pentest-ai v1.4.0

Website · Schnellstart · Bug Bounty · Verifizierung · Dokumentation · Issues

Pentest-AI ist ein Open-Source-Werkzeug für KI-gestütztes Penetration Testing und Bug Bounty, das nachgewiesene Findings von Vermutungen trennt. Es verbindet einen KI-Client oder ein Modell mit einem echten Pentest-Workflow: Webanwendungen untersuchen, Schwachstellen entdecken und reproduzieren und maschinelle Orakel nutzen, um zu verifizieren, ob ein Exploit tatsächlich funktioniert. Ein Finding, das kein Orakel beweisen kann, bleibt als Kandidat gekennzeichnet, und ein verifiziertes Finding enthält die Requests und Responses, die es belegt haben.

Nutze es über MCP (Claude Code, Codex, Cursor, VS Code), über die CLI oder in CI/CD. Das Modell treibt die Untersuchung voran; ein unabhängiges Orakel entscheidet, ob ein Finding ein verifiziertes Urteil erhält, sodass die Vermutungen des Modells niemals als Ergebnisse getarnt ankommen.

Gebaut für autorisiertes Bug Bounty: Ein Profil pro Programm enthält dessen Scope, die angegebene Rate und deinen Researcher-Handle, ein Dry Run zeigt den Plan, bevor etwas gesendet wird, und Berichtsentwürfe entstehen ausschließlich aus verifizierten Findings. Zum Bug-Bounty-Workflow springen →

Teste nur Systeme, die dir gehören oder für deren Prüfung du eine ausdrückliche Genehmigung hast. Lies die Richtlinie zur zulässigen Nutzung und die Nutzungsbedingungen, bevor du einen Auftrag durchführst.

Schnellstart

Empfohlen: Codex oder Claude Code

Verwende Python 3.10 bis 3.14 und installiere zuerst pipx. Führe pipx ensurepath aus und öffne dein Terminal bei Bedarf neu. pipx isoliert die Abhängigkeiten von Pentest-AI und macht seine Befehle ordnerübergreifend verfügbar.

pipx install ptai
ptai setup --mcp

Installiere zuerst die CLI deines KI-Clients. Das Setup fragt nach, bevor es alle erkannten unterstützten Clients verbindet, einschließlich sowohl Codex als auch Claude Code, wenn diese installiert sind. Es behält bestehende Registrierungen bei. Starte deinen Client anschließend neu.

Der Assistent verwendet benutzerweite Einstellungen. Er installiert keine Clients, meldet dich nicht an, lädt keine Modelle herunter und konfiguriert Ollama nicht. Dein KI-Client stellt das Modell bereit; ein separater Modell-API-Schlüssel wird vom MCP-Server nicht benötigt. Verwende ptai setup --mcp --dry-run, um Änderungen in der Vorschau anzuzeigen. Siehe Einzelclient- und Pro-Repository-Setup für Anweisungen zu Codex .codex/config.toml und Claude Code .mcp.json.

Für Upgrades verwende pipx upgrade ptai. In einer bestehenden aktivierten virtuellen Umgebung wird auch python -m pip install --upgrade ptai unterstützt; halte diese Umgebung verfügbar, nachdem du sie bei deinem KI-Client registriert hast.

Alternative: Ollama und lokale Modelle

Installiere Pentest-AI wie oben, aber überspringe für diesen Weg das MCP-Setup. Installiere und starte Ollama und lade dann ein Modell mit Tool-Calling-Unterstützung herunter. Verwende ollama list, um seinen exakten installierten Namen zu finden.

export PENTEST_AI_LLM_PROVIDER=ollama
export PENTEST_AI_MODEL="your-installed-model"
ptai start https://your-authorized-target.example --no-sync

In PowerShell:

$env:PENTEST_AI_LLM_PROVIDER = "ollama"
$env:PENTEST_AI_MODEL = "your-installed-model"
ptai start https://your-authorized-target.example --no-sync

Ersetzen Sie die Platzhalter, bevor Sie es ausführen. Ein lokales Modell benötigt keinen Cloud-API-Schlüssel. Modellqualität und verfügbarer Speicher beeinflussen die Ergebnisse. Siehe die Modellanleitung für die Endpunktkonfiguration.

