Skip to content
KitploitKITPLOIT
أدواتعمليات الاستغلالالمدونة
Log in
إرسال
أدواتعمليات الاستغلالالمدونة
إرسال

أدوات الاختراق واختبار الاختراق والأمن السيبراني لترسانتك الأمنية!

Kitploit هو دليل لأدوات الاختراق والأمن السيبراني واختبار الاختراق. اكتشف آخر تحديثات المشاريع للعثور على الثغرات وتحليل الأنظمة وأتمتة الاختبارات وتعزيز أمنك.

الخلاصاتاتصالالخصوصية© 2026 Kitploit

دليل الأدوات

الفئات

عرض جميع الفئات
Loading categories
أدوات/GitHubGitHub/giskard-ai/giskard-oss
ماسحات الثغرات الأمنيةالاختبار العشوائيتعلم الآلةالفريق الأحمرأمن الذكاء الاصطناعيالهجوم العدائيالأفضل في الهجوم العدائي #11الأفضل في أمن الذكاء الاصطناعي #6الأفضل في تعلم الآلة #10
6.0k576151منذ 9س 5دتمت المراجعة من قبل Kitploit
GitHub
giskard-ai/giskard-oss

giskard-oss

🐢 مكتبة مفتوحة المصدر لتقييم واختبار وكلاء LLM

عرض المستودعالموقع الإلكتروني

الأكثر شعبية

عرض الكل →

اكتشف الأدوات الأكثر استخدامًا من قبل مجتمعنا.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 مجموعة أدوات OSINT المثالية: رسم بياني للتحقيق، وتقييم الثقة، وعائلات الأسماء المستعارة، وخريطة، وخط زمني، وتقارير. 49 وحدة، وأكثر من 400 موقع، دون الحاجة إلى مفاتيح API.

    968
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # تطبيق GhostLock للتنفيذ بنقرة واحدة (CVE-2026-43499)

    556
  • 3

    looking-glass

    anonghosty/looking-glass

    منصة CSIRT تستقبل تقارير Shadowserver في MongoDB وتعيد عرضها كخرائط تفاعلية وتحليلات ونتائج وإرشادات ولوحات معلومات تنفيذية.

    347
  • 4

    redforge

    cybersecurity91/redforge

    مجموعة أدوات الفريق الأحمر في المتصفح مع 102 أداة دون اتصال للاستطلاع، وتوليد الحمولات، وهجمات بيانات الاعتماد، والتشفير، والترميز، وإعداد تقارير المهام.

    346
  • 5

    ARTEX

    baarai/artex

    منصة اختبار اختراق مستقلة متعددة الوكلاء تعتمد على LLM، مع وكلاء تخطيط وتنفيذ، ومخططات للأصول والاستكشاف، وتسجيل حركة مرور MITM، وإعادة اختبار الثغرات.

    319
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    نظام العمل للأمن السيبراني الأصلي بالذكاء الاصطناعي — حيث تتحول النية إلى تنفيذ محكوم، وتصبح الأدلة ذاكرة تشغيلية، وكل عملية تحسن التي تليها.

    297

استكشف جميع الأدوات

تصفح مجموعتنا من الأدوات

عرض جميع الأدوات →
مشاركة
<p align="center">
  <img alt="giskardlogo" src="https://assets.kitploit.com/production/public/readmes/50936/c1f328b3f3cefd9e527b0ff1f2991be7d3336ce13cd265993c62b57ce676cab5/a720b322f89a71f208538a57a11e96baef88a9c0bafe7779659f1b4bafcfc27e-display-v1.webp">
  <img alt="giskardlogo" src="https://assets.kitploit.com/production/public/readmes/50936/2fd9c4a7c2204d367db301019e2fc0e3de34eacd445004fd705b27cbb7aff5fc/ab0feb5722a650948a83c6cdc420dc43f15ae5e7a8000d26b22fd7effb8f1ca8-display-v1.webp">
</p>
<h1 align="center" weight='300' >التقييمات والفريق الأحمر وتوليد الاختبارات للأنظمة الوكيلية</h1>
<h3 align="center" weight='300' >معياري، خفيف، ديناميكي، وقائم على عدم التزامن أولاً</h3>
<div align="center">

[![GitHub release](https://img.shields.io/github/v/release/Giskard-AI/giskard-oss)](https://github.com/Giskard-AI/giskard-oss/releases)
[![License](https://img.shields.io/badge/License-Apache_2.0-blue.svg)](https://github.com/Giskard-AI/giskard/blob/main/LICENSE)
[![Downloads](https://static.pepy.tech/badge/giskard/month)](https://pepy.tech/project/giskard)
[![CI](https://github.com/Giskard-AI/giskard-oss/actions/workflows/ci.yml/badge.svg?branch=main)](https://github.com/Giskard-AI/giskard-oss/actions/workflows/ci.yml/badge.svg?branch=main)
[![Giskard on Discord](https://img.shields.io/discord/939190303397666868?label=Discord)](https://gisk.ar/discord)

<a rel="me" href="https://fosstodon.org/@Giskard"></a>

</div>
<h3 align="center">
   <a href="https://docs.giskard.ai/oss"><b>التوثيق</b></a> &bull;
  <a href="https://www.giskard.ai/?utm_source=github&utm_medium=github&utm_campaign=github_readme&utm_id=readmeblog"><b>الموقع الإلكتروني</b></a> &bull;
  <a href="https://gisk.ar/discord"><b>المجتمع</b></a>
 </h3>
<br />

> [!IMPORTANT]
> **Giskard v3** هو إعادة كتابة جديدة كلياً مصممة للاختبار الديناميكي متعدد الأدوار لوكلاء الذكاء الاصطناعي. يتخلى هذا الإصدار عن الاعتماديات الثقيلة لتحقيق كفاءة أفضل، مع تقديم ماسح ثغرات ذكاء اصطناعي أكثر قوة وتقييم RAG محسّن — وكلاهما يُشحن الآن أصلياً في `giskard-scan`، دون أي اعتماد على v2. يبقى فقط الفحص القديم لنماذج **الجدولة/تعلّم الآلة** حصرياً على v2.
> **يبقى Giskard v2 متاحاً لكنه لم يعد يُصان بنشاط.**
> تابع التقدم → [اقرأ إعلان v3](https://github.com/orgs/Giskard-AI/discussions/2250) · [خارطة الطريق](https://github.com/Giskard-AI/giskard-oss/issues/2252)

## التثبيت

```sh
pip install giskard           # checks (+ agents, llm, core)
pip install "giskard[scan]"   # + vulnerability / quality scan
pip install "giskard[openai]" # provider SDK for LLM judges / generators
```

يتطلب Python 3.12+.

| إضافة | يضيف |
| --- | --- |
| *(لا شيء)* | `giskard-checks` والاعتماديات |
| `scan` | `giskard-scan` |
| `openai` / `anthropic` / … | حزم SDK الخاصة بالمزوّدين (انظر الاعتماديات الاختيارية في `pyproject.toml`) |

**القياس عن بُعد (Telemetry):** تحليلات مجمّعة اختيارية عبر `giskard-core`. لا يتم إرسال أي مطالبات أو مخرجات.
يمكنك إلغاء الاشتراك عبر `export DO_NOT_TRACK=1` أو `export GISKARD_TELEMETRY_DISABLED=1` (أو نفس المفاتيح في ملف `.env` داخل دليل العمل). اضبطها قبل الاستيراد لتجنّب إنشاء `~/.giskard/id`؛ وضبطها لاحقًا يوقف أي إرسال إضافي على أي حال.
التفاصيل: [README الخاص بـ `giskard-core`](https://github.com/giskard-ai/giskard-oss/blob/main/libs/giskard-core/README.md#telemetry).

