Agente autónomo de pruebas de penetración impulsado por IA

AIRecon es un agente autónomo de pruebas de penetración que combina un LLM de Ollama autoalojado con un sandbox Docker de Kali Linux, integración nativa con el proxy Caido, un pipeline estructurado RECON → ANALYSIS → EXPLOIT → REPORT y una TUI Textual en tiempo real — completamente offline, sin necesidad de claves API.

---

¿Por qué AIRecon?

Los modelos comerciales basados en API (OpenAI GPT-4, Claude, Gemini) resultan prohibitivamente caros para flujos de trabajo de reconocimiento autónomos y recursivos que pueden requerir miles de llamadas al LLM por sesión.

AIRecon está construido 100 % para operación local y privada.

Característica	AIRecon	Agentes basados en la nube
Requiere claves API	No	Sí
Datos del objetivo enviados a la nube	No	Sí
Funciona sin conexión	Sí	No
Integración con Caido	Nativa	Ninguna
Reanudación de sesión	Sí	Varía
Base de conocimiento local	~1.09M registros	Ninguna

• Privacidad primero — La inteligencia sobre el objetivo, las salidas de las herramientas y los informes nunca salen de tu máquina.
• Caido nativo — 5 herramientas integradas: list, replay, automate (§FUZZ§), findings, scope.
• Stack completo — Sandbox de Kali + automatización de navegador + fuzzer personalizado + fuzzing de API con Schemathesis + SAST con Semgrep.
• Base de conocimiento de skills — 57 archivos de skills integrados, 289 asignaciones automáticas keyword → skill. Ampliada por airecon-skills — una biblioteca comunitaria de skills con 57 playbooks adicionales basados en CLI para CTF, bug bounty y pentesting.
• Base de conocimiento de seguridad local — El opcional airecon-dataset indexa ~1.09M de registros de seguridad (CVEs, técnicas de red team, writeups de CTF, plantillas de nuclei, payloads de bug bounty) en SQLite FTS5 local. El LLM llama a dataset_search de forma autónoma antes de intentar técnicas desconocidas, lo que fundamenta sus decisiones en datos reales indexados.

---

Pipeline

RECON → ANALYSIS → EXPLOIT → REPORT

Cada fase tiene objetivos específicos, herramientas recomendadas y criterios automáticos de transición. La aplicación de las fases es flexible — el agente es guiado pero nunca bloqueado. Los checkpoints se ejecutan cada 5 (evaluación de fase), 10 (autoevaluación) y 15 (compresión de contexto) iteraciones.

---

Memoria y aprendizaje (lo que realmente hace)

AIRecon no realiza fine-tuning del LLM. Su «aprendizaje» es telemetría local y estructurada que guía la elección de herramientas y evita repetir rutas fallidas.

Persistencia local (todo en disco, sin nube):

• Base de datos de memoria SQLite en ~/.airecon/memory/airecon.db que almacena sesiones, hallazgos, patrones, inteligencia del objetivo, uso de herramientas, rendimiento del modelo, uso de skills y descubrimientos de cadenas de ataque.
• Estado de aprendizaje adaptativo en ~/.airecon/learning/global_learning.json (estadísticas de rendimiento de herramientas, patrones de estrategia, registro de observaciones, insights destilados).
• Archivos de memoria por objetivo en ~/.airecon/memory/by_target/ cuando se persisten, que contienen endpoints, vulnerabilidades, bypasses de WAF, parámetros sensibles y endpoints de autenticación.
• Las instantáneas de memoria de payloads se pueden guardar en workspace/<target>/payload_memory.json cuando se ejecuta la persistencia de sesión.

Cómo afecta al comportamiento:

• Al iniciar la sesión se inyecta el contexto de memoria (inteligencia del objetivo, hallazgos similares, patrones aprendidos, fiabilidad de herramientas).
• Cada 8 iteraciones, los patrones aprendidos y los hallazgos similares pueden reinyectarse en función de la tecnología detectada.
• La clasificación adaptativa de herramientas utiliza el historial de éxitos/fallos para ordenar las herramientas y sugerir estrategias.
• La memoria de payloads (cuando está habilitada) omite los payloads que fallaron repetidamente para el mismo objetivo/parámetro.

---

Requisitos del modelo

AIRecon requiere un modelo con pensamiento extendido (bloques <think>) y capacidades fiables de tool calling. Las capacidades se detectan automáticamente mediante los metadatos de ollama show.

⚠️ El soporte de tool calling es OBLIGATORIO. El modelo debe soportar llamadas nativas a funciones/herramientas. Los modelos sin esta capacidad no podrán ejecutar ninguna herramienta (http_observe, execute, acciones de navegador, etc.), lo que dejaría AIRecon completamente inoperativo.

Mínimo recomendado: 8B-9B parámetros. Los modelos por debajo de 8B son técnicamente utilizables, pero muy desaconsejados — alucinan con frecuencia la salida de las herramientas, inventan CVEs, se saltan las reglas de alcance y producen llamadas a herramientas poco fiables.

Modelo	Pull	VRAM	Notas
Qwen3.5 122B	ollama pull qwen3.5:122b	48+ GB	Mejor calidad, más fiable
Qwen3.5 35B	ollama pull qwen3.5:35b	20 GB	Recomendado para la mayoría de los usuarios
Qwen3.5 35b	ollama pull qwen3.5:35b-a3b	16 GB	MoE — menor VRAM
Qwen3.5 9B	ollama pull qwen3.5:9b	6 GB	Mínimo viable — espera errores frecuentes

Guía del tamaño del modelo:

• ≥32B: Fiable para pipelines completos de reconocimiento, buena precisión en tool calling
• 8B-14B: Utilizable para tareas sencillas, espera un 20-40 % de errores de tool calling y alucinaciones
• <8B: Técnicamente funciona, pero produce resultados poco fiables — no recomendado para pruebas serias

Problemas conocidos: DeepSeek R1 produce llamadas a funciones incompletas. Los modelos < 8B carecen de soporte fiable de tool calling.

---

Ejecutar Ollama en Google Colab (hardware limitado)

Si no tienes una GPU o tu VRAM local está por debajo del mínimo, puedes ejecutar Ollama en una GPU T4 gratuita de Google Colab y conectar AIRecon a ella mediante un túnel público.

Abre el notebook:

Cómo funciona:

Google Colab GPU                     Your Local Machine
┌─────────────────────────┐          ┌──────────────────────────┐
│  Ollama (qwen3.5:9b)    │◄────────►│  AIRecon TUI             │
│  cloudflared tunnel     │  HTTPS   │  ollama_url: tunnel URL  │
└─────────────────────────┘          └──────────────────────────┘

Pasos: