kush-coder/autopilot-pentest-aiCompilación oficial y versión verificada | Pentester de IA de código abierto que demuestra cada hallazgo. Oráculos automáticos vuelven a ejecutar cada exploit; los bugs verificados se entregan con una cápsula de prueba que puedes reproducir tú mismo.
Lanzamiento oficial de código abierto y base de código mantenida por @kush-coder
Pentester de IA de código abierto que demuestra cada hallazgo. Oráculos automáticos vuelven a ejecutar cada exploit; los bugs verificados se entregan con una cápsula de prueba que puedes reproducir tú mismo.
Este repositorio está mantenido y distribuido activamente por @kush-coder como un lanzamiento oficial de código abierto.
# Clone your official repository
git clone https://github.com/kush-coder/autopilot-pentest-ai.git
cd autopilot-pentest-ai
Sitio web · Inicio rápido · Bug bounty · Verificación · Documentación · Issues
Pentest-AI es una herramienta de código abierto de pentesting con IA y bug bounty que mantiene separados los hallazgos probados de las conjeturas. Conecta un cliente o modelo de IA a un flujo de trabajo de pentesting real: investigar aplicaciones web, descubrir y reproducir vulnerabilidades, y usar oráculos automáticos para verificar si un exploit funciona realmente. Un hallazgo que ningún oráculo puede probar permanece etiquetado como candidato, y uno verificado incluye las peticiones y respuestas que lo demostraron.
Úsala a través de MCP (Claude Code, Codex, Cursor, VS Code), desde la CLI, o en CI/CD. El modelo dirige la investigación; un oráculo independiente decide si un hallazgo merece un veredicto de verificado, de modo que las conjeturas del modelo nunca llegan disfrazadas de resultados.
Diseñada para bug bounty autorizado: un perfil por programa incluye su alcance, su tarifa declarada y tu identificador de investigador, una ejecución en seco muestra el plan antes de enviar nada, y los borradores de informes provienen únicamente de hallazgos verificados. Ir al flujo de trabajo de bug bounty →
Prueba únicamente sistemas que poseas o para los que tengas autorización explícita de evaluar. Lee la política de uso aceptable y los términos antes de ejecutar una evaluación.
Usa Python 3.10 a 3.14 e instala pipx
primero. Ejecuta pipx ensurepath y vuelve a abrir tu terminal si es necesario. pipx aísla
las dependencias de Pentest-AI y hace que sus comandos estén disponibles en todas las carpetas.
pipx install ptai
ptai setup --mcp
Instala primero la CLI de tu cliente de IA. La configuración pregunta antes de conectar todos los clientes compatibles detectados, incluidos tanto Codex como Claude Code cuando están instalados. Conserva los registros existentes. Reinicia tu cliente después.
El asistente utiliza ajustes a nivel de usuario. No instala clientes, no inicia sesión por ti, no descarga modelos ni configura Ollama. Tu cliente de IA proporciona el modelo; el servidor MCP no requiere una clave de API de modelo independiente. Usa ptai setup --mcp --dry-run para previsualizar los cambios. Consulta configuración de un solo cliente y por repositorio para las instrucciones de Codex .codex/config.toml y Claude Code .mcp.json.
Para las actualizaciones, usa pipx upgrade ptai. En un entorno virtual ya activado, también se admite python -m pip install --upgrade ptai; mantén ese entorno disponible después de registrarlo con tu cliente de IA.
Instala Pentest-AI como se indica arriba, pero omite la configuración de MCP para esta ruta.
Instala e inicia Ollama, luego descarga un modelo
con soporte de llamada a herramientas. Usa ollama list para encontrar su nombre exacto instalado.
export PENTEST_AI_LLM_PROVIDER=ollama
export PENTEST_AI_MODEL="your-installed-model"
ptai start https://your-authorized-target.example --no-sync
En PowerShell:
$env:PENTEST_AI_LLM_PROVIDER = "ollama"
$env:PENTEST_AI_MODEL = "your-installed-model"
ptai start https://your-authorized-target.example --no-sync
Reemplace los marcadores de posición antes de ejecutar. Un modelo local no necesita clave de API en la nube. La calidad del modelo y la memoria disponible afectan los resultados. Consulte la guía de modelos para la configuración del endpoint.
No se requiere clave de API ni objetivo externo.
pipx install ptai
ptai demo
La demo prueba una aplicación vulnerable incluida, reproduce un hallazgo desde su cápsula de prueba y verifica las rutas reforzadas. Inspecciona el flujo de trabajo de evidencias antes de configurar un encargo real.
Para modelos en la nube independientes y dependencias opcionales del escáner, consulta la guía de instalación y la guía de proveedores. Mantén las claves de API fuera del control de código fuente.
El modo bug bounty está pensado para programas que permiten pruebas automatizadas. Escribes un
perfil por programa con su alcance, su tarifa declarada y tu identificador de investigador.
--program aplica todo ello a cada solicitud, y --dry-run imprime el
plan sin enviar nada.
# ~/.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/
Bajo --program: