The navigation bar at the bottom displays important system information. This information helps you understand your environment while working with CAI.

Here's a quick demo video to help you get started with CAI. We'll walk through the basic steps — from launching the tool to running your first AI-powered task in the terminal. Whether you're a beginner or just curious, this guide will show you how easy it is to begin using CAI.

From here on, type on CAI and start your security exercise. Best way to learn is by example:

Environment Variables

For using private models, you are given a .env.example file. Copy it and rename it as .env. Fill in your corresponding API keys, and you are ready to use CAI.

List of Environment Variables

OpenRouter Integration

The Cybersecurity AI (CAI) platform offers seamless integration with OpenRouter, a unified interface for Large Language Models (LLMs). This integration is crucial for users who wish to leverage advanced AI capabilities in their cybersecurity tasks. OpenRouter acts as a bridge, allowing CAI to communicate with various LLMs, thereby enhancing the flexibility and power of the AI agents used within CAI.

To enable OpenRouter support in CAI, you need to configure your environment by adding specific entries to your .env file. This setup ensures that CAI can interact with the OpenRouter API, facilitating the use of sophisticated models like Meta-LLaMA. Here’s how you can configure it:```bash CAI_AGENT_TYPE=redteam_agent CAI_MODEL=openrouter/meta-llama/llama-4-maverick OPENROUTER_API_KEY= # note, add yours OPENROUTER_API_BASE=https://openrouter.ai/api/v1

### Azure OpenAI

تتكامل منصة الذكاء الاصطناعي للأمن السيبراني (CAI) بسلاسة مع Azure OpenAI، مما يمكّن المؤسسات من تشغيل CAI ضد النماذج المستضافة على مستوى المؤسسة (مثل gpt-4o). يُعد هذا المسار مثاليًا للفرق التي يجب أن تعمل ضمن حوكمة Azure مع الاستفادة من قدرات النماذج المتقدمة.
لتفعيل دعم Azure OpenAI في CAI، قم بتكوين بيئتك عن طريق إضافة الإدخالات التالية إلى ملف `.env`. يضمن هذا أن CAI يمكنه الوصول إلى نقطة نهاية نشر Azure الخاصة بك والمصادقة بشكل صحيح.```bash
CAI_AGENT_TYPE=redteam_agent
CAI_MODEL=azure/<model-name-deployed>
# Required: keep non-empty even when using Azure
OPENAI_API_KEY=dummy
# Azure credentials and endpoint
AZURE_API_KEY=<your-azure-openai-key>
AZURE_API_BASE=https://<resource>.openai.azure.com/openai/deployments/<deployment-name>/chat/completions?api-version=2025-01-01-preview

MCP

يدعم CAI بروتوكول السياق النموذجي (MCP) لدمج الأدوات والخدمات الخارجية مع وكلاء الذكاء الاصطناعي. يتم دعم MCP عبر آليتي نقل:

1. SSE (Server-Sent Events) - للخوادم المستندة إلى الويب التي تدفع التحديثات عبر اتصالات HTTP:```bash CAI>/mcp load http://localhost:9876/sse burp

2. **STDIO (Standard Input/Output)** - للاتصال المحلي بين العمليات:```bash
CAI>/mcp load stdio myserver python mcp_server.py

بمجرد الاتصال، يمكنك إضافة أدوات MCP إلى أي وكيل:```bash CAI>/mcp add burp redteam_agent Adding tools from MCP server 'burp' to agent 'Red Team Agent'... Adding tools to Red Team Agent ┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┓ ┃ Tool ┃ Status ┃ Details ┃ ┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┩ │ send_http_request │ Added │ Available as: send_http_request │ │ create_repeater_tab │ Added │ Available as: create_repeater_tab │ │ send_to_intruder │ Added │ Available as: send_to_intruder │ │ url_encode │ Added │ Available as: url_encode │ │ url_decode │ Added │ Available as: url_decode │ │ base64encode │ Added │ Available as: base64encode │ │ base64decode │ Added │ Available as: base64decode │ │ generate_random_string │ Added │ Available as: generate_random_string │ │ output_project_options │ Added │ Available as: output_project_options │ │ output_user_options │ Added │ Available as: output_user_options │ │ set_project_options │ Added │ Available as: set_project_options │ │ set_user_options │ Added │ Available as: set_user_options │ │ get_proxy_http_history │ Added │ Available as: get_proxy_http_history │ │ get_proxy_http_history_regex │ Added │ Available as: get_proxy_http_history_regex │ │ get_proxy_websocket_history │ Added │ Available as: get_proxy_websocket_history │ │ get_proxy_websocket_history_regex │ Added │ Available as: get_proxy_websocket_history_regex │ │ set_task_execution_engine_state │ Added │ Available as: set_task_execution_engine_state │ │ set_proxy_intercept_state │ Added │ Available as: set_proxy_intercept_state │ │ get_active_editor_contents │ Added │ Available as: get_active_editor_contents │ │ set_active_editor_contents │ Added │ Available as: set_active_editor_contents │ └───────────────────────────────────┴────────┴─────────────────────────────────────────────────┘ Added 20 tools from server 'burp' to agent 'Red Team Agent'. CAI>/agent 13 CAI>Create a repeater tab

يمكنك سرد جميع اتصالات MCP النشطة وأنواع النقل الخاصة بها:```bash
CAI>/mcp list

https://github.com/user-attachments/assets/386a1fd3-3469-4f84-9396-2a5236febe1f

التطوير

يتم تسهيل التطوير عبر بيئات تطوير VS Code. لتجربة بيئة التطوير الخاصة بنا، قم باستنساخ المستودع، افتح VS Code وأدخل وضع الحاوية التطويرية:

المساهمات

إذا كنت ترغب في المساهمة في هذا المشروع، استخدم Pre-commit قبل طلب الدمج (MR) الخاص بك.```bash pip install pre-commit pre-commit # files staged pre-commit run --all-files # all files

### المتطلبات الاختيارية: caiextensions

حاليًا، الإضافات غير متاحة للعموم نظرًا لأن الجهد الهندسي المطلوب للحفاظ عليها كبير. بدلاً من ذلك، نقوم بتوفير إضافات caiextensions مختارة مصممة خصيصًا للشركات الشريكة عبر التعاونات.

### :information_source: جمع بيانات الاستخدام

يتم توفير CAI مجانًا للباحثين. لتحسين دقة اكتشاف CAI، وتطوير أبحاث الأمان المفتوحة، وتطوير وتدريب النماذج المستقبلية، نطلب منك المساهمة في مجتمع CAI من خلال السماح بجمع بيانات الاستخدام. تساعدنا هذه البيانات في تحديد مجالات التحسين، وفهم كيفية استخدام الإطار، وتحديد أولويات الميزات الجديدة، ودعم جهود تدريب النماذج وتقييمها.

الأساس القانوني لجمع البيانات هو بموجب المادة 6 (1)(f) من اللائحة العامة لحماية البيانات (GDPR) — المصالح المشروعة لـ CAI في الحفاظ على أدوات الأمان والبحث وتحسينها وتطويرها — مع تطبيق ضمانات المادة 89 لأغراض البحث.

تشمل البيانات التي يتم جمعها:

- معلومات أساسية عن النظام (نوع نظام التشغيل، إصدار بايثون)
- معلومات اسم المستخدم وعنوان IP
- أنماط استخدام الأداة ومقاييس الأداء
- تفاعلات النماذج وإحصائيات استخدام الرموز

نأخذ خصوصيتك على محمل الجد ولا نجمع سوى ما هو ضروري لتحسين CAI، ودعم البحث، وتدريب وتقييم النماذج بمسؤولية. لمزيد من المعلومات، اتصل بـ research＠aliasrobotics.com. يمكنك تعطيل بعض ميزات جمع البيانات عبر متغير البيئة `CAI_TELEMETRY`، على الرغم من أننا نشجعك على إبقائه ممكّنًا للمساهمة في البحث المستمر وتطوير النماذج:```bash
CAI_TELEMETRY=False cai

إعادة إنتاج CI-Setup محليًا

لمحاكاة خط أنابيب CI/CD، يمكنك تشغيل ما يلي في أجهزة Gitlab runner:```bash docker run --rm -it
--privileged
--network=exploitflow_net
--add-host="host.docker.internal:host-gateway"
-v /cache:/cache
-v /var/run/docker.sock:/var/run/docker.sock:rw
registry.gitlab.com/aliasrobotics/alias_research/cai:latest bash

## الأسئلة الشائعة
 OLLAMA يعطيني أخطاء 404 

واجهة برمجة تطبيقات Ollama في وضع OpenAI تستخدم `/v1/chat/completions` بينما مكتبة `openai` تستخدم `base_url` + `/chat/completions`.

