Local-first KI-Red-Team für Web-, API- und LLM-Anwendungssicherheit. Angreiferorientierte Argumentation, evidenzbasierte Befunde und Skills für KI-Coding-Agents.
Dein lokales KI-Red-Team.
Angreiferähnliches Reasoning für die Sicherheit von Web-, API- und LLM-Anwendungen.
Projekt-Website · Schnellstart · Agent-Skill · Bewertungsmodell · Architektur · Dokumentation · Star-Verlauf
OpenHunterAI vereint Scope, Scan-Aktivität, Findings und Behebung in einem lokalen Workspace. Starte ohne Konto, verbinde deine Modell-Provider und bewerte verifizierte öffentliche Anwendungen, die dir gehören oder für die du eine Testautorisierung hast.
Die öffentliche Landingpage stellt das Projekt vor; der operative Workspace läuft lokal. Siehe öffentliche versus lokale Builds.
| Fähigkeit | Was du bekommst |
|---|---|
| Lokaler Workspace | Keine Registrierung; Projekte und Scan-Datensätze in deiner lokalen Datenbank |
| Expliziter Scope | Domain-Verifizierung, deterministische Pläne, Freigabeschranken durch Menschen |
| Mehrere Signalquellen | Browser-Inspektion, Recon, ZAP und ein Nuclei-Adapter |
| KI-gestützte Untersuchung | OpenHack/Strix-Adapter-Grenzen; bring deine eigenen Runtimes mit |
| Nachweise & Behebung | Bereinigte Findings, Abdeckungslücken, Fix-Hinweise, manueller Retest |
| Portabler Workflow | Ein Skill für Codex, Claude Code, Gemini CLI, Grok Build und OMP |
Alpha. Die Integrationsabdeckung hängt von den konfigurierten Runtimes ab. Ein fehlerfreier Workspace oder ein leerer Bericht beweist nicht, dass ein Ziel sicher ist.
OpenHunterAI behält den nützlichen Kern der 48bf9036 technischen Anforderungen: externe beobachtbare Verhaltensweisen aus der Perspektive eines Angreifers bewerten. Quellcode ist nicht erforderlich. Jeder Lauf bleibt auf ein verifiziertes öffentliches Ziel und einen genehmigten Scope beschränkt.
flowchart LR
S["1. Lock scope"] --> M["2. Map surface"]
M --> B["3. Establish baseline"]
B --> H["4. Test bounded hypotheses"]
H --> E["5. Gate evidence"]
E --> R["6. Report and retest"]
| Phase | Ergebnis | Kontrolle |
|---|---|---|
| Scope-Lock | Verifizierter Host, genehmigte Pfade, Scan-Plan | Autorisierung vor Arbeitsbeginn |
| Oberflächen-Mapping | Browser- und Recon-Signale | Nur öffentliche, im Scope liegende Oberfläche |
| Baseline | Normale Antworten und Abdeckungskontext | Begrenzte Worker und Adapter-Richtlinien |
| Hypothesentests | Kandidaten für Sicherheitssignale | Keine destruktiven Aktionen; sensible Validierung erfordert Genehmigung |
| Evidenz-Gate | Bereinigter, reproduzierbarer Befund | Beobachtete Signale von Analystenbewertung trennen |
| Bericht und Retest | Hinweise zur Behebung, Einschränkungen, manuelle Bestätigung | Ein Mensch entscheidet über Auswirkungen und Abschluss |
OpenAPI/Swagger-Beschreibungen, Postman-Beispiele, bereinigte HTTP-Mitschnitte und dedizierte Testkonten können helfen, die vereinbarte Testoberfläche zu definieren. Automatisierter Import oder die Aufbewahrung roher sensibler Datenverkehrsdaten ist keine zugesagte Fähigkeit.
Erfordert Git, Node.js 22+ und Docker mit Compose v2.
git clone https://github.com/LumosLab-Innovation/OpenHunterAI.git
cd OpenHunterAI
node ops/local.mjs start
Öffne localhost:3001. Beim ersten Start werden die Images erstellt,
Datenbankmigrationen angewendet und eine private .env.local mit generierten Secrets erzeugt.
.env.local fest; führe node ops/local.mjs restart aus.| Befehl | Zweck |
|---|---|
node ops/local.mjs status | Dienste inspizieren |
node ops/local.mjs logs public-api | API-Fehler diagnostizieren |
node ops/local.mjs stop | Stoppen; Datenbank-Volumes behalten |
Enthalten: Browser-Inspektion, ZAP, Recon und der Nuclei-Adapter.
Separat bereitstellen: OpenHack- und Strix-Runtimes.
Optionale interaktive target-login-Erfassung: node ops/local.mjs start --with-browser.
Vor dem Scannen ist der Nuclei-Template-Policy-Blocker zu beheben. Der Adapter ist paketiert, aber ein geprüftes Template-Bundle wird noch nicht bereitgestellt.
Lokal bedeutet, dass der Workspace auf deiner Maschine läuft, nicht die Berechtigung, localhost/private Netzwerke zu scannen. Halte seine Ports auf Loopback. Einrichtung, Modellkonfiguration und Fehlerbehebung →
Führe dies im Anwendungs-Repository aus, das dein Agent bewerten soll:
npx --yes skills add LumosLab-Innovation/OpenHunterAI --skill openhunter --agent codex claude-code gemini-cli grok --yes
Lade deinen Coding-Agent neu und frage dann:
Verwende OpenHunter, um meinen Workspace zu prüfen und eine abgegrenzte Sicherheitsbewertung vorzubereiten. Warte auf meine Freigabe, bevor du einen Scan startest.
OMP entdeckt die gemeinsame .agents/skills-Installation über seinen Agents-Provider. Die Skill enthält einen schreibgeschützten API-Helfer; die Installation startet keinen Scan. Client-Kompatibilität →
flowchart LR
UI["Local workspace<br/>React + Vite"] --> API["Public API<br/>Scope + scan plan"]
API --> BUS["NATS<br/>Orchestrator + workers"]
BUS --> EVIDENCE["Internal API<br/>Findings + reporting"]
EVIDENCE --> DB[("Postgres")]
API <--> DB
API -->|"Activity + reports"| UI
Die öffentliche API erstellt den Plan; Go-Worker führen ihn über begrenzte Adapter aus. Signale durchlaufen die Findings-Richtlinie, bevor sie in Berichte gelangen. Das Reporting ist ein Backend-Dienst, kein separater Scan-Worker.
Entdecken Sie die meistgenutzten Tools unserer Community.
Noch keine Beliebtheitsdaten.