إطار عمل بحث أمني مستقل يدمج التحليل الثابت، وتحليل الثنائيات، والاختبار العشوائي، والتحقق من الثغرات المدعوم بنماذج اللغة الكبيرة، وتوليد الاستغلال، وكتابة التصحيحات للعمليات الهجومية والدفاعية.
╔═══════════════════════════════════════════════════════════════════════════╗
║ ║
║ ██████╗ █████╗ ██████╗ ████████╗ ██████╗ ██████╗ ║
║ ██╔══██╗██╔══██╗██╔══██╗╚══██╔══╝██╔═══██╗██╔══██╗ ║
║ ██████╔╝███████║██████╔╝ ██║ ██║ ██║██████╔╝ ║
║ ██╔══██╗██╔══██║██╔═══╝ ██║ ██║ ██║██╔══██╗ ║
║ ██║ ██║██║ ██║██║ ██║ ╚██████╔╝██║ ██║ ║
║ ╚═╝ ╚═╝╚═╝ ╚═╝╚═╝ ╚═╝ ╚═════╝ ╚═╝ ╚═╝ ║
║ ║
║ Autonomous Offensive/Defensive Research Framework ║
║ Based on Claude Code (v3.1.0) ║
║ ║
║ Gadi Evron, Daniel Cuthbert, Thomas Dullien (Halvar Flake) ║
║ Michael Bargury, John Cartwright ║
║ ║
╚═══════════════════════════════════════════════════════════════════════════╝
⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⢀⣠⣤⣤⣀⣀
⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⣾⣿⣿⠿⠿⠟
⠀⠀⠀⠀⠀⠀⠀⠀⢀⣀⣀⣀⣀⣀⣀⣤⣴⣶⣶⣶⣤⣿⡿⠁⠀⠀⠀
⣀⠤⠴⠒⠒⠛⠛⠛⠛⠛⠿⢿⣿⣿⣿⣿⣿⣿⣿⣿⣿⠟⠁⠀⠀⠀⠀
⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠉⠛⣿⣿⣿⡟⠻⢿⡀⠀⠀⠀⠀⠀
⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⢀⣾⢿⣿⠟⠀⠸⣊⡽⠀⠀⠀⠀⠀
⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⢸⡇⣿⡁⠀⠀⠀⠉⠁⠀⠀⠀⠀⠀
⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠀⠈⠻⠿⣿⣧⠀ Get them bugs.....⠀⠀⠀⠀⠀
المؤلفون: Gadi Evron، Daniel Cuthbert، Thomas Dullien (Halvar Flake)، Michael Bargury، John Cartwright (@gadievron، @danielcuthbert، @thomasdullien، @mbrg، @grokjc)
الترخيص: MIT، انظر LICENSE. لاحظ أن CodeQL له ترخيصه الخاص ولا يسمح بالاستخدام التجاري.
المستودع: https://github.com/gadievron/raptor
RAPTOR هو إطار عمل مستقل لأبحاث الأمن مبني على Claude Code (لكنه غير مرتبط به -- يمكنك إضافة طبقة التحليل الخاصة بك أيضاً). يربط معاً التحليل الساكن، وتحليل الملفات الثنائية، والتحقق من الثغرات المدعوم بالذكاء الاصطناعي، وتوليد الاستغلال، وكتابة التصحيحات في سير عمل واحد يمكنك تشغيله على قاعدة شيفرة أو ملف ثنائي.
إنه ليس برنامجاً مصقولاً. تم بناؤه في وقت الفراغ، متماسكاً بالحماس والشريط اللاصق، ويعمل بشكل جيد بما يكفي لدرجة أننا لا نستطيع التوقف عن استخدامه. إذا أردت تحسينه، افتح PR.
RAPTOR اختصار لـ Recursive Autonomous Penetration Testing and Observation Robot. أردنا حقاً تسميته RAPTOR.
RAPTOR في معظمه شيفرة مولّدة بالذكاء الاصطناعي. يحدد البشر الاتجاه، ويراجعون المخرجات، ويتخذون قرارات التصميم؛ ويكتب الذكاء الاصطناعي التنفيذ. التحقق الميكانيكي (الاختبارات، التحليل الساكن، معايرة المجموعة المرجعية) يحافظ على مستوى الجودة حيث يجب أن يكون بغض النظر عمن — أو ما — كتب الشيفرة.
raptor التفاعلية -- اختيارية إذا كنت تحتاج فقط إلى واجهات CLI المستقلة، انظر التشغيل المستقل تماماً أدناه.pip install semgrep) للتحليل الساكن. CodeQL اختياري لكنه موصى به.بالنسبة لطبقة إرسال التحليل (الذكاء الاصطناعي الذي يحلل النتائج الفردية)، يتولى Claude Code نفسه كل شيء افتراضياً -- لا حاجة لمفاتيح API إضافية. إذا أردت تحليلاً متعدد النماذج (مثل Claude + GPT + Gemini) أو إعداداً محلياً بالكامل، فستحتاج إلى تكوين المزود (المزودين) الآخرين. انظر استخدام LLM مختلف أدناه.
