Skip to content
KitploitKITPLOIT
HerramientasExploitsBlog
Log in
Enviar
HerramientasExploitsBlog
Enviar

¡Herramientas de Hacking, PenTest y Ciberseguridad para tu Arsenal de Seguridad!

Kitploit es un directorio de herramientas de hacking, ciberseguridad y pentesting. Descubre las últimas actualizaciones de proyectos para encontrar vulnerabilidades, analizar sistemas, automatizar pruebas y fortalecer tu seguridad.

FeedsContactoPrivacidad© 2026 Kitploit

Directorio de Herramientas

Categorías

Ver todas las categorías
Loading categories
autonomous-offensive-llm-handbook — Un arnés determinista y manual para agentes ofensivos autónomos basados en LLM, que impone autorización, alcance y compuertas de evidencia para garantizar pruebas de penetración reproducibles y honestas. | Kitploit
Herramientas/GitHubGitHub/mouteee/autonomous-offensive-llm-handbook
Análisis de VulnerabilidadesPruebas de PenetraciónPapers e InvestigaciónAprendizaje y EducaciónRed TeamingRecursos CuradosSeguridad de IA
GitHubmouteee/autonomous-offensive-llm-handbook

autonomous-offensive-llm-handbook

Un arnés determinista y manual para agentes ofensivos autónomos basados en LLM, que impone autorización, alcance y compuertas de evidencia para garantizar pruebas de penetración reproducibles y honestas.

Ver RepositorioSitio web
781047hace 1 mesRevisado por Kitploit

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →
Compartir

📖 Lee el manual en línea: sigue las lecciones desde tu primera ejecución de fixture hasta un agente con límites claros.

Un agente de máquina autónomo dentro de un límite de control luminoso, con observaciones entrando por compuertas y registros de evidencia saliendo del sistema. Arte de portada conceptual.

El modelo propone, el código dispone

AUTONOMOUS SECURITY / THE BUILDER'S FIELD MANUAL

Lee el sitio web · Comienza el curso · Ejecuta el laboratorio · Conecta tu modelo · La secuencia de construcción

Un manual práctico para construir agentes de seguridad autónomos con límites explícitos sobre lo que un modelo puede decidir. Aprende a convertir observaciones en un plan, admitir solo acciones permitidas, vincular hallazgos a evidencia y dar cuenta del trabajo que no pudo completarse.

El modelo sigue siendo probabilístico. La aplicación anfitriona posee la autorización, las acciones permitidas, los registros de evidencia y la aceptación. Reproducir entradas congeladas y la política puede reproducir esas decisiones de control; no hace que un objetivo en vivo o la respuesta de un modelo sean repetibles.

Empieza aquí

Deberías sentirte cómodo leyendo Python, JSON y HTTP básicos. Sigue la ruta principal desde la primera ejecución hasta la aplicación ensamblada. La lección de despacho te remite a un breve contrato de selección de línea base; los controladores adaptativos son opcionales después de la construcción principal. En el camino, editas archivos de inicio y ejecutas comprobaciones que fallan hasta que tu código funciona. El curso se ejecuta sin conexión, sin una clave de API ni conexión a un objetivo.

El sitio web de lectura presenta las lecciones en orden, con navegación, diagramas y búsqueda. Usa la guía del sitio web para construirlo o previsualizarlo localmente.

Desde una copia local de este repositorio:

python3 -m venv .venv
source .venv/bin/activate
python3 -m pip install -r requirements.txt
python3 -m harness.demo --out /tmp/harness-report.json
diff -u harness/report.json /tmp/harness-report.json
python3 -m pytest tests/test_harness.py

Esta versión está verificada en CPython 3.14. Las versiones anteriores de Python no forman parte de la evidencia de la versión; si utiliza una de ellas, ejecute la secuencia completa de comprobaciones que se indica a continuación antes de confiar en el resultado.

Cuando el informe coincide con el ejemplo confirmado, diff no imprime nada. Abra el informe y siga el hallazgo del encabezado desde su severidad propuesta hasta su severidad gobernada. Después, inspeccione el raise rechazado y el raise permitido del marcador sintético. Ambos hallazgos siguen requiriendo revisión humana.

Lea el manifiesto de entrada, la implementación y las pruebas adversariales junto con el informe de ejemplo. Habrá completado esta introducción cuando pueda explicar por qué se permitió una acción, por qué se rechazó un raise y qué miden realmente los recuentos de cobertura del informe.

El laboratorio de arnés predeterminado no realiza ninguna solicitud de red ni llama a ningún modelo. Su predicado de prueba es sintético, su host y sus adaptadores son de confianza, y cada hallazgo está marcado como que requiere revisión humana. El laboratorio no implementa el flujo de trabajo de aceptación o firma de informes de una persona. Una cita literal establece la integridad de la cita, no la explotabilidad. Menos llamadas al modelo y menos retrabajo son objetivos de diseño, no ahorros medidos por el corpus.

Conecte su modelo

Su modelo proporciona propuestas. La aplicación conserva la política y el estado, verifica cada propuesta, ejecuta las acciones de fixture permitidas y registra el resultado. Este repositorio le proporciona la aplicación y los ejercicios; usted aporta la conexión con el modelo.

your model -> JSON proposal -> application checks -> fixture tool -> evidence + report
                                  |
                             reject or stop

Ejecuta primero la aplicación ensamblada con su transporte de modelo falso:

python3 -m examples.app_agent --out /tmp/agent-report.json --store /tmp/agent-memory.db
python3 -m pytest tests/test_app_agent_example.py -q

Inspeccione los estados de las propuestas y la evidencia en /tmp/agent-report.json. Luego siga Conecte su propio modelo para usar un modelo local o escribir un envoltorio de transporte. El antiguo puente de modelo sigue siendo un ejercicio de conexión más pequeño con un formato de propuesta diferente. Ambos ejemplos mantienen las acciones de las herramientas sobre fixtures, incluso cuando un modelo real proporciona la respuesta.

La guía indica qué reemplazar, el JSON que se debe devolver, las comprobaciones que se deben mantener, el informe esperado y el trabajo restante antes de añadir herramientas en vivo.

El límite de control

Arquitectura de referencia: la política del operador y las propuestas del modelo entran en las comprobaciones de la aplicación antes de que los adaptadores de confianza capturen evidencia y produzcan un informe. El puente de modelo opcional usa herramientas de fixture; la generación de hallazgos es una interfaz separada.

El diagrama combina los controles del laboratorio con la conexión de propuestas. El puente de modelo ejercita la admisión de acciones y la captura de evidencia; el laboratorio predeterminado demuestra por separado la gobernanza de hallazgos. Ninguno de los dos es un agente de seguridad en vivo completo.

Construya su agente en este orden

Descargar herramienta