mastyf.ai

Seguridad perimetral para tu IA.

Control en tiempo de ejecución, control de políticas y registro de auditoría completo para cada acción de la IA.

Sitio web · Inicio rápido · Política · Panel · GitHub

El problema

Los agentes de IA pueden leer tus archivos, enviar código, consultar bases de datos, ejecutar comandos de shell y llamar a APIs externas. Lo hacen de forma autónoma, a velocidad de máquina.

Los controles de seguridad tradicionales no fueron diseñados para eso.

Mastyf.ai actúa como una capa de seguridad perimetral para la IA. Intercepta cada llamada de herramienta, la evalúa contra tus políticas de seguridad mediante un análisis de enjambre multiagente y bloquea las acciones maliciosas o no autorizadas antes de que se ejecuten.

Cada decisión se aplica, registra y audita.

Lo que detiene

Inicio rápido

Compilar desde el código fuente

Clona el repositorio y ejecuta el script de configuración.

Requisitos:

• Git
• Linux (el script de configuración instala Nix automáticamente si es necesario)

git clone https://github.com/mastyf-ai/mastyf.ai.git
cd mastyf.ai
chmod +x setup.sh
./setup.sh

El script de configuración automáticamente:

• Instala Nix (si es necesario)
• Habilita Nix flakes
• Crea el entorno de desarrollo
• Instala todas las dependencias del proyecto
• Reconstruye los paquetes nativos
• Compila todo el proyecto
• Agrega un alias de shell mastyf conveniente

Una vez completada la instalación, inicia el proxy y el panel:

node dist/cli.js start

O simplemente usa el alias después de abrir una nueva terminal:

mastyf

El panel estará disponible en:

• Panel: http://localhost:4000

Probar la instalación

Si el panel está en ejecución, verifica el puente HTTP:

curl -X POST http://localhost:4000/mcp -H "Content-Type: application/json" -d '{"jsonrpc":"2.0","id":"1","method":"tools/list","params":{}}'

Panel

Visibilidad completa de cada acción que realiza tu IA.

No expongas el puerto 4000 públicamente sin habilitar la autenticación del panel. La configuración local de desarrollo por defecto tiene DASHBOARD_AUTH_DISABLED=true.

Cómo funciona la aplicación

Cada llamada de herramienta pasa por tres capas antes de llegar a tu infraestructura.

Capa 1 – Detección de patrones Escaneo basado en expresiones regulares para inyecciones, rutas peligrosas, secretos filtrados, comandos de shell y trucos de codificación. Se ejecuta en microsegundos sin dependencias externas.

Capa 2 – Validación de esquema Rechaza cargas malformadas, argumentos sobredimensionados y violaciones de JSON-RPC antes de que lleguen a la evaluación de políticas.

Capa 3 – Revisión semántica Un LLM local opcional (Ollama) o modelo en la nube evalúa llamadas borderline que pasan las comprobaciones de patrones. Vuelve a heurísticas si no hay modelo configurado.

Cualquier cosa que falle se bloquea. La herramienta nunca se ejecuta. Todo se registra.

Política

Tus reglas viven en default-policy.yaml. Tú las posees. mastyf.ai las aplica.

policy:
  mode: block
  default_action: pass
  unicode_strict: true
  rules:
    - name: block-sensitive-paths
      action: block
      argPatterns:
        - field: path
          patterns: ['^/etc/', '/\.ssh', '/\.aws/credentials']

    - name: rate-limit-tool-calls
      action: block
      maxCallsPerMinute: 120

    - name: block-shell-injection
      action: block
      patterns: ['rm\s+-rf', 'curl\s', 'wget\s', '`[^`]+`']

Despliega de forma segura con tres modos de aplicación:

Plantillas preconstruidas para HIPAA, PCI-DSS, GxP y residencia de datos están en policy-templates/.

Arquitectura

mastyf.ai ejecuta dos enjambres coordinados. El Enjambre CI ataca tu política antes de que el código se envíe. El Enjambre en Tiempo de Ejecución aplica y aprende de cada llamada de herramienta en vivo en producción. Cuatro bucles de retroalimentación los conectan para que el sistema sea más difícil de eludir con el tiempo.