Testen Sie die mitgelieferte Demo

Kein API-Schlüssel oder externes Ziel erforderlich.

pipx install ptai
ptai demo

Die Demo testet eine mitgelieferte verwundbare Anwendung, spielt einen Fund aus ihrer Proof-Kapsel erneut ab und prüft die gehärteten Routen. Untersuche den Nachweis-Workflow, bevor du ein echtes Engagement konfigurierst.

Andere Modellanbieter

Für eigenständige Cloud-Modelle und optionale Scanner-Abhängigkeiten siehe die Installationsanleitung und den Anbieter-Leitfaden. Halte API-Schlüssel aus der Versionskontrolle heraus.

Bug-Bounty-Automatisierung

Der Bug-Bounty-Modus ist für Programme gedacht, die automatisiertes Testen erlauben. Du schreibst ein Profil pro Programm mit dessen Scope, dessen angegebener Rate und deinem Researcher-Handle. --program wendet dann all dies auf jede Anfrage an, und --dry-run gibt den Plan aus, ohne etwas zu senden.

# ~/.pentest-ai/programs/acme.toml
platform = "hackerone"
handle = "acme"
researcher = "your-h1-username"   # sent on every request in X-Bug-Bounty
rps = 5.0                         # the rate the program states
scope = ["*.acme.com", "api.acme.com"]
excluded = ["status.acme.com"]
scanners_allowed = true
allow_race = false

ptai start https://api.acme.com --program acme --dry-run    # sends nothing
ptai start https://api.acme.com --program acme --auto-auth
ptai bounty-report <engagement-id> --program acme --output-dir drafts/

Unter --program:

• Jede Anfrage unterliegt der Rate des Programms, externe Tools eingeschlossen. Ein Tool, das nicht an seinen Anteil der Rate gebunden werden kann, wird übersprungen, und der Scan vermerkt dies.
• Der Scope stammt ausschließlich aus dem Profil und von nirgendwo sonst. Anfragen außerhalb davon werden abgelehnt, und Ausschlüsse haben Vorrang vor Wildcards.
• Jede Anfrage trägt deinen Researcher-Handle in X-Bug-Bounty oder in dem Header, den das Programm benennt (PTAI_BOUNTY_HEADER_NAME).
• Wortlisten-Tools wie gobuster und ffuf werden abgelehnt. Zwei integrierte Discovery-Probes versuchen dennoch eine Liste wahrscheinlicher Pfade, etwa 500 Anfragen.
• Payloads, die darauf ausgelegt sind, das Ziel zu erschöpfen oder zum Absturz zu bringen, werden nicht gesendet. Probes, die Konten anderer Benutzer oder gemeinsam genutzten Zustand verändern, werden nicht ausgeführt. Race-Condition-Bursts laufen nur, wenn das Profil allow_race = true setzt.
• 429 und Retry-After werden beachtet. Ein Ziel, das langsamer wird, erhält eine niedrigere Rate, und eines, das degradiert bleibt, stoppt den Scan mit aufgezeichnetem Grund.
• Ein Programm, das Scanner verbietet, erfordert ein eingegebenes yes, denn das Scannen kann den Safe Harbour aufheben.

ptai bounty-report erstellt Berichte ausschließlich aus oracle-verifizierten Findings, mit Reproduktionsschritten aus den Anfragen des Oracles selbst. Reproduziere jedes davon manuell und reiche es selbst ein. ptai bounty import konvertiert die exportierte Scope-Datei eines Programms in Allow- und Exclude-Einträge für das Profil.