Skip to content
KitploitKITPLOIT
ToolsBlog
Einreichen
ToolsBlog
Einreichen

Hacking-, PenTest- und Cybersicherheits-Tools für Ihr Sicherheitsarsenal!

Kitploit ist ein Verzeichnis von Hacking-, Cybersicherheits- und Pentesting-Tools. Entdecken Sie die neuesten Projekt-Updates, um Schwachstellen zu finden, Systeme zu analysieren, Tests zu automatisieren und Ihre Sicherheit zu stärken.

··Feeds·Kontakt·Datenschutz·© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
raink — Use LLMs for document ranking | Kitploit
Tools/GitHubGitHub/bishopfox/raink
Vulnerability AnalysisMachine LearningAI Security
GitHubbishopfox/raink

raink

Use LLMs for document ranking

Repository anzeigen
1786vor 1 JahrVon Kitploit geprüft

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →
Teilen

logo
Nutzen Sie LLMs für Dokumenten-Ranking.

Beschreibung

In der KI steckt eine gewisse Kraft: Man kann ihr „ein Problem hinwerfen“ und erhält ein Ergebnis, ohne das Problem überhaupt vollständig definiert zu haben. Beispielsweise kann man ihr eine Reihe von Code-Diffs und eine Sicherheitsempfehlung geben und fragen: „Welcher dieser Diffs behebt den Sicherheitsfehler am wahrscheinlichsten?“ So einfach ist es allerdings nicht immer:

  • Nichtdeterminismus: Antwortet nicht immer mit demselben Ergebnis
  • Kontextfenster: Nicht alle Daten können auf einmal übergeben werden, sie müssen aufgeteilt werden
  • Ausgabebeschränkungen: Gibt manchmal nicht alle Daten zurück, die zur Überprüfung angefordert wurden
  • Subjektivität bei der Bewertung: Es fällt ihm sehr schwer, einem einzelnen Element eine numerische Bewertung zuzuweisen

Wir haben raink entwickelt, um diese Probleme zu umgehen und allgemeine Ranking-Probleme zu lösen, die für LLMs sonst nur schwer zu verarbeiten sind. Weitere Hintergründe zu dieser Technik finden Sie in unserem Blogbeitrag raink: Use LLMs for Document Ranking und in unserem Vortrag Patch Perfect: Harmonizing with LLMs to Find Security Vulns erfahren Sie, wie wir raink auf offensive Sicherheitsprobleme angewendet haben.

Erste Schritte

Installation

root@kitploit:~
git clone https://github.com/bishopfox/raink
cd raink
go install

Konfiguration

Setzen Sie die Umgebungsvariable OPENAI_API_KEY.

Verwendung

root@kitploit:~
raink  -h
Usage of raink:
  -f string
    	Input file
  -p string
    	Initial prompt
  -r int
    	Number of runs (default 10)
  -s int
    	Batch size (default 10)

Vergleicht 100 Sätze in unter 2 Minuten.

root@kitploit:~
raink \
    -f testdata/sentences.txt \
    -r 10 \
    -s 10 \
    -p 'Rank each of these items according to their relevancy to the concept of "time".' |
    jq -r '.[:10] | map(.value)[]' |
    nl

   1  The train arrived exactly on time.
   2  The old clock chimed twelve times.
   3  The clock ticked steadily on the wall.
   4  The bell rang, signaling the end of class.
   5  The rooster crowed at the break of dawn.
   6  She climbed to the top of the hill to watch the sunset.
   7  He watched as the leaves fell one by one.
   8  The stars twinkled brightly in the clear night sky.
   9  He spotted a shooting star while stargazing.
  10  She opened the curtains to let in the morning light.

Anhang

Siehe auch

  • raink: Use LLMs for Document Ranking
  • Patch Perfect: Harmonizing with LLMs to Find Security Vulns
  • Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting
  • Introducing Rerank 3.5: Precise AI Search

Offene Punkte

  • OpenAI-Aufrufe für jeden Durchlauf parallelisieren
  • Zeit sparen durch kürzere Hash-IDs
  • sicherstellen, dass jeder randomisierte Durchlauf gleichmäßig in Gruppen aufgeteilt wird, sodass jede Gruppe einbezogen/belichtet wird
  • ermöglichen, ein Eingabe-Verzeichnis anzugeben (wobei jede Datei ein eigenständiges Objekt ist)
  • warnen, wenn das eingehende Kontextfenster extrem groß ist
  • einige Batches gegen Ende eines Durchlaufs (9?) sind aus irgendeinem Grund klein
  • OpenAI-Stapelmodus ausführen
  • optimale Batchgröße automatisch berechnen?
  • „Turnier“-Sortierung vs. vollständige Exposition jedes Mal untersuchen
  • Parameter für das Verfeinerungsverhältnis hinzufügen
  • Blog-Link hinzufügen
  • Nicht-OpenAI-Modelle unterstützen
  • boolesches Verfeinerungs-Flag hinzufügen

Lizenz

Dieses Projekt ist unter der MIT-Lizenz lizenziert.

Tool herunterladen