git clone https://github.com/gadievron/raptor.git cd raptor
uv sync --locked
npm install -g @anthropic-ai/claude-code
pip install semgrep
export PATH="$PATH:$PWD/bin"
raptor
مُشغِّل `raptor` هو الطريقة الموصى بها لبدء جلسة، وهو يعمل من أي دليل -- فهو يحدد مسار تثبيت RAPTOR، ويتذكر الدليل الذي شغّلت منه الأمر (بحيث تعود الأوامر مثل `/scan` إليه افتراضيًا)، ويجري فحوصات الثقة والمشروع الأولية، ويحمّل إضافة تتبع التغطية، ويُنقّي البيئة قبل تسليم الأمر إلى Claude Code. كما يقبل مسار هدف اختياريًا وأعلامًا مثل `--project` و`--continue` و`--model` -- راجع `raptor --help`.
تشغيل `claude` المجرّد من داخل دليل المستودع يعمل أيضًا -- إذ يلتقط Claude Code إعدادات RAPTOR من نسخة المستودع -- لكنك تتخطى كل ما يفعله المُشغِّل المذكور أعلاه: لا فحوصات أولية، ولا تتبع للتغطية، والأوامر التي تعود افتراضيًا إلى "الدليل الذي شغّلت منه الأمر" لا يمكنها رؤيته.
**مهم:** يحمّل RAPTOR إعداداته من دليل المستودع. إذا شغّلت `claude` من أي دليل آخر، فستحصل على Claude Code المجرّد، وليس RAPTOR. يتجنب مُشغِّل `raptor` هذا النمط من الفشل تمامًا.
### الخيار 2: التشغيل داخل حاوية (موصى به)
يُعد استخدام الحاويات ممارسة أمنية شائعة لتقييد وصول الوكلاء إلى مناطق من نظام الملفات لا تريدهم أن يصلوا إليها، وكذلك للحد من نطاق تأثير أي تعليمات برمجية خبيثة قد تُنفَّذ (مثلًا عبر هجوم سلسلة التوريد). حجم الصورة كبير (حوالي 6 جيجابايت). وهي تبدأ من حاوية التطوير Microsoft Python 3.12 devcontainer وتضيف أدوات التحليل الساكن والاختبار العشوائي وأتمتة المتصفح.
يمكنك سحب صورة جاهزة مسبقًا:```bash
docker pull danielcuthbert/raptor:latest
أو قم ببنائه محليًا باستخدام Dockerfile المضمّن:```bash
docker build -f .devcontainer/Dockerfile -t raptor:latest .
تتوقع الصورة أن يتم تركيب إطار عمل RAPTOR (هذا المستودع) في `/workspaces/raptor` عند بدء التشغيل. يمكنك اختياريًا تركيب مجلد هدف للتحليل المحلي.
لبدء الحاوية:```bash
docker run -it \
-v "$(pwd):/workspaces/raptor" \
raptor:latest
لتحميل مجلد هدف أيضًا:```bash
docker run -it
-v "$(pwd):/workspaces/raptor"
-v "/path/to/target-folder:/workspaces/target"
raptor:latest
أضف `--privileged` إذا كنت بحاجة إلى مصحح الأخطاء الحتمي `rr`.
تُدعم أيضًا حاويات التطوير VS Code devcontainers. لتركيب مجلد هدف، أضفه إلى قسم `mounts` في `.devcontainer/devcontainer.json`:```jsonc
"mounts": [
// ...existing entries...
"source=/path/to/target-folder,target=/workspaces/target,type=bind,consistency=cached"
]
ثم افتح المستودع في VS Code — سيطلب منك إعادة الفتح داخل الحاوية:```bash cd /path/to/raptor code .
في كلتا الحالتين، بمجرد دخولك إلى الحاوية، شغّل `raptor` للبدء.
---
## ما يمكن توقعه في التشغيل الأول
أبسط شيء يمكنك فعله:```
/scan /path/to/code
يقوم هذا بتشغيل Semgrep (بالإضافة إلى Coccinelle عند تثبيت spatch؛ أضف --codeql لـ CodeQL) مقابل الهدف، ويزيل التكرار من النتائج، ويكتب تقرير SARIF. لا يوجد تحليل LLM، ولا مفاتيح API بخلاف Claude Code. يستغرق بضع دقائق على مستودع نموذجي.
لإضافة التحقق المدعوم بـ LLM:``` /agentic /path/to/code
يُشغّل هذا خط الأنابيب الكامل: الفحص، وإزالة التكرار، ثم تمرير كل نتيجة عبر مراحل التحقق (A-F). على قاعدة شيفرة متوسطة الحجم تضم نحو 50 نتيجة، توقّع استغراق 10-30 دقيقة وتكلفة تتراوح بين 2 و8 دولارات من تكاليف نماذج LLM في طبقة التحليل (حسب النموذج). الحد الأقصى الافتراضي للتكلفة هو 10 دولارات لكل تشغيل؛ عدّله باستخدام `--max-cost-usd`.