
Plataforma de red-team con IA. Agentes LLM autónomos ejecutan una prueba de penetración de principio a fin dentro de un contenedor Kali y redactan el informe. Motor de planificación/acción LangGraph, modelos agnósticos al proveedor mediante LiteLLM, salida en PDF/JSON/SARIF. FastAPI + React.
Agentes de IA que ejecutan una prueba de penetración de principio a fin y redactan el informe.
[!WARNING] REDCELL se proporciona únicamente para educación, investigación y pruebas de seguridad legales y autorizadas. Úsalo solo para probar sistemas que poseas o para los que tengas permiso escrito explícito de probar, y solo dentro de un alcance acordado. El acceso no autorizado o la interferencia con sistemas informáticos es un delito en Azerbaiyán (artículos 271 a 273 del Código Penal) y según las leyes de la mayoría de los demás países. Cómo lo uses, y mantenerte dentro de la ley, es enteramente tu responsabilidad.
REDCELL ejecuta un equipo de agentes LLM a lo largo de una prueba de penetración. Un orquestador planifica el encargo y entrega objetivos a los agentes ejecutores, que ejecutan herramientas reales dentro de un contenedor Kali e informan de vuelta. Tú observas y diriges la ejecución desde una consola de operador: un chat que controla al orquestador, un grafo de agentes y un feed de actividad en vivo, una vista en vivo del navegador que maneja el agente, una terminal sobre cualquier reverse shell que el agente capture, y un informe para entregar cuando el trabajo esté hecho.
Los modelos son intercambiables a través de LiteLLM, así que puedes apuntarlo a OpenAI, Anthropic, Google, GLM, DeepSeek, Kimi, un Ollama local o cualquier otra cosa que soporte. Cada ejecución guarda puntos de control a medida que avanza, así que un fallo o un reinicio retoma donde lo dejó.
run_command cubre cualquier cosa que no tenga una herramienta dedicada.docker exec. Elige localhost o un servidor guardado por sesión; un servidor remoto ejecuta el mismo contenedor por SSH con red de host.flowchart LR
UI["Operator console<br/>React + Vite"] -->|REST + WebSocket| API["FastAPI"]
API --> PG[(PostgreSQL)]
API --> RS[(Redis<br/>pub/sub + queue)]
API --> S3[(MinIO<br/>files & reports)]
RS --> W["Worker (arq)"]
W --> ENG["Engine<br/>LangGraph + LiteLLM"]
ENG -->|docker exec| KALI["Kali container<br/>local or remote over SSH"]
KALI --> TGT["Targets"]
W -->|events / chat / shell| RS
RS -->|stream| API
La API no ejecuta agentes. Encola una ejecución, el worker la ejecuta, y el worker publica la salida en canales de Redis que la API retransmite al navegador por WebSockets.
Python 3.12, FastAPI, SQLAlchemy asíncrono + asyncpg, Alembic, arq, LangGraph, LiteLLM, ReportLab, PostgreSQL, Redis, MinIO, asyncssh. Frontend: React 18, Vite, TypeScript, Tailwind, TanStack Query, xterm. Herramientas: uv para Python, bun para el frontend.
# 1. infrastructure (Postgres, Redis, MinIO)
docker compose -f docker-compose.dev.yml up -d
# 2. Python deps, database, and seed data
uv sync --group live
uv run rc db upgrade
uv run rc seed # admin user, provider catalog, buckets
# 3. copy the env template
cp .env.example .env
# 4. run the three processes (separate terminals)
cd apps/api && uv run uvicorn app.main:app --host 127.0.0.1 --port 8080
cd apps/worker && uv run arq worker.settings.WorkerSettings
cd apps/web && bun install && bun run dev
O inicia los tres a la vez con un gestor de procesos (están declarados en el
Procfile): pipx install honcho y luego honcho start.
Abre http://localhost:5183 e inicia sesión con admin / admin.