Python-Bibliothek für lokale, LLM-gestützte Sicherheitsanalyse mit Ghidra-Binäranalyse, C/C++-Schwachstellenscanning und MCP-Tool-Integration für automatisierte Reverse Engineering und Berichtserstellung.
TrustedSec LLM Library ist eine Python-Bibliothek für die Interaktion mit lokalen LLMs, die Tool-Nutzung unterstützen. Sie ermöglicht die Ausführung großer Workflows, die traditionell nur mit Frontier-Modellen möglich waren, indem sie lokale LLM-Endpunkte und die Integration von MCP (Model Context Protocol) nutzt.
# Repository klonen oder kopieren
git clone https://github.com/trustedsec/ts_llmlib.git
cd ts_llmlib
# Mit pip installieren
pip install -e .
Kopieren Sie das Verzeichnis ts_llmlib/ in Ihr Projekt:
cp -rf ts_llmlib /path/to/your/project/
from ts_llmlib import ChatSession
# Mit Standardwerten initialisieren (verbindet sich mit http://localhost:1234/v1/chat/completions)
chat = ChatSession()
# Einen Prompt ausführen
response = chat.run_prompt("What files are in the current directory?")
print(response['content'])
from ts_llmlib import ChatSession
# Mit benutzerdefinierten Einstellungen konfigurieren
chat = ChatSession(
system_prompt="You are a helpful assistant that uses file tools.",
tool_list=[], # Leer = Standard-Datei-Tools verwenden
mcp_servers={
"default": "http://localhost:3000/mcp"
},
llm_endpoint_url="http://localhost:1234/v1/chat/completions",
model_name="qwen3-coder-next",
timeout=60,
max_runtime=300
)
response = chat.run_prompt("Write 'hello' to /tmp/greeting.txt")
print(response['content'])
from ts_llmlib import ChatSession
chat = ChatSession()
history = [
{"role": "user", "content": "What is 2+2?"},
{"role": "assistant", "content": "The answer is 4."}
]
response = chat.run_prompt("Can you write that to a file?", history=history)
| Tool | Parameter | Beschreibung |
|---|---|---|
read_local_file | path: str | Inhalte aus einer lokalen Datei lesen |
write_local_file | path: str, content: str | Inhalte in eine lokale Datei schreiben |
list_directory | path: str | Dateien und Verzeichnisse in einem Pfad auflisten |
MCP (Model Context Protocol) ermöglicht die Integration externer Tools und Dienste. Wenn MCP-Server konfiguriert sind, wird ts_llmlib:
from ts_llmlib import ChatSession
chat = ChatSession(
mcp_servers={
"ghidraSvr": "http://localhost:8081/sse"
},
llm_endpoint_url="http://localhost:1234/v1/chat/completions",
model_name="qwen3-coder-next"
)
# Die Chat-Sitzung ruft automatisch Ghidra-Tools ab und integriert sie,
# z. B. list_methods, decompile_function, get_xrefs_to usw.
ts_llmlib unterstützt sowohl RPC- als auch SSE-Endpunkte (Server-Sent Events):
http://localhost:3000/mcphttp://localhost:3000/sse (wird für RPC-Aufrufe automatisch zu /mcp konvertiert)ChatSession(
system_prompt: str | None = None,
tool_list: list | None = None,
mcp_servers: dict[str, str] | None = None,
llm_endpoint_url: str = "http://localhost:1234/v1/chat/completions",
model_name: str = "default",
timeout: int = 60,
max_runtime: int = 300
)
Parameter:
system_prompt (str | None): Benutzerdefinierter System-Prompt. Standardmäßig wird ein minimaler Assistant-Prompt verwendet.tool_list (list | None): Liste benutzerdefinierter Tool-Definitionen. Eine leere Liste verwendet die integrierten Tools.mcp_servers (dict[str, str] | None): Dict, das Servernamen auf URLs abbildet.llm_endpoint_url (str): URL des LLM-API-Endpunkts.model_name (str): Modellbezeichner für den LLM-Endpunkt.timeout (int): HTTP-Request-Timeout in Sekunden.max_runtime (int): Maximale Ausführungszeit für einen Prompt in Sekunden.response = chat.run_prompt(
user_prompt: str,
conversation_history: list[dict] | None = None,
disable_tools: list[str] | None = None,
max_runtime: int | None = None
) -> dict
Parameter:
user_prompt (str): Die Nachricht oder Frage des Benutzers.conversation_history (list[dict] | None): Optionaler Gesprächsverlauf als Liste von Rollen-/Inhalts-Paaren.disable_tools (list[str] | None): Liste von Tool-Namen, die für diesen Aufruf deaktiviert werden sollen.max_runtime (int | None): Überschreibt die standardmäßige maximale Laufzeit für diesen spezifischen Aufruf.Rückgabewert:
{
"content": str, # LLM-Antworttext
"tool_calls": list, # Liste der ausgeführten Tool-Aufrufe (falls vorhanden)
"usage": dict | None, # Token-Nutzung, sofern vom LLM verfügbar
"error": str | None # Fehlermeldung, falls ein Fehler aufgetreten ist
}
Die ToolRegistry verwaltet alle Tools, die der Chat-Sitzung zur Verfügung stehen:
tool_list definierte ToolsUm die Standardpfade zu überschreiben, können Sie die folgenden Variablen setzen. Diese werden in ChatSession geprüft.
TS_LLM_MODEL=qwen3-coder-next TS_LLM_ENDPOINT=http://HOSTNAME:1234/v1/chat/completions
# Beispielverwendung
export TS_LLM_MODEL=qwen3-coder-next
export TS_LLM_ENDPOINT=http://HOSTNAME:1234/v1/chat/completions
ts_llmlib-redclippy
# ODER
TS_LLM_MODEL=qwen3-coder-next TS_LLM_ENDPOINT=http://HOSTNAME:1234/v1/chat/completions ts_llmlib-redclippy
Analysiert C/C++-Quelldateien auf Sicherheitslücken:
ts_llmlib-cpp-analyze <source_folder> <output_folder>
Reverse-Engineering-Binäranalyse mit Ghidra-Integration:
# Grundlegende Analyse
ts_llmlib-ghidra-analyze <output_folder>
# Nur-Umbenennen-Modus (erster Durchlauf)
ts_llmlib-ghidra-analyze --rename_only <output_folder>
# Nur zuvor unbenannte Funktionen verarbeiten
ts_llmlib-ghidra-analyze --process_unnamed_only <output_folder>
# Gruppierte Analyse zur Gruppierung von Aufrufbeziehungen
ts_llmlib-ghidra-analyze --grouped <output_folder>
Wenn der Lauf abgeschlossen ist und Sie nicht --rename_only verwendet haben, können Sie die Struktur bereinigen, indem Sie Folgendes ausführen:
ts_llmlib-ghidra-cleanup <input_folder> <output_folder>
Erzeugt formatierte Schwachstellenberichte aus JSON-Review-Dateien:
ts_llmlib-ghidra-report <review_folder>
Starten Sie die auf Qt basierende Chat-Oberfläche RedClippy (Hinweis: Dieses Beispiel erfordert pyside6):
ts_llmlib-redclippy