AEGIS

Observabilité indépendante au niveau OS pour les agents IA de codage

Observe ce que les agents IA font réellement sur votre machine — processus, fichiers, réseau — depuis l'extérieur des agents, sans nécessiter de hooks.

AEGIS est un observateur indépendant au niveau OS pour les agents IA. Il surveille les processus des agents, l'accès aux fichiers et l'activité réseau, quel que soit le mode de lancement de l'agent ou sa coopération avec la surveillance — et il rattache chaque observation à une instance d'agent spécifique, avec les preuves de cette attribution consignées officiellement. Construit sur un moteur de surveillance JavaScript CommonJS, avec TypeScript dans le renderer et les types partagés. Open-source, local, sans télémétrie — tout reste sur votre machine.

_{Démo enregistrée à la v0.10.0-alpha ; certains libellés ont été renommés depuis.}

Téléchargement · Signaler un bug · Demande de fonctionnalité · Contribuer

Ce qu'AEGIS observe

Les faits comptés ci-dessus ne sont pas maintenus à la main : npm run counts:check redérive chaque compteur documenté à partir de l'arborescence à chaque exécution CI et fait échouer la build lorsqu'un nombre dans la documentation s'écarte de la réalité.

Le graphe de preuves

Ce qui distingue AEGIS d'un visualiseur de processus, ce ne sont pas les capteurs — c'est que chaque événement est rattaché à une instance d'agent, avec des preuves que vous pouvez auditer :

• Identité d'instance. Un agent est identifié par pid + heure de naissance du système d'exploitation (instanceId), de sorte qu'un PID recyclé est une nouvelle instance, et non