Skip to content
KitploitKITPLOIT
ToolsExploitsBlog
Log in
Einreichen
ToolsExploitsBlog
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.

FeedsKontaktDatenschutz© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
raptor — Autonomes Sicherheitsforschungs-Framework, das statische Analyse, Binäranalyse, Fuzzing, LLM-gestützte Schwachstellenvalidierung, Exploit-Generierung und Patch-Erstellung für offensive und defensive Operationen integriert. | Kitploit
Tools/GitHubGitHub/gadievron/raptor
Penetrationstest-FrameworksDynamische Analyse (Sandboxing)Exploit-FrameworksStatische Code-Analyse (SAST)SchwachstellenanalyseFuzzingBinäranalyseLieferkettensicherheitKI-gestütztes Reverse EngineeringRed Teaming
3.6k562104vor 15h 4mVon Kitploit geprüft
GitHub
gadievron/raptor

raptor

Autonomes Sicherheitsforschungs-Framework, das statische Analyse, Binäranalyse, Fuzzing, LLM-gestützte Schwachstellenvalidierung, Exploit-Generierung und Patch-Erstellung für offensive und defensive Operationen integriert.

Repository anzeigen

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

Noch keine Beliebtheitsdaten.

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →
Teilen
```text
╔═══════════════════════════════════════════════════════════════════════════╗
║                                                                           ║
║             ██████╗  █████╗ ██████╗ ████████╗ ██████╗ ██████╗             ║
║             ██╔══██╗██╔══██╗██╔══██╗╚══██╔══╝██╔═══██╗██╔══██╗            ║
║             ██████╔╝███████║██████╔╝   ██║   ██║   ██║██████╔╝            ║
║             ██╔══██╗██╔══██║██╔═══╝    ██║   ██║   ██║██╔══██╗            ║
║             ██║  ██║██║  ██║██║        ██║   ╚██████╔╝██║  ██║            ║
║             ╚═╝  ╚═╝╚═╝  ╚═╝╚═╝        ╚═╝    ╚═════╝ ╚═╝  ╚═╝            ║
║                                                                           ║
║             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.....⠀⠀⠀⠀⠀

```

<a href="https://github.com/gadievron/raptor/actions/workflows/github-code-scanning/codeql"><img src="https://github.com/gadievron/raptor/actions/workflows/github-code-scanning/codeql/badge.svg"></a>

**Autoren:** Gadi Evron, Daniel Cuthbert, Thomas Dullien (Halvar Flake), Michael Bargury, John Cartwright
([@gadievron](https://github.com/gadievron), [@danielcuthbert](https://github.com/danielcuthbert), [@thomasdullien](https://github.com/thomasdullien), [@mbrg](https://github.com/mbrg), [@grokjc](https://github.com/grokjc))

**Lizenz:** MIT, siehe [LICENSE](https://github.com/gadievron/raptor/blob/main/LICENSE). CodeQL und andere Komponenten von Drittanbietern unterliegen eigenen Lizenzbedingungen; siehe [Hinweise zu Drittanbietern](https://github.com/gadievron/raptor/blob/main/THIRD_PARTY_NOTICES.md) und [Abhängigkeiten](https://github.com/gadievron/raptor/blob/main/docs/dependencies.md).

**Repository:** https://github.com/gadievron/raptor

---

## Was ist RAPTOR?

**Von Hackern für Hacker gebaut.**

RAPTOR ist ein autonomes Framework für Sicherheitsforschung, das auf Claude Code aufsetzt (aber nicht daran gebunden ist – du kannst auch deine eigene Analyseschicht einbinden). Es verkettet statische Analyse, Binäranalyse, LLM-gestützte Schwachstellenvalidierung, Exploit-Generierung und Patch-Erstellung zu einem einzigen Workflow, den du gegen eine Codebasis oder ein Binärprogramm ausführen kannst.

Es ist keine ausgefeilte Software. Sie wurde in der Freizeit gebaut, mit Enthusiasmus und Klebeband zusammengehalten, und sie funktioniert gut genug, dass wir nicht aufhören können, sie zu benutzen. Wenn du sie verbessern möchtest, öffne einen PR.

