📖 Documentación  |  🌐 🇬🇧 English · 🇨🇳 中文 · 🇯🇵 日本語 · 🇪🇸 Español · 🇩🇪 Deutsch · 🇫🇷 Français · 🇰🇷 한국어 · 🇧🇷 Português · 🇷🇺 Русский

🚀 Plataforma de Red Team para IA por Tencent Zhuque Lab

A.I.G (AI-Infra-Guard) integra capacidades como ClawScan (OpenClaw Security Scan), Agent Scan, escaneo de vulnerabilidades en infraestructura de IA, escaneo de MCP Server y Agent Skills, y Jailbreak Evaluation, con el objetivo de proporcionar a los usuarios la solución más completa, inteligente y fácil de usar para la autoevaluación de riesgos de seguridad en IA.

Estamos comprometidos a hacer de A.I.G (AI-Infra-Guard) la plataforma líder de red team para IA en la industria. Más estrellas ayudan a este proyecto a llegar a una audiencia más amplia, atrayendo a más desarrolladores a contribuir, lo que acelera la iteración y mejora. ¡Tu estrella es crucial para nosotros!

📋 Encuesta de Opinión de Usuarios

¡Ayúdanos a mejorar A.I.G! Por favor, tómate 3-5 minutos para completar nuestra Encuesta de Opinión de Usuarios. ¡Los usuarios que proporcionen comentarios de alta calidad y dejen un correo electrónico válido recibirán un regalo exclusivo de Tencent.

🚀 Novedades

• 2026-07-24 · v4.5.0 — Lanzado el mercado de skills de seguridad IA (3 skills oficiales); frontend totalmente open source; motor de escaneo Skill mejorado (9 categorías de riesgo, SkillTrustBench máximo 0.9848); escaneo Skill/MCP/Agent como CLI independiente; biblioteca de vulnerabilidades ampliada a 130 componentes, 1888 reglas
• 2026-06-25 · v4.1.15 — MCP Scan: 3 nuevas reglas de detección de amenazas (envenenamiento de herramientas, exfiltración de credenciales, inyección de comandos); 6 nuevas reglas CVE para llama.cpp; model.token ahora opcional con fallback al modelo predeterminado del sistema.
• 2026-06-18 · v4.1.14 — Prompt Security: 9 nuevos operadores de ataque single-turn; nueva skill aig-agent-redteam para evaluación red-team integral de Agentes.
• 2026-06-11 · v4.1.13 — Nuevo endpoint API de verificación de versión; puntuación de seguridad cambiada a modelo de deducción absoluta para una evaluación de riesgos más clara.
• 2026-06-08 · v4.1.12 — Biblioteca de huellas digitales ampliada: 39 nuevas huellas AI Web añadidas, 18 existentes mejoradas.

👉 Versiones anteriores · 🛒 Mercado de Skills de Seguridad IA · 🔍 skill-scan CLI · 🔍 mcp-scan CLI · 🔍 agent-scan CLI · 📊 SkillTrustBench

Tabla de Contenidos

• 🚀 Inicio Rápido
• ✨ Características
• 🖼️ Galería
• 📖 Guía de Usuario
• 🔧 Documentación de la API
• 🏗️ Evolución de la Arquitectura
• 📝 Guía de Contribución
• 🛡️ Acerca del Equipo
• 🙏 Agradecimientos
• 💬 Únete a la Comunidad
• 📖 Cita
• 📚 Publicaciones
• ⚖️ Licencia y Atribución
  
  

🚀 Inicio Rápido

🐳 Despliegue con Docker

# Este método descarga imágenes preconstruidas de Docker Hub para un inicio más rápido
git clone https://github.com/Tencent/AI-Infra-Guard.git
cd AI-Infra-Guard
# Para Docker Compose V2+, reemplaza 'docker-compose' con 'docker compose'
docker-compose -f docker-compose.images.yml up -d

Una vez que el servicio esté en ejecución, puedes acceder a la interfaz web de A.I.G en: http://localhost:8088

Usar desde OpenClaw

También puedes llamar a A.I.G directamente desde el chat de OpenClaw mediante la skill aig-scanner.

clawhub install aig-scanner

Luego configura AIG_BASE_URL para que apunte a tu servicio A.I.G en ejecución.

Para más detalles, consulta el README de aig-scanner.

# Este método instalará Docker automáticamente y lanzará A.I.G con un solo comando
curl https://raw.githubusercontent.com/Tencent/AI-Infra-Guard/refs/heads/main/docker.sh | bash

git clone https://github.com/Tencent/AI-Infra-Guard.git
cd AI-Infra-Guard
# Este método construye una imagen Docker a partir del código fuente local e inicia el servicio
# (Para Docker Compose V2+, reemplaza 'docker-compose' con 'docker compose')
docker-compose up -d

⚡ Instalar aig-skill-scan con un solo comando

Herramienta de auditoría de seguridad de Agent Skills, fácilmente integrable en pipelines CI/CD empresariales. La clasificación de vulnerabilidades se alinea con la taxonomía SkillTrustBench T01–T09. Más información →

pip install aig-skill-scan

# Establecer clave API mediante variable de entorno
export LLM_API_KEY="your-api-key"

# Escanear un directorio de proyecto Skill local
aig-skill-scan --repo /path/to/your/skill \
           -m deepseek-v4-flash \
           --language en \
           -o result.json

🌟 Probar la Versión Pro en Línea

Experimenta la versión Pro con funciones avanzadas y rendimiento mejorado. La versión Pro requiere un código de invitación y se prioriza para los contribuyentes que han enviado issues, pull requests o discusiones, o que ayudan activamente al crecimiento de la comunidad. Visita: https://aigsec.ai/.

✨ Características

🔍 Rendimiento y cobertura de aig-skill-scan

Rendimiento en SkillTrustBench con diferentes LLMs:

Cubre 9 categorías de riesgos de seguridad de Skills (SkillTrustBench T01–T09):

Para la tabla de clasificación completa, visite SkillTrustBench.

🔬 Escaneo de seguridad y evaluación

🖼️ Galería

Interfaz Principal de A.I.G

Gestión de Plugins

🗺️ Guía de Uso Rápido

Después del despliegue, abre http://localhost:8088 en tu navegador.

Escaneo de Vulnerabilidades en Infraestructura de IA

¿Qué introducir como URL/IP objetivo?

El objetivo es la dirección de red de un servicio de IA en ejecución que deseas escanear, no una URL de GitHub ni una ruta de código fuente. A.I.G se conecta al servicio activo y lo identifica en busca de vulnerabilidades CVE conocidas.

Paso a paso: Escanear una instancia local de vLLM

1. Inicia vLLM normalmente (p. ej. python -m vllm.entrypoints.api_server --model meta-llama/...)
2. En la interfaz web de A.I.G, haz clic en "AI基础设施安全扫描 / AI Infra Scan"
3. Introduce http://127.0.0.1:8000 (o la IP/puerto donde está escuchando vLLM)
4. Haz clic en Iniciar Escaneo — A.I.G identificará el servicio y lo comparará con más de 1900 CVE conocidos
5. Consulta el informe: versión del componente, vulnerabilidades encontradas, severidad y enlaces de remediación

💡 Consejo: Para escanear específicamente la versión nightly de vLLM, simplemente ejecuta esa compilación nightly y apunta A.I.G a su dirección. El scanner detecta la versión automáticamente.

Escaneo de MCP Server y Agent Skills

Introduce una URL remota (p. ej. https://github.com/user/mcp-server) o sube un archivo comprimido de código fuente local — no se requiere una instancia en ejecución.

Jailbreak Evaluation

Configura el endpoint de la API del LLM objetivo (URL base + clave API) en Configuración → Configuración del Modelo, luego selecciona un conjunto de datos e inicia la evaluación.

📖 Guía de Usuario

Visita nuestra documentación en línea: https://tencent.github.io/AI-Infra-Guard/

Para preguntas frecuentes más detalladas y guías de resolución de problemas, visita nuestra documentación.

🔧 Documentación de la API

A.I.G proporciona un conjunto completo de APIs de creación de tareas que soportan las capacidades de escaneo de infraestructura de IA, escaneo de MCP Server y Jailbreak Evaluation.

Una vez que el proyecto esté en ejecución, visita http://localhost:8088/docs/index.html para ver la documentación completa de la API.

Para instrucciones detalladas de uso de la API, descripciones de parámetros y código de ejemplo completo, consulta la Documentación Completa de la API.

📝 Guía de Contribución

El framework de plugins extensible sirve como pilar arquitectónico de A.I.G, invitando a la innovación de la comunidad a través de contribuciones de Plugins y Funcionalidades.

Reglas de Contribución de Plugins

1. Reglas de Fingerprint: Añade nuevos archivos YAML de fingerprint al directorio data/fingerprints/.
2. Reglas de Vulnerabilidad: Añade nuevas reglas de escaneo de vulnerabilidades al directorio data/vuln/.
3. Plugins MCP: Añade nuevas reglas de escaneo de seguridad MCP al directorio data/mcp/.
4. Conjuntos de Datos de Jailbreak Evaluation: Añade nuevos conjuntos de datos de evaluación Jailbreak al directorio data/eval.

Por favor, consulta los formatos de reglas existentes, crea nuevos archivos y envíalos mediante un Pull Request.

Otras Formas de Contribuir

• 🐛 Reportar un Error
• 💡 Sugerir una Nueva Funcionalidad
• ⭐ Mejorar la Documentación
  

🛡️ Acerca del Equipo

Este proyecto está liderado y desarrollado por Tencent Zhuque Lab, parte del Tencent Security Platform Department. Fundado en 2019, Tencent Zhuque Lab es un laboratorio de investigación en seguridad de primer nivel, centrado en la investigación ofensiva y defensiva en condiciones reales y en tecnologías de vanguardia en el ámbito de la seguridad de la IA. Sus áreas de investigación abarcan la seguridad de modelos de lenguaje a gran escala, la seguridad de agentes de IA, la seguridad potenciada por IA y la detección de contenido generado por IA.