flowchart TB

  AI["🤖 Clientes IA\nCursor · Claude Desktop · Cline"]

  subgraph CI["🔵 Enjambre CI (PR + Nocturno)"]
    direction LR
    Scout["🔍 Agente Scout\nSAST, dependencias, escaneo de configuración"]
    Corpus["📋 Agente Corpus\n228 fixtures de evaluación"]
    Evasion["⚡ Agente Evasión\n120+ sondas + generar nuevas"]
    Parity["🔄 Agente Paridad\nNode vs Python"]
    ProxyA["🖥️ Agente Proxy\nPruebas MCP stdio en vivo"]
    Report["📊 Agente Informe\nsecurity-swarm/latest.json"]
    Scout --> Corpus --> Evasion --> Parity --> ProxyA --> Report
  end

  subgraph Runtime["🟢 Enjambre en Tiempo de Ejecución (Proxy de Producción)"]
    direction LR
    BG["🛡️ BlockGuard\npolítica síncrona"]
    IL["📈 InstantLearner\nestadísticas por bloqueo + sugerencias"]
    SA["🧠 SemanticAuditor\nLLM asíncrono, opcional"]
    PS["🔗 PatternSynthesizer\nsugerencias por lotes"]
    Cal["⚙️ Calibrator\netiquetas + umbrales"]
    BG --> IL --> PS --> Cal
    BG --> SA --> PS
  end

  Tools["🗄️ Herramientas MCP\nfilesystem · GitHub · bases de datos · APIs"]

  AI -->|"cada llamada de herramienta"| BG
  BG -->|"✅ permitido"| Tools
  Report -->|"🔁 Bucle A: evasiones al corpus"| Corpus
  Cal -->|"🔁 Bucle B: bloqueos a reglas"| BG
  Cal -->|"🔁 Bucle C: etiquetas al LLM"| SA
  Report -->|"🔁 Bucle D: métricas CI semanales"| Cal

  style CI fill:#EFF6FF,stroke:#3B82F6,stroke-width:2px,color:#1E3A5F
  style Runtime fill:#F0FDF4,stroke:#22C55E,stroke-width:2px,color:#14532D
  style Scout fill:#DBEAFE,stroke:#3B82F6,color:#1E40AF
  style Corpus fill:#DBEAFE,stroke:#3B82F6,color:#1E40AF
  style Evasion fill:#DBEAFE,stroke:#3B82F6,color:#1E40AF
  style Parity fill:#DBEAFE,stroke:#3B82F6,color:#1E40AF
  style ProxyA fill:#DBEAFE,stroke:#3B82F6,color:#1E40AF
  style Report fill:#DBEAFE,stroke:#3B82F6,color:#1E40AF
  style BG fill:#BBF7D0,stroke:#16A34A,color:#14532D
  style IL fill:#BBF7D0,stroke:#16A34A,color:#14532D
  style SA fill:#BBF7D0,stroke:#16A34A,color:#14532D
  style PS fill:#BBF7D0,stroke:#16A34A,color:#14532D
  style Cal fill:#BBF7D0,stroke:#16A34A,color:#14532D
  style AI fill:#FEF3C7,stroke:#F59E0B,stroke-width:2px,color:#78350F
  style Tools fill:#FEF3C7,stroke:#F59E0B,stroke-width:2px,color:#78350F

Puertas canónicas: 228/228 corpus, 0 evasiones, 100% de paridad

Enjambre CI

Se ejecuta en cada PR y nocturno. Seis agentes trabajan en secuencia, cada uno endureciendo lo que el anterior encontró.

Enjambre en Tiempo de Ejecución

Se ejecuta dentro del proxy de producción en cada llamada de herramienta.

Bucles de retroalimentación

El proxy soporta cinco transportes: stdio, HTTP, SSE, HTTP streamable y WebSocket.

Para despliegues empresariales con Redis, Postgres y Kubernetes, consulta docs/ENTERPRISE_DEPLOYMENT.md.

Threat Lab

Threat Lab observa el tráfico en vivo y utiliza un LLM local para proponer nuevos casos de prueba de ataque cuando detecta patrones sospechosos. Nada se aplica automáticamente. Revisas y apruebas cada sugerencia en el panel antes de que se convierta en regla.

Los descubrimientos aprobados retroalimentan el corpus de ataque de CI para pruebas de regresión continuas.

ollama serve
ollama pull qwen3:8b

export OLLAMA_BASE_URL=http://127.0.0.1:11434
export MASTYF_AI_LLM_PROVIDER=ollama
export MASTYF_AI_LLM_MODEL=qwen3:8b

pnpm dashboard:proxy

Puntuaciones de confianza de paquetes MCP

Antes de instalar cualquier servidor MCP desde npm, verifica su puntuación de confianza en https://www.mastyf.ai/certified. Las puntuaciones cubren exposición a CVE, riesgo de typo-squat, señales del mantenedor y patrones de ataque conocidos. Gratuito, sin necesidad de cuenta.

Comandos comunes

Solución de problemas

Más información

• Despliegue empresarial (Redis, Postgres, Helm)
• Pipeline de defensa en profundidad
• Security Swarm y red teaming CI
• Ejemplos reales de integración MCP
• Motor de detección central