---

Giskard هي مكتبة Python مفتوحة المصدر **لاختبار وتقييم الأنظمة الوكيلية (agentic systems)**. معمارية v3 عبارة عن مجموعة وحدات من الحزم المتخصصة — كل منها يحمل فقط الاعتماديات التي يحتاجها — مبنية من الصفر لتغلّف أي شيء: نموذج لغوي كبير (LLM)، أو وكيل صندوق أسود، أو خط أنابيب متعدد الخطوات.

| الحالة         | الحزمة          | الوصف                                                                                                                                                              |
| -------------- | ---------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------ |
| ✅ مستقر      | `giskard-checks` | الاختبار والتقييم — واجهة برمجة السيناريوهات، الفحوصات المدمجة، LLM-as-judge                                                                                                       |
| ✅ مستقر      | `giskard-scan`   | ماسح ثغرات الوكلاء + تقييم RAG/الجودة — الفريق الأحمر (red teaming)، حقن المطالبات (prompt injection)، كسر القيود (jailbreaks) والمحتوى الضار (`vulnerability_scan`، خليفة [v2 Scan](https://legacy-docs.giskard.ai/en/stable/open_source/scan/index.html))، بالإضافة إلى تقييم جودة قاعدة المعرفة (`quality_scan`، خليفة [v2 RAGET](https://legacy-docs.giskard.ai/en/stable/open_source/testset_generation/index.html)) |

تستند هذه إلى ثلاث مكتبات أساسية — `giskard-core` (الأدوات المشتركة والقياس عن بُعد)، و`giskard-llm` (توجيه LLM المستقل عن المزوّد)، و`giskard-agents` (تنسيق الوكلاء وسير العمل) — والتي يتم جلبها تلقائيًا ونادرًا ما تُستخدم مباشرة.

## Giskard Checks — إنشاء وتطبيق التقييمات لاختبار الوكلاء

```sh
pip install giskard-checks
```

**[Giskard Checks](https://docs.giskard.ai/oss/checks)** هي مكتبة خفيفة لإنشاء التقييمات (evals) التي تختبر الأنظمة القائمة على نماذج اللغة الكبيرة (LLM) — من التأكيدات البسيطة إلى تقييمات LLM-as-judge. على عكس اختبارات الوحدة التقليدية، صُممت التقييمات للمخرجات غير الحتمية (non-deterministic outputs) حيث يمكن أن يُنتج نفس المدخل استجابات صحيحة مختلفة.

استخدم Giskard Checks من أجل:

- **اكتشاف الانحدارات** — تحقّق من أن نظامك لا يزال يعمل بشكل صحيح بعد التغييرات
- **التحقق من جودة RAG** — تحقّق مما إذا كانت الإجابات مستندة إلى السياق المسترجَع
- **فرض قواعد السلامة** — تأكّد من أن المخرجات تتوافق مع سياسات المحتوى لديك
- **تقييم الوكلاء متعددي الأدوار** — اختبر المحادثات الكاملة، وليس التبادلات الفردية فقط

تشمل التقييمات المدمجة مطابقة النصوص والمقارنات والتعبيرات النمطية (regex) والتشابه الدلالي وتقييمات LLM-as-judge (`Groundedness` و`Conformity` و`LLMJudge`).

### المفاهيم

- **Target** — نظامك قيد الاختبار: أي دالة قابلة للاستدعاء متزامنة/غير متزامنة `(inputs) -> outputs` (اختياريًا مع `trace`)
- **Scenario** — تقييم واحد: التفاعلات + الفحوصات
- **Check** — تأكيد أو حكم LLM على التتبع (trace)
- **Suite** — مجموعة من السيناريوهات تُشغَّل معًا

`giskard.agents.Generator` هو عميل LLM لسير العمل/الحكّام — وليس هو نفسه
مولّدات المدخلات في `giskard.checks` (`LLMGenerator`) التي تُولّد رسائل المستخدم.