El equipo ha ayudado a importantes proveedores como NVIDIA, Google y Microsoft, así como a comunidades de código abierto como OpenClaw, Linux y Hugging Face, a corregir un gran número de vulnerabilidades críticas, recibiendo agradecimientos públicos oficiales.

El equipo ha lanzado productos de seguridad de IA de código abierto como la plataforma de pruebas de seguridad AI Red Team A.I.G (AI-Infra-Guard) y el Zhuque AI Detection Assistant. Sus investigaciones se han publicado ampliamente en conferencias internacionales de primer nivel sobre seguridad e IA, como Black Hat, DEF CON, ICLR, CVPR, NeurIPS y ACL, y es autor del libro «AI Security: Technology and Practice».

👥 Miembros principales y contribuciones

🙏 Agradecimientos

🎓 Colaboraciones Académicas

Agradecemos a nuestros socios académicos por sus contribuciones de investigación y apoyo técnico.

Prof. hui Li

Bin Wang

Zexin Liu

Hao Yu

Ao Yang

Zhengxi Lin

Prof. Zhemin Yang

Kangwei Zhong

Jiapeng Lin

Cheng Sheng

👥 Gratitud a los Desarrolladores Contribuyentes

Gracias a todos los desarrolladores que han contribuido al proyecto A.I.G.

🤝 Agradecimiento a Nuestros Usuarios

Gracias a los usuarios de las siguientes empresas y equipos por utilizar A.I.G y por sus valiosos comentarios.

💬 Únete a la Comunidad

🌐 Discusiones en Línea

• GitHub Discussions: Únete a las discusiones de nuestra comunidad
• Issues y Reportes de Errores: Reporta problemas o sugiere funcionalidades

📱 Comunidad de Discusión

Grupo de WeChat	Discord [enlace]

📧 Contáctanos

Para consultas de colaboración o comentarios, contáctanos en: [email protected]

🔗 Herramientas de Seguridad Recomendadas

Si te interesa la seguridad del código, consulta A.S.E (AICGSecEval), el primer framework de evaluación de seguridad de código generado por IA a nivel de repositorio de la industria, lanzado como código abierto por el equipo de seguridad de código Wukong de Tencent.

📖 Cita

Si utilizas A.I.G en tu investigación, por favor cita:

@misc{Tencent_AI-Infra-Guard_2025,
  author={{Tencent Zhuque Lab}},
  title={{AI-Infra-Guard: A Comprehensive, Intelligent, and Easy-to-Use AI Red Teaming Platform}},
  year={2025},
  howpublished={GitHub repository},
  url={https://github.com/Tencent/AI-Infra-Guard}
}

📚 Publicaciones

1. "Securing the AI Agent: A Unified Framework for Multi-Layer Agent Red Teaming" — Un framework integral para asegurar sistemas de agentes de IA mediante red teaming multicapa en infraestructura, cadena de suministro, interacción en tiempo de ejecución y superficies de despliegue. [arXiv] [pdf]

2. "AI-Infra-Guard: An AI Red Teaming Platform" — Presentación Arsenal en Black Hat Europe 2025 mostrando las capacidades de A.I.G y casos de uso reales. [pdf]

3. "MCP Unchained: Compromising The AI Agent Ecosystem Via Its Universal Connector" — Charla en Black Hat Europe 2025 que revela los riesgos de seguridad del protocolo MCP en el ecosistema de agentes de IA. [pdf]

Agradecemos a los equipos de investigación que han citado A.I.G en su trabajo académico (19 artículos):

📧 Si has utilizado A.I.G en tu investigación o producto, o si hemos omitido inadvertidamente tu publicación, ¡nos encantaría saber de ti! Contáctanos aquí.

⚖️ Licencia y Atribución

Este proyecto es de código abierto bajo la Apache License 2.0. Damos la bienvenida y alentamos las contribuciones de la comunidad, integraciones y trabajos derivados, sujetos a los siguientes requisitos de atribución:

1. Conservar avisos: Debes conservar los archivos LICENSE y NOTICE del proyecto original en cualquier distribución.
2. Atribución del producto: Si integras el código principal, componentes o motor de escaneo de AI-Infra-Guard en tu proyecto de código abierto, producto comercial o plataforma interna, debes indicar claramente lo siguiente en la documentación del producto, guía de uso o página "Acerca de" de la UI:

   "Este proyecto integra AI-Infra-Guard, de código abierto por Tencent Zhuque Lab."

3. Cita académica y en artículos: Si utilizas esta herramienta en informes de análisis de vulnerabilidades, artículos de investigación de seguridad o trabajos académicos, por favor menciona explícitamente "Tencent Zhuque Lab AI-Infra-Guard" e incluye un enlace al repositorio.

Está estrictamente prohibido reempaquetar este proyecto como un producto original sin revelar su origen.