RAPTOR unterstützt Sicherheitsforschung und menschliche Überprüfung; seine Berichte bescheinigen nicht,
dass eine Codebasis sicher ist.

RAPTOR steht für Recursive Autonomous Penetration Testing and Observation Robot. Wir wollten es unbedingt RAPTOR nennen.

### Wie es gebaut ist

RAPTOR ist größtenteils KI-generierter Code. Die Menschen geben die Richtung vor, überprüfen
die Ausgabe und treffen Designentscheidungen; die KI schreibt die Implementierung.
Mechanische Verifikation (Tests, statische Analyse, Korpus-Kalibrierung) hält
die Qualitätslatte dort, wo sie sein muss, unabhängig davon, wer – oder was – den
Code geschrieben hat.

**Hier starten:** [Fähigkeiten](#what-raptor-can-do) · [Schnellstart](#quick-start) ·
[Erster Lauf](#what-to-expect-on-a-first-run) · [Sicherheit](#security-model) ·
[Dokumentation](#documentation)

## Was RAPTOR kann

- **Eine Codebasis vom ersten Blick bis zu Kandidaten-Fixes begleiten.** Die Angriffsfläche
  kartieren, verdächtigen Code untersuchen, Scanner-Befunde bewerten, Ausnutzbarkeit testen
  und PoCs und Patches zur Überprüfung generieren. Beginne mit `/agentic`; nutze
  `/understand` oder das eigenständige `/audit`, wenn du eine gezielte Untersuchung brauchst.
- **Prüfen, womit deine Software ausgeliefert wird.** Anwendungsabhängigkeiten,
  Container-Pakete und Workflow-Komponenten inspizieren; Advisory- und Supply-Chain-
  Risiken identifizieren, eine SBOM erstellen und Fixes oder Upgrades mit `/sca` planen.
- **Ein unbekanntes Binärprogramm oder einen Absturz untersuchen.** Einstiegspunkte und
  Parser-Grenzen wiederherstellen, Laufzeitnachweise sammeln, ein Ziel fuzzen und den
  Fehler mit `/binary`, `/fuzz` und `/crash-analysis` untersuchen.
- **Laufende Anwendungen testen.** Web-Endpunkte mit `/web` erkunden und ausgewähltes
  Laufzeitverhalten mit Frida-Instrumentierung über `/frida` inspizieren.
- **Die Historie eines Open-Source-Projekts untersuchen.** GitHub-Aktivitäten,
  archivierte Ereignisse und lokale Git-Nachweise mit `/oss-forensics` korrelieren.

Die Reife variiert je nach Workflow. Der [vollständige Katalog](https://github.com/gadievron/raptor/blob/main/docs/README.md#command-reference)
listet Befehle und ihren Status auf; der [Workflow-Index](https://github.com/gadievron/raptor/blob/main/docs/README.md#choose-a-workflow)
hilft dir, einen Einstiegspunkt zu wählen.