### البدء السريع

في سكربت بدون حلقة أحداث (event loop) قيد التشغيل:

```python
from giskard.checks import Scenario, Groundedness


def get_answer(inputs: str) -> str:
    return "Paris"  # replace with your model / agent


scenario = (
    Scenario("test_france_capital")
    .interact(inputs="What is the capital of France?", outputs=get_answer)
    .check(
        Groundedness(
            name="answer is grounded",
            context="France is in Western Europe. Its capital is Paris.",
        )
    )
)
result = scenario.run_sync()
result.print_report()
```

في خلية دفتر ملاحظات أو داخل دالة غير متزامنة، استخدم await مع السيناريو بدلاً من ذلك:

```python
result = await scenario.run()
result.print_report()
```

`Groundedness` هو حَكَم LLM — ثبّت إضافة موفّر (مثل `pip install "giskard[openai]"`) واضبط مفتاح API المطابق. النموذج الافتراضي: `openai/gpt-4o-mini`.

راجع [الوثائق الكاملة](https://docs.giskard.ai/oss/checks) للاطلاع على `Suites` و`LLMJudge` وسيناريوهات متعددة الأدوار والمزيد.

---

## Giskard Scan — ماسح ثغرات لوكلاء الذكاء الاصطناعي

```sh
pip install "giskard[scan]"   # or: pip install giskard-scan
```

**Giskard Scan** هي طبقة الفحص الأمني الهجومي (red-teaming) وفحص الثغرات للأنظمة الوكيلية. تُولّد مجموعات اختبار خصومية تلقائيًا من وصف بلغة طبيعية لوكيلك، وتغطي حقن الأوامر (prompt injection)، والمحتوى الضار، والصور النمطية، والمعلومات المضللة، وغيرها.

استخدم Giskard Scan من أجل:

- **إجراء فحص أمني هجومي لوكيلك** — توليد مدخلات خصومية تلقائيًا عبر فئات التهديد العشر الأولى في OWASP LLM
- **تشغيل فحوصات حقن الأوامر** — مجموعة بيانات مدمجة من حمولات الحقن جاهزة للاستخدام
- **التوسيع بمولّدات مخصصة** — مرّر كائنات `ScenarioGenerator` الخاصة بك إلى `generate_suite`، أو سجّلها على `vulnerability_suite_generator_registry`

### البدء السريع

```python
import asyncio
from giskard.scan import vulnerability_scan


async def my_agent(inputs: str) -> str:
    # Replace with your agent / model call
    return f"Echo: {inputs}"


async def main() -> None:
    await vulnerability_scan(
        target=my_agent,
        description="A customer support chatbot for an e-commerce platform.",
        languages=["en"],
    )


asyncio.run(main())
```

تحتاج مولّدات الفحص أيضًا إلى مزوّد LLM إضافي ومفتاح API (كما هو الحال مع حكّام Checks أعلاه).

## هل تبحث عن Giskard v2؟

تضمّن Giskard v2 كلاً من **Scan** (الكشف التلقائي عن الثغرات) و**RAGET** (توليد مجموعات اختبار تقييم RAG).

بالنسبة إلى **وكلاء LLM**، فقد حلّ محلّهما في v3 كلاهما عبر `giskard-scan`: استخدم [`vulnerability_scan`](#giskard-scan--vulnerability-scanner-for-ai-agents) بدلاً من فحص LLM في v2، واستخدم `quality_scan` (مع `KnowledgeBase`) بدلاً من RAGET.

