kush-coder/autopilot-pentest-aiOffizieller Build & verifiziertes Release | Open-Source-KI-Pentester, der jeden Fund beweist. Maschinelle Orakel führen jeden Exploit erneut aus; verifizierte Bugs liefern eine Proof-Kapsel, die du selbst nachspielen kannst.
Offizielle Open-Source-Veröffentlichung & gepflegte Codebasis von @kush-coder
Open-Source-KI-Pentester, der jeden Fund belegt. Maschinelle Orakel führen jeden Exploit erneut aus; verifizierte Schwachstellen liefern eine Proof-Kapsel, die du selbst nachspielen kannst.
Dieses Repository wird aktiv von @kush-coder gepflegt und als offizielle Open-Source-Veröffentlichung vertrieben.
# Clone your official repository
git clone https://github.com/kush-coder/autopilot-pentest-ai.git
cd autopilot-pentest-ai
Website · Schnellstart · Bug Bounty · Verifikation · 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 nie 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 die du eine ausdrückliche Autorisierung zur Prüfung hast. Lies die Richtlinie zur zulässigen Nutzung und die Nutzungsbedingungen, bevor du einen Auftrag ausführst.
Verwende Python 3.10 bis 3.14 und installiere zuerst pipx. Führe pipx ensurepath aus und öffne dein Terminal bei Bedarf erneut. 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 Codex und Claude Code, wenn diese installiert sind. Es bewahrt bestehende Registrierungen. Starte deinen Client danach 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; vom MCP-Server wird kein separater Modell-API-Schlüssel 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 bereits 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.
Installiere Pentest-AI wie oben beschrieben, überspringe für diesen Weg jedoch das MCP-Setup.
Installiere und starte Ollama und lade dann ein Modell mit Tool-Calling-Unterstützung herunter. Verwende ollama list, um den genauen 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.
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.
Für eigenständige Cloud-Modelle und optionale Scanner-Abhängigkeiten siehe die Installationsanleitung und den Anbieter-Leitfaden. Halte API-Schlüssel aus der Versionskontrolle heraus.
Der Bug-Bounty-Modus ist für Programme gedacht, die automatisiertes Testen erlauben. Du schreibst ein
Profil pro Programm mit dessen Scope, der angegebenen Rate und deinem Researcher-Handle.
--program wendet dann alles davon 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: