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
Herramientas/GitHubGitHub/stevendamianakis/autopi
Frameworks de Pruebas de PenetraciónAnálisis de VulnerabilidadesExplotaciónAprendizaje AutomáticoPapers e InvestigaciónRed TeamingSeguridad de IAAtaque Adversario
GitHubstevendamianakis/autopi

autopi

Marco de red teaming adaptativo guiado por taxonomía que recorre técnicas de inyección de prompts y refina los intentos fallidos para encontrar ataques diversos contra agentes LLM que utilizan herramientas.

1hace 1 díaAún no revisado
Ver Repositorio

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 El kit de herramientas OSINT definitivo: grafo de investigación, puntuación de confianza, familias de alias, mapa, línea de tiempo e informes. 49 módulos, más de 400 sitios, sin necesidad de claves API.

    945
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicación de Ejecución con un Solo Toque GhostLock (CVE-2026-43499)

    555
  • 3

    redforge

    cybersecurity91/redforge

    Kit de herramientas de red team del lado del navegador con 102 herramientas offline para reconocimiento, generación de payloads, ataques de credenciales, criptografía, codificación y elaboración de informes de compromiso.

    350
  • 4

    ARTEX

    baarai/artex

    Plataforma de pruebas de penetración autónoma multiagente basada en LLM con agentes planificadores/trabajadores, grafos de activos y de exploración, registro de tráfico MITM y reevaluación de vulnerabilidades.

    339
  • 5

    looking-glass

    anonghosty/looking-glass

    Plataforma CSIRT que ingiere informes de Shadowserver en MongoDB y los reproduce como mapas interactivos, análisis, hallazgos, avisos y paneles ejecutivos.

    338
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    El sistema de acción para la ciberseguridad nativa de IA—donde la intención se convierte en ejecución gobernada, la evidencia se convierte en memoria operativa y cada operación mejora la siguiente.

    292

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →
Compartir

Logotipo de AutoPI

AutoPI

Código del artículo
AutoPI: Taxonomy-Guided Adaptive Red Teaming for Prompt Injection in LLM Agents

Sitio web Inicio rápido Citar

AutoPI es un red teamer adaptativo para agentes LLM que usan herramientas. Está diseñado para encontrar muchas formas distintas de romper un agente, no solo para romperlo con frecuencia. Para cada escenario, un LLM atacante escribe una inyección de prompt indirecta para cada sub-técnica de una taxonomía de inyección de prompts, y luego reelabora las que fallan usando retroalimentación de un LLM juez.

La arquitectura de AutoPI. El motor tiene tres fases: Initialize con una semilla fija opcional, Explore recorriendo una taxonomía y Exploit refinando las inyecciones fallidas. Envía un prompt al LLM generador, que escribe una inyección. El adaptador coloca la inyección y ejecuta el agente objetivo una vez en el entorno del benchmark, cuyo verificador informa el resultado. La transcripción de un intento fallido va al LLM juez, cuyo diagnóstico regresa al motor.

  • Consciente de la cobertura. Un barrido prueba cada sub-técnica de la taxonomía, de modo que los éxitos muestran qué construcciones hacen caer a un objetivo, no solo con qué frecuencia cae.
  • Caja negra y sin entrenamiento. AutoPI solo envía entradas y lee la transcripción y el resultado. No hay nada que entrenar antes del primer intento.
  • Orientable. Una estrategia de búsqueda es un archivo YAML corto de cuatro bloques constituyentes en cualquier orden y número.
  • Cualquier benchmark, cualquier modelo. Un solo motor se ejecuta en AgentDojo e IPI Arena mediante pequeños adaptadores, y el objetivo, el generador y el juez son endpoints LLM simples.

Cómo funciona

Un esbozo del espacio de ataque de un escenario. Las regiones coloreadas contienen las inyecciones que funcionan, una por técnica. Los saltos punteados de Explore recorren la taxonomía y aterrizan cerca de cada región. Los pasos cortos de Exploit refinan lo que falló y se acercan a un éxito. Una semilla fuerte comienza junto a una región, una semilla débil lejos de todas ellas.

Las inyecciones que funcionan son raras y se conjetura que se encuentran en regiones, una por técnica. AutoPI busca en tres fases, que una estrategia puede omitir, redimensionar, repetir o reordenar:

  1. Initialize con una inyección semilla fija opcional, probada sin llamada al generador.
  2. Explore con un barrido de la taxonomía. El generador escribe una línea de inyección corta para cada sub-técnica.
  3. Exploit mediante refinamiento local. Una línea que falla se reelabora en variantes de la misma construcción, guiada por el diagnóstico del juez sobre por qué falló.

Inicio rápido

Instala AutoPI con el AgentDojo incluido. Se recomienda Python 3.11.

git clone https://github.com/stevendamianakis/autopi
cd autopi
python3.11 -m venv .venv && source .venv/bin/activate
pip install -e . -e benchmarks/agentdojo

Apunta el objetivo y el generador a un servidor compatible con OpenAI, como vLLM en el puerto 8000, y ejecuta la estrategia Full sobre los 949 escenarios de AgentDojo:

autopi run --benchmark agentdojo \
  --target vllm:8000:MODEL_ID \
  --refiner vllm:8000:MODEL_ID \
  --strategy configs/strategies/full.yaml \
  --logdir runs/agentdojo-full

Añade --dry-run para comprobar la configuración y listar los escenarios sin llamar a un modelo. Cada ejecución escribe su configuración resuelta y cada intento de cada escenario en la carpeta --logdir. En el código, el generador se denomina refiner.

Modelos alojados y configuración por rol

Nombra cada modelo una vez en una copia de configs/models.example.yaml, luego pasa los nombres. Las claves de API se leen de variables de entorno y nunca se almacenan en el archivo.

cp configs/models.example.yaml configs/models.local.yaml
autopi run --benchmark agentdojo --models-config configs/models.local.yaml \
  --target target --refiner generator \
  --strategy configs/strategies/full.yaml --logdir runs/agentdojo-full

Los proveedores son openai-compatible (cualquier URL), openai, anthropic, google y ollama, y las especificaciones cortas como anthropic:MODEL_ID funcionan sin un archivo. Configuración de modelos cubre los ajustes de decodificación, los modos de razonamiento y la recuperación del texto que eliminó un analizador de herramientas del lado del servidor.

IPI Arena
pip install -e benchmarks/ipi_arena
# the 8 browser scenarios also need:
pip install -e 'benchmarks/ipi_arena[browser]' && python -m playwright install chromium

autopi run --benchmark ipiarena --models-config configs/models.local.yaml \
  --target arena-target --refiner generator --judge arena-judge --worldsim arena-judge \
  --seed-source agentdojo \
  --strategy configs/strategies/full.yaml --logdir runs/ipiarena-full

IPI Arena tiene 41 escenarios: 18 de uso de herramientas, 15 de programación y 8 de navegador. Un escenario se considera roto solo cuando todos y cada uno de sus criterios se cumplen, y --ipi-ignore-concealment selecciona en su lugar una métrica de solo acción. El objetivo utiliza llamadas nativas a herramientas, y los escenarios de navegador requieren un objetivo con capacidad de imagen. El benchmark no incluye una semilla, así que use --seed-source agentdojo, un --seed-file, o una estrategia sin bloque de semilla.

Más opciones
  • --mode 3, el valor predeterminado y la configuración del artículo, muestra al generador la tarea del usuario y el objetivo de inyección. Los modos 1 y 2 escriben plantillas ciegas al objetivo, y el modo 2 también ve la tarea del usuario.
  • --no-judge, --no-context y --no-legitimize desactivan uno de los tres mecanismos adaptativos.
  • --seed-file usa otra semilla, y --no-seed comienza con el barrido.
  • --taxonomy-path recorre otra taxonomía con el mismo diseño de archivos.
  • --no-early-stop continúa después del primer éxito, para ejecuciones de cobertura.
  • --shard y --num-shards dividen una ejecución entre trabajadores, y --resume continúa una interrumpida.

autopi run --help enumera todas las opciones.

Estrategias de búsqueda

Descargar herramienta