يعمل v3 مع نماذج ML أيضًا — غلّف أحدها كهدف وقيّمه باستخدام `giskard-checks` أو `giskard-scan`. ما تغطيه الأمثلة أدناه هو **الفحص الجدولي التلقائي الخاص بـ v2 فقط** — مجموعة الكواشف التي تفحص `giskard.Model` + `giskard.Dataset` للكشف التلقائي عن مشكلات الأداء والتحيّز والمتانة — إلى جانب مجموعة اختبارات ML الخاصة بـ `giskard.testing` وGiskard Hub. وهذه غير مخطط لها في v3.

```sh
pip install "giskard[llm]>2,<3"
```

### [Scan](https://legacy-docs.giskard.ai/en/stable/open_source/scan/index.html) — اكتشاف مشكلات الأداء والتحيّز والأمان تلقائيًا

غلّف نموذجك وشغّل الفحص:

```python
import giskard
import pandas as pd


# Replace my_llm_chain with your actual LLM chain or model inference logic
def model_predict(df: pd.DataFrame):
    """The function takes a DataFrame and must return a list of outputs (one per row)."""
    return [my_llm_chain.run({"query": question}) for question in df["question"]]


giskard_model = giskard.Model(
    model=model_predict,
    model_type="text_generation",
    name="My LLM Application",
    description="A question answering assistant",
    feature_names=["question"],
)

scan_results = giskard.scan(giskard_model)
display(scan_results)
```

<p align="center">
  <img src="https://assets.kitploit.com/production/public/readmes/50936/0e863e60ab4173f4812139f38ba772f996644774946dc27aca07ffb1271f5626/9df9e5e47d8be5ce2e756bdd7315613fecc468a1e6096030cbc25d147a50cdf3-display-v1.webp" alt="مثال على الفحص" width="800">
</p>

### [RAGET](https://legacy-docs.giskard.ai/en/stable/open_source/testset_generation/index.html) — إنشاء مجموعات بيانات التقييم لتطبيقات RAG

أنشئ تلقائيًا أسئلة وإجابات مرجعية وسياقًا من قاعدة المعرفة الخاصة بك:

```python
import pandas as pd
from giskard.rag import generate_testset, KnowledgeBase

# Load your knowledge base documents
df = pd.read_csv("path/to/your/knowledge_base.csv")
knowledge_base = KnowledgeBase.from_pandas(df, columns=["column_1", "column_2"])

testset = generate_testset(
    knowledge_base,
    num_questions=60,
    language="en",
    agent_description="A customer support chatbot for company X",
)
```

<p align="center">
  <img src="https://assets.kitploit.com/production/public/readmes/50936/65cc932276b9d3a86425700b3717748e952a622722b9e129ff43efb0fb91c4d1/1f8abfc8a571f084d70ddfe3c484ad8ecf71d362e52cebfcb8581af12be8c0e9-display-v1.webp" alt="مثال RAGET" width="800">
</p>

[وثائق الإصدار الثاني الكاملة](https://legacy-docs.giskard.ai)

<h1 id="community">👋 المجتمع</h1>

نرحّب بمساهمات مجتمع الذكاء الاصطناعي! اقرأ هذا [الدليل](https://github.com/giskard-ai/giskard-oss/blob/main/CONTRIBUTING.md) للبدء، وانضم إلى مجتمعنا المزدهر على [Discord](https://gisk.ar/discord).

تابع التقدّم وشاركنا ملاحظاتك:
[إعلان الإصدار الثالث](https://github.com/orgs/Giskard-AI/discussions/2250) · [خارطة الطريق](https://github.com/Giskard-AI/giskard-oss/issues/2252)

🌟 [امنحنا نجمة](https://github.com/Giskard-AI/giskard)، فهذا يساعد المشروع على أن يكتشفه الآخرون ويحافظ على حافزنا لبناء أدوات مفتوحة المصدر رائعة! 🌟

❤️ إذا وجدت عملنا مفيدًا، فنرجو أن تفكر في [رعايتنا](https://github.com/sponsors/Giskard-AI) على GitHub. من خلال رعاية شهرية، يمكنك الحصول على شارة راعٍ، وعرض شركتك في ملف README هذا، والحصول على أولوية في معالجة تقارير الأخطاء الخاصة بك. كما نقدّم رعاية لمرة واحدة إذا أردت أن نشارك في مشروع استشاري، أو نقدّم ورشة عمل، أو نلقي محاضرة في شركتك.
تنزيل الأداة