## Warum RAPTOR?

- **LLM-gestützte Filterung von Fehlalarmen.** Semgrep, CodeQL und andere Tools
  erzeugen Kandidatenwarnungen mechanisch. RAPTOR untersucht den umgebenden Code
  und die Datenflüsse, um zu bewerten, ob jede Warnung einen echten Fehler beschreibt.
- **Eine Audit-Engine jenseits der Scanner-Ausgabe.** Hypothesengetriebene Untersuchungen
  nutzen Analysewerkzeuge, um Lücken zu prüfen, die Scanner möglicherweise übersehen, und
  verfolgen dabei Belege und Abdeckung. `/agentic` nutzt Audit-Fähigkeiten innerhalb seines
  Workflows; das eigenständige `/audit` bietet eine dedizierte systematische Überprüfung.
  Siehe [Audit-Engine](https://github.com/gadievron/raptor/blob/main/docs/audit.md).
- **Achtstufige Validierung der Ausnutzbarkeit.** `/validate` untersucht, ob eine
  Kandidaten-Schwachstelle für einen Angreifer erreichbar ist, ob ihre Vorbedingungen
  erfüllt werden können und welche Gegenmaßnahmen eine Ausnutzung verhindern. Mechanische
  Machbarkeitsprüfungen und Selbstüberprüfung unterstützen die Bewertung; die dynamische
  Verifikation hängt von verfügbaren Artefakten und Ausführungsberechtigungen ab. Siehe
  [Validierung](https://github.com/gadievron/raptor/blob/main/docs/validation.md).
- **Umfassende Software-Composition-Analyse.** Abhängigkeiten, Container-Pakete,
  Workflow-Komponenten, Advisories, Erreichbarkeit und Lieferketten-Signale werden
  zusammen mit SBOMs und Fix-Planung zusammengeführt. Siehe [SCA](https://github.com/gadievron/raptor/blob/main/docs/sca.md).
- **Verbundene Quellcode- und Binärbelege.** Laufzeit-Traces, Fuzz-Witnesses und
  optionale [SMT-Prüfungen](https://github.com/gadievron/raptor/blob/main/docs/codeql.md#smt-path-feasibility) können Befunde aus
  der Quellcode-Überprüfung stärken. [Benutzerdefinierte Erkennungsregeln](https://github.com/gadievron/raptor/blob/main/docs/static-analysis.md#bundled-rule-coverage)
  ergänzen die vorgelagerten Scanner.
- **Eine maßgeschneiderte Sandboxing-Schicht.** RAPTOR isoliert generierte PoCs,
  Ziel-Builds und Recherchewerkzeuge mit Richtlinien, die auf jedes Tool und jede
  Ausführungsphase abgestimmt sind. Siehe das Sicherheitsmodell unten.
- **Forschung, die sich aufbaut.** [Projekte](https://github.com/gadievron/raptor/blob/main/docs/concepts.md#projects) bewahren
  Befunde, Abdeckung, Anmerkungen und Vergleiche zwischen Läufen auf. Bedrohungsmodelle,
  persistentes Gedächtnis und [spezialisierte Personas](https://github.com/gadievron/raptor/blob/main/tiers/personas/README.md#choosing-a-persona)
  helfen jeder Untersuchung, auf früheren Arbeiten aufzubauen.

## Sicherheitsmodell

Das analysierte Repository kann den Analysten angreifen: durch bösartigen Code,
repository-gesteuerte Konfiguration, Prompt-Injection oder in einem Bericht
gerenderten Inhalt. RAPTOR begegnet diesen Angriffsflächen mit mehreren Grenzen:

- **Mehrschichtige Prozessisolierung.** Die maßgeschneiderte Sandbox kombiniert Linux-Namespaces,
  Landlock, seccomp und Ressourcenlimits; unter macOS wird Seatbelt verwendet. Richtlinien
  beschränken Dateisystemzugriff, Netzwerkverbindungen, Syscalls, Prozesserzeugung und
  Ressourcenverbrauch je nach Tool, Plattform und Profil.
- **Eingeschränkter Host-Zugriff.** Richtlinien für nicht vertrauenswürdige Ausführung halten
  Zieleingaben schreibgeschützt, beschränken Schreibzugriffe auf gewährte Ausgabe-/Scratch-Pfade
  und verwenden ein privates Home-Verzeichnis, statt das normale Home-Verzeichnis des Operators
  offenzulegen.
- **Kontrollierter Egress.** Tool-Richtlinien blockieren Netzwerkzugriffe oder leiten sie über
  einen allowlisteten Proxy. Vernetzte Ermittler verfügen zudem über agentenspezifische URL-Gates.
- **Trennung von Anmeldedaten.** Der vom Launcher verwaltete LLM-Dispatcher hält
  Provider-Anmeldedaten im Elternprozess; Worker nutzen seinen Socket, ohne API-Schlüssel
  zu erhalten. Die direkte Nutzung der Python-CLI bietet diese Dispatcher-Grenze nicht.
- **Start- und Konfigurationsprüfungen.** Launcher-Preflights inspizieren Repository-Hooks,
  MCP-Konfiguration und gefährliche Umgebungseinstellungen. Umgebungssanitisierung und
  isolierter Interpreter-Start schützen die Launcher-Kette.
- **Grenzen für Agentenfähigkeiten und Einwilligung.** Tool-Beschränkungen und Attendance-/
  Containment-Gates beschränken Agenten, die mit feindlichen Eingaben umgehen. Agenten-
  nachrichten können keine Operator-Autorität verleihen. Nicht vertrauenswürdige Ausführung
  wird verweigert, wenn die erforderliche Containment nicht verfügbar ist; reduzierter Schutz
  erfordert ausdrückliche Einwilligung.
- **Umgang mit feindlichen Eingaben und Ausgaben.** Quellcode-Auszüge werden als nicht
  vertrauenswürdige Daten behandelt, und die Berichtssanitisierung entfernt Markup, das
  automatische externe Abrufe auslösen könnte.

Prompt-Injection bleibt möglich. Die Garantien unterscheiden sich zwischen nicht vertrauenswürdiger Ausführung, vertrauenswürdigen Tool-Einstiegspunkten, Plattformen und vom Betreiber ausgewählten Profilen; diese Kontrollen sind keine Behauptung, dass alle Agent-Aktionen isoliert sind. Container fügen eine Deployment-Grenze hinzu. Siehe [Sandbox-Garantien und -Einschränkungen](https://github.com/gadievron/raptor/blob/main/docs/sandbox.md), [Agent-Sicherheit](https://github.com/gadievron/raptor/blob/main/docs/agent-security.md), das [Bedrohungsmodell](https://github.com/gadievron/raptor/blob/main/docs/security.md) und [WSL-Anforderungen](https://github.com/gadievron/raptor/blob/main/docs/wsl.md) für die genauen Verträge und Restrisiken.

## Voraussetzungen

- **Manueller Checkout:** Python 3.13+, [uv](https://docs.astral.sh/uv/) und die
  Tools, die Ihr Workflow benötigt. Semgrep wird für Standard-Quellcode-Scans benötigt;
  eigenständiges SCA erfordert es nicht.
- **Interaktive Shell:** Claude Code mit einem aktiven Abonnement oder einem
  Anthropic-API-Schlüssel. Der unten beschriebene Installationsweg verwendet außerdem Node.js 18+.
- **Eigenständige CLI:** Claude Code ist optional. LLM-gestützte Analyse benötigt einen
  konfigurierten Anbieter; mechanische Scans können ohne LLM ausgeführt werden.

Siehe [Installation](https://github.com/gadievron/raptor/blob/main/docs/installation.md) und [Abhängigkeiten](https://github.com/gadievron/raptor/blob/main/docs/dependencies.md)
für Plattformanforderungen und optionale Tools.

## Konten und Kosten

Die Claude-Code-Anmeldung der Shell ist unabhängig von den Anmeldedaten, die für
die Finding-Analyse verwendet werden, welche Claude Code, einen anderen Anbieter oder ein lokales Modell nutzen kann.

Abonnementgestützte Claude-Code-Analyse hat keine separate API-Rechnung; API-gestütztes
Claude Code und externe Anbieter folgen der Abrechnung ihres Backends. Die folgenden
Source-Review-Beispiele setzen jeweils eine Obergrenze von 5 $ für den Hauptlauf (`/agentic` standardmäßig 10 $).
Optionale Helfer haben separate Obergrenzen, sodass dies keine Ende-zu-Ende-Obergrenze
über alle Prozesse hinweg ist.
Siehe [Modell-Setup und Abrechnung](https://github.com/gadievron/raptor/blob/main/docs/llm.md) für Details.
[Offline-Betrieb](https://github.com/gadievron/raptor/blob/main/docs/concepts.md#offline-and-airgapped-use) erfordert vorbereitete
Tools/Daten und geeignete Egress-Kontrollen.

## Schnellstart

<!-- raptor:release-tag v3.1.0 -->

**RAPTOR läuft aus Ihrem Checkout. Das Docker-Image stellt seine Tools und
Abhängigkeiten bereit.** Verwenden Sie für den normalen Gebrauch das stabile RAPTOR-Release (`v3.1.0`).
Mitwirkende sollten der [Entwickler-Einrichtung](https://github.com/gadievron/raptor/blob/main/docs/developers.md#working-on-the-development-version) folgen.

Führen Sie diese Befehle in Ihrem Terminal aus, um den Release-Checkout im Tools-
Container einzubinden. Der Image-Digest fixiert die Tools-Umgebung getrennt von RAPTOR:

```bash
git clone --branch v3.1.0 https://github.com/gadievron/raptor.git
cd raptor
docker pull docker.io/danielcuthbert/raptor:latest@sha256:ce982a3e90225b929ce6c5aa634075bf3e6d8d999384c1e07dda12d075ef4542
docker run -it \
  -v "$PWD:/workspaces/raptor" \
  -v "/path/to/target-folder:/workspaces/target" \
  docker.io/danielcuthbert/raptor:latest@sha256:ce982a3e90225b929ce6c5aa634075bf3e6d8d999384c1e07dda12d075ef4542
```

Ersetze den Zielpfad durch deinen eigenen oder lasse diesen Mount weg. Bei einem
bestehenden Checkout wechsle zuerst zu `v3.1.0`. Führe im Container `raptor` aus.

Für die Einrichtung ohne Docker siehe [manuelle Installation](https://github.com/gadievron/raptor/blob/main/docs/installation.md#option-1-install-manually).
Lokale Builds, VS Code-Devcontainer und Debugger-Anforderungen werden in
[Container-Installation](https://github.com/gadievron/raptor/blob/main/docs/installation.md#option-2-run-in-a-container-recommended) behandelt.

## Was dich beim ersten Lauf erwartet

Verwende Slash-Befehle innerhalb einer RAPTOR-Sitzung; führe Python-Befehle in deinem
Terminal aus dem Checkout mit aktivierter Umgebung aus.

### Quellcode

```text
/agentic /path/to/code --max-cost-usd 5
```

Lies `agentic-report.md` und die generierten PoCs und Patches im Run-Verzeichnis.
Patches werden nicht auf das Ziel angewendet. Rechne mit Minuten bis zu Zehnminuten, abhängig
vom Ziel und Modell. Siehe [Workflow und Ausgaben](https://github.com/gadievron/raptor/blob/main/docs/agentic.md).
Für einen mechanischen Scan ohne LLM-Analyse verwende `/scan /path/to/code`.

### Optional: eigenständiges Audit

```text
/audit /path/to/code --budget 50 --max-cost 5
```

Für eine dedizierte systematische Überprüfung untersuchen Sie bis zu 50 Funktionen, wobei Tool-Nachweise und Abdeckung zusammen mit den
Erkenntnissen dokumentiert werden. Siehe die [Referenz zu den Audit-Ausgabedateien](https://github.com/gadievron/raptor/blob/main/docs/audit.md#output) für die
Dateien, die bei einem Lauf geschrieben werden.

### Abhängigkeiten ohne LLM oder Claude Code

```bash
python3 raptor.py sca --repo /path/to/project --no-llm
```

Der [SCA-Scan](https://github.com/gadievron/raptor/blob/main/docs/sca.md) schreibt Findings, einen Bericht, ein SBOM und SARIF.

### Binäruntersuchung

```text
/binary investigate /path/to/binary
```

Die Standarduntersuchung ordnet das Artefakt ein und priorisiert Hinweise, ohne es auszuführen oder zu fuzzen. Siehe [Binäranalyse](https://github.com/gadievron/raptor/blob/main/docs/binary-analysis.md) für Ausgaben und die expliziten Schritte, die Laufzeitnachweise hinzufügen.

### Was ein Befund Ihnen sagt

**Korpus-Illustration:** ein kompakter Durchlauf eines gekennzeichneten WebGoat-Regressionsfalls:

```text
Candidate: SQL injection in SqlInjectionLesson13.java
Evidence:  The request value is bound with PreparedStatement.setString
           before the prepared query is executed.
Verdict:   False positive for SQL injection on this path (corpus label).
Limit:     This does not establish that other paths or the application are safe.
```

Vergleiche die [Kandidaten- und Code-Evidenz](https://github.com/gadievron/raptor/blob/main/core/dataflow/corpus/findings/webgoat_codeql_java-sql-injection_04eaccfec9a4.json)
mit dem [Label und der Begründung](https://github.com/gadievron/raptor/blob/main/core/dataflow/corpus/findings/webgoat_codeql_java-sql-injection_04eaccfec9a4.label.json).

## Wie RAPTOR sich selbst prüft

RAPTOR nutzt einen guten Teil seiner eigenen Sicherheits-Tooling selbst. Einige Kontrollen blockieren
PRs, einige laufen nach Zeitplan, und andere messen, ob Ergebnisse driften:

- **PR- und Merge-Prüfungen:** Ruff, Subsystem-Tests, Prompt-Envelope-Audits,
  Workflow-Härtung, Corpus-Label-Lint, Repository-Invarianten, Dokumentations-
  Guards und das SCA-Abhängigkeits-Regressionsgate.
- **Code-Scanning:** CodeQL analysiert Python, C/C++ und GitHub Actions bei PRs,
  Pushes, der Merge-Queue und nach einem wöchentlichen Zeitplan.
- **Geplante Assurance:** Lint- und Test-Durchläufe über den gesamten Baum, Corpus-Pin-Prüfungen,
  automatische Abhängigkeits-Selbstaktualisierungen und Prüfungen auf bekannte Kompromittierungen bieten wiederkehrende Abdeckung.
- **Qualitätsmessung:** Dataflow-Benchmarks und SCA-Kalibrierungs-/Stress-
  Korpora verfolgen Präzision, Recall, False Positives und Drift.

[CI-Kontrollen](https://github.com/gadievron/raptor/blob/main/docs/ci-controls.md) dokumentieren die genauen Auslöser,
Nachweise, Einschränkungen und Reproduktionsbefehle.

## Dokumentation

| Nächster Schritt | Anleitung |
|-----------|-------|
| Tools installieren oder konfigurieren | [Installation](https://github.com/gadievron/raptor/blob/main/docs/installation.md) |
| Einen Workflow wählen oder einen Befehl nachschlagen | [Anleitungen und Befehlsverzeichnis](https://github.com/gadievron/raptor/blob/main/docs/README.md) |
| Einen fehlgeschlagenen oder hängenden Lauf diagnostizieren | [Fehlerbehebung](https://github.com/gadievron/raptor/blob/main/docs/troubleshooting.md) |
| Isolation und Vertrauensgrenzen verstehen | [Sicherheit](https://github.com/gadievron/raptor/blob/main/docs/security.md) und [Sandbox](https://github.com/gadievron/raptor/blob/main/docs/sandbox.md) |
| Zu RAPTOR beitragen | [Mitwirken](https://github.com/gadievron/raptor/blob/main/CONTRIBUTING.md) und [Entwicklerhandbuch](https://github.com/gadievron/raptor/blob/main/docs/developers.md) |

## Mitwirken

RAPTOR ist Open Source; Beiträge sind willkommen. Siehe
[Hinweise für Mitwirkende](https://github.com/gadievron/raptor/blob/main/CONTRIBUTING.md) für Möglichkeiten und Entwicklungskonventionen.

Reiche Pull Requests ein. Chatte mit uns im **#raptor**-Kanal im Prompt||GTFO Slack:
https://join.slack.com/t/promptgtfo/shared_invite/zt-3v2b4sll3-SfyzFRw2lykx_XQX7F3uNQ

## Lizenz

MIT -- Copyright (c) 2025-2026 Gadi Evron, Daniel Cuthbert, Thomas Dullien (Halvar Flake), Michael Bargury, John Cartwright.

Siehe [LICENSE](https://github.com/gadievron/raptor/blob/main/LICENSE) für den vollständigen Text. Drittanbieter-Komponenten behalten ihre eigenen Bedingungen; siehe [Hinweise zu Drittanbietern](https://github.com/gadievron/raptor/blob/main/THIRD_PARTY_NOTICES.md), [Abhängigkeiten](https://github.com/gadievron/raptor/blob/main/docs/dependencies.md) und die [CodeQL-Lizenzbedingungen](https://github.com/github/codeql-cli-binaries/blob/main/LICENSE.md).

**Issues:** https://github.com/gadievron/raptor/issues
Tool herunterladen