نعتمد الخيار الأخير للتوافق العام مع مجتمع الذكاء الاصطناعي التوليدي ونعزز الخيار الأول من خلال السماح للمستخدمين بإضافة `v1` بأنفسهم عبر:```bash
OLLAMA_API_BASE=http://IP:PORT/v1

انظر المشكلات التالية التي تعالج هذا الموضوع بمزيد من التفاصيل:

• https://github.com/aliasrobotics/cai/issues/76
• https://github.com/aliasrobotics/cai/issues/83
• https://github.com/aliasrobotics/cai/issues/82

أين كل caiextensions?

انظر all caiextensions

كيف أقوم بتثبيت ملحق التقرير caiextension?

انظر هنا

كيف أقوم بإعداد الوصول عبر SSH لـ Gitlab?

أنشئ مفتاح SSH جديد```bash ssh-keygen -t ed25519

أضف المفتاح إلى وكيل SSH```bash
ssh-add ~/.ssh/id_ed25519

أضف المفتاح العام إلى Gitlab انسخ المفتاح وأضفه إلى Gitlab تحت الرابط https://gitlab.com/-/user_settings/ssh_keys```bash cat ~/.ssh/id_ed25519.pub

للتحقق من ذلك:```bash
ssh -T [email protected]
Welcome to GitLab, @vmayoral!

كيف يمكنني مسح ذاكرة التخزين المؤقت لـ Python؟```bash find . -name "*.pyc" -delete && find . -name "pycache" -delete

إذا كان host networking لا يعمل مع ollama، فتحقق مما إذا كان قد تم تعطيله في Docker لأنك غير مسجل الدخول

يتصرف Docker في OS X بشكل غريب أحيانًا. تحقق مما إذا ظهرت الرسالة التالية:

*تم تعطيل شبكة المضيف لأنك غير مسجل الدخول. يرجى تسجيل الدخول لتفعيلها*.

تأكد من معالجة هذا الأمر، وأيضًا من أن Dev Container لا يقوم بتوجيه منفذ 8000 (انقر على x إذا لزم الأمر في قسم المنافذ).

للتحقق من الاتصال، من داخل VSCode devcontainer:```bash
curl -v http://host.docker.internal:8000/api/version

تشغيل CAI ضد أي هدف

cai-004-first-message

مطالبة المستخدم الابتدائية في هذه الحالة هي: Target IP: 192.168.3.10, perform a full network scan.

بدأ الوكيل في إجراء فحص nmap. يمكنك إما التفاعل مع الوكيل وإعطائه تعليمات إضافية، أو تركه يعمل ليرى ما سيكتشفه بعد ذلك.

كيف يمكنني التفاعل مع الوكيل؟ اضغط على CTRL + C مرتين

cai-005-ctrl-c

إذا كنت ترغب في استخدام وضع HITL، يمكنك القيام بذلك بالضغط على Ctrl + C مرتين. سيسمح لك هذا بالتفاعل (تقديم مطالبة) مع الوكيل متى شئت. لن يفقد الوكيل السياق السابق، حيث يتم تخزينه في متغير history، والذي يتم تمريره إليه وإلى أي وكيل يتم استدعاؤه. وهذا يمكن أي وكيل من استخدام المعلومات السابقة ليكون أكثر دقة وكفاءة.

هل يمكنني تغيير النموذج أثناء تشغيل CAI؟ /model

استخدم /model لتغيير النموذج.

cai-007-model-change

كيف يمكنني سرد جميع الوكلاء المتاحين؟ /agent

استخدم /agent لسرد جميع الوكلاء المتاحين.

cai-010-agents-menu

أين يمكنني سرد جميع متغيرات البيئة؟ /env

cai-008-config

كيف يمكنني مراقبة استخدام الرموز والتكاليف؟

استخدم /cost في REPL لمعرفة إنفاق الجلسة وإحصائيات الرموز، و /compact عندما تصبح المحادثات طويلة، و (في وضع TUI) مؤشرات التكلفة والنموذج لكل محطة في واجهة المستخدم.```bash CAI> /cost

انظر إلى [مرجع أوامر CLI](https://github.com/aliasrobotics/cai/blob/HEAD/docs/cli/commands_reference.md) للحصول على قائمة الأوامر الكاملة.
 

 
 كيف تعرف المزيد عن CLI؟ /help 

cai-006-help
 

 
 كيف يمكنني تتبع التنفيذ بالكامل؟ 
يسمح متغير البيئة `CAI_TRACING` للمستخدم بتعيينه على `CAI_TRACING=true` لتفعيل التتبع، أو `CAI_TRACING=false` لتعطيله.
عند تشغيل CAI لأول مرة، يتم توفير مسارين للمستخدم: سجل التنفيذ وسجل التتبع.

cai-009-logs

 

 
 هل يمكنني توسيع قدرات CAI باستخدام سجلات التشغيل السابقة؟ 

نعم. يعمل CAI بشكل أفضل اليوم بالاعتماد على التعلم السياقي (ICL). بدلاً من بناء مخازن طويلة الأمد، فإن سير العمل الموصى به هو تحميل السجلات السابقة ذات الصلة مباشرةً في الجلسة الحالية ليتمكن النموذج من التفكير فيها ضمن السياق.

استخدم الأمر `/load` لجلب سجلات JSONL إلى سياق CAI (وهذا يحل محل أداة تحميل الذاكرة القديمة):```bash
CAI>/load logs/cai_20250408_111856.jsonl         # Load into current agent
CAI>/load <file> agent <name>                    # Load into a specific agent
CAI>/load <file> all                             # Distribute across all agents
CAI>/load <file> parallel                        # Match to configured parallel agents
# Tip: if you omit <file>, /load uses `logs/last`. Alias: /l

CAI يطبع مسار سجل JSONL للتشغيل الحالي عند بدء التشغيل (مظلل باللون البرتقالي)، والذي يمكنك تمريره إلى /load:

cai-009-logs

ملاحظات قديمة: آليات "تمديد الذاكرة" السابقة (المخازن العرضية/الدلالية والتغذية غير المتصلة) محتفظ بها للرجوع إليها فقط. راجع src/cai/agents/memory.py للحصول على الخلفية والتفاصيل القديمة. توجهنا الحالي يعطي الأولوية لـ ICL على الذاكرة المستمرة.

هل يمكنني توسيع قدرات CAI باستخدام البرامج النصية أو معلومات إضافية؟

حاليًا، يدعم CAI المعلومات النصية. يمكنك إضافة أي معلومات إضافية عن الهدف الذي تواجهه عن طريق نسخها ولصقها مباشرة في موجه النظام أو المستخدم.

كيف؟ عن طريق إضافتها إلى موجه النظام (system_master_template.md) أو موجه المستخدم (user_master_template.md). يمكنك دائمًا توجيه المسار مباشرة إلى النموذج، وسيقوم بـ cat له.

كيف تعمل ترخيص CAI؟

لا يقيد الترخيص الحالي لـ CAI الاستخدام لأغراض البحث. أنت حر في استخدام CAI لتقييمات الأمان (اختبارات الاختراق)، وتطوير ميزات إضافية، ودمجها في أنشطتك البحثية، طالما أنك تلتزم بالقوانين المحلية.

إذا بدأت أنت أو مؤسستك في الاستفادة تجاريًا من CAI (على سبيل المثال، تقديم خدمات اختبار الاختراق مدعومة بـ CAI)، فسيكون ترخيص تجاري مطلوبًا للمساعدة في استدامة المشروع.

CAI نفسها ليست مبادرة تهدف للربح. هدفنا هو بناء مشروع مفتوح المصدر مستدام. نطلب ببساطة من أولئك الذين يستفيدون من CAI أن يساهموا ويدعموا تطويرنا المستمر.

أحصل على Unable to locate package python3.12-venv عند تثبيت المتطلبات الأساسية على نظامي القائم على دبيان!

أسهل طريقة لتجاوز ذلك هي ببساطة تثبيت python3.12 من المصدر.

الاستشهاد```bibtex

@article{mayoral2025cai, title={CAI: An Open, Bug Bounty-Ready Cybersecurity AI}, author={Mayoral-Vilches, V{'\i}ctor and Navarrete-Lozano, Luis Javier and Sanz-G{'o}mez, Mar{'\i}a and Espejo, Lidia Salas and Crespo-{'A}lvarez, Marti{~n}o and Oca-Gonzalez, Francisco and Balassone, Francesco and Glera-Pic{'o}n, Alfonso and Ayucar-Carbajo, Unai and Ruiz-Alcalde, Jon Ander and Rass, Stefan and Pinzger, Martin and Gil-Uriarte, Endika}, journal={arXiv preprint arXiv:2504.06017}, year={2025} }

@article{mayoral2025automation, title={Cybersecurity AI: The Dangerous Gap Between Automation and Autonomy}, author={Mayoral-Vilches, V{'\i}ctor}, journal={arXiv preprint arXiv:2506.23592}, year={2025} }

@article{mayoral2025fluency, title={CAI Fluency: A Framework for Cybersecurity AI Fluency}, author={Mayoral-Vilches, V{'\i}ctor and Wachter, Jasmin and Chavez, Crist{'o}bal RJ and Schachner, Cathrin and Navarrete-Lozano, Luis Javier and Sanz-G{'o}mez, Mar{'\i}a}, journal={arXiv preprint arXiv:2508.13588}, year={2025} }

@article{mayoral2025hacking, title={Cybersecurity AI: Hacking the AI Hackers via Prompt Injection}, author={Mayoral-Vilches, V{'\i}ctor and Rynning, Per Mannermaa}, journal={arXiv preprint arXiv:2508.21669}, year={2025} }

@article{mayoral2025humanoid, title={Cybersecurity AI: Humanoid Robots as Attack Vectors}, author={Mayoral-Vilches, V{'\i}ctor}, journal={arXiv preprint arXiv:2509.14139}, year={2025} }

@article{balassone2025evaluation, title={Cybersecurity AI: Evaluating Agentic Cybersecurity in Attack/Defense CTFs}, author={Balassone, Francesco and Mayoral-Vilches, V{'\i}ctor and Rass, Stefan and Pinzger, Martin and Perrone, Gaetano and Romano, Simon Pietro and Schartner, Peter}, journal={arXiv preprint arXiv:2510.17521}, year={2025} }

@article{mayoral2025caibench, title={CAIBench: A Meta-Benchmark for Evaluating Cybersecurity AI Agents}, author={Mayoral-Vilches, V{'\i}ctor and Balassone, Francesco and Navarrete-Lozano, Luis Javier and Sanz-G{'o}mez, Mar{'\i}a and Crespo-{'A}lvarez, Marti{~n}o and Rass, Stefan and Pinzger, Martin}, journal={arXiv preprint arXiv:2510.24317}, year={2025} }

## شكر وتقدير

تم تطوير CAI في البداية بواسطة [Alias Robotics](https://aliasrobotics.com) وتم تمويله مشاركةً من مشروع RIS (GA 101161136) التابع لمسرع EIC الأوروبي - دعوة HORIZON-EIC-2023-ACCELERATOR-01. المبادئ العاملية الأصلية مستوحاة من مكتبة [`swarm`](https://github.com/openai/swarm) الخاصة بـ OpenAI وتم ترجمتها إلى نماذج أولية أحدث. يستخدم هذا المشروع أيضًا مكونات بناء مفتوحة المصدر أخرى ذات صلة بما في ذلك [`LiteLLM`](https://github.com/BerriAI/litellm) و [`phoenix`](https://github.com/Arize-ai/phoenix).

### التعاونات الأكاديمية
يستفيد CAI من التعاونات البحثية المستمرة مع المؤسسات الأكاديمية. يجب على الباحثين المهتمين بالمشاريع التعاونية أو الوصول إلى مجموعات البيانات أو التراخيص الأكاديمية الاتصال بـ [email protected]. نوفر دعمًا خاصًا لـ:
- مشاريع بحث الدكتوراه
- دراسات المقارنة المعيارية الأكاديمية
- مبادرات التعليم الأمني
- المساهمات مفتوحة المصدر من المختبرات البحثية

 
[^1]: يمكن القول إن نمط العاملية المتسلسل (Chain-of-Thought) هو حالة خاصة من نمط العاملية الهرمي.
[^2]: Kamhoua, C. A., Leslie, N. O., & Weisman, M. J. (2018). النمذجة النظرية للألعاب للتهديدات المستمرة المتقدمة في إنترنت الأشياء. Journal of Cyber Security and Information Systems.
[^3]: Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2023, January). رياكت: تآزر التفكير والتصرف في نماذج اللغة. In International Conference on Learning Representations (ICLR).
[^4]: Deng, G., Liu, Y., Mayoral-Vilches, V., Liu, P., Li, Y., Xu, Y., ... & Rass, S. (2024). {PentestGPT}: تقييم وتسخير نماذج اللغة الكبيرة لاختبار الاختراق الآلي. In 33rd USENIX Security Symposium (USENIX Security 24) (pp. 847-864).