lumoslab-innovation/openhunteraiLocal-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.
Angreiferorientiertes Denken für die Sicherheit von Web-, API- und LLM-Anwendungen.
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 deren Test du autorisiert bist.
| Fähigkeit | Was du bekommst |
|---|---|
| Lokaler Workspace | Keine Anmeldung; Projekte und Scan-Datensätze in deiner lokalen Datenbank |
| Expliziter Scope | Domain-Verifizierung, deterministische Pläne, menschliche Freigabe-Gates |
| 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-Anleitung, 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: Bewerte extern beobachtbares Verhalten aus der Perspektive eines Angreifers. 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-Sperre | Verifizierter Host, genehmigte Pfade, Scan-Plan | Autorisierung, bevor die Arbeit beginnt |
| 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 Freigabe |
| Evidenz-Gate | Bereinigtes, reproduzierbares Finding | Beobachtete Signale von Analysten-Urteil trennen |
| Bericht und Retest | Fix-Anleitung, Einschränkungen, manuelle Bestätigung | Ein Mensch verantwortet Impact-Entscheidungen und Abschluss |
OpenAPI/Swagger-Beschreibungen, Postman-Beispiele, bereinigte HTTP-Mitschnitte und dedizierte Testkonten können helfen, die vereinbarte Testoberfläche zu definieren. Automatischer Import oder Aufbewahrung von rohem sensiblem Traffic ist keine zugesicherte 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. Der erste Start baut die Images,
wendet Datenbankmigrationen an und erstellt eine private .env.local mit generierten Secrets.
.env.local; 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 mitbringen: 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 mitgeliefert.
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 scoped Sicherheitsbewertung vorzubereiten. Warte auf meine Freigabe, bevor du einen Scan startest.
OMP entdeckt die gemeinsame .agents/skills-Installation über seinen Agents-
Provider. Der Skill enthält einen schreibgeschützten API-Helper; 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"| UIDie öffentliche API erstellt den Plan; Go-Worker führen ihn über begrenzte Adapter aus. Signale durchlaufen die Findings-Policy, bevor sie in Berichte gelangen. Reporting ist ein Backend-Dienst, kein separater Scan-Worker.
Melde einen Bug, schlage eine Verbesserung vor oder hilf, die Dokumentation zu klären. Lies zuerst die Beitragsregeln; melde Schwachstellen privat, ohne Zugangsdaten oder rohe Zieldaten.
Source-available unter PolyForm Noncommercial 1.0.0. Kommerzielle Lizenzierung: LICENSING.md. Upstream-Tools und Attribution behalten ihre eigenen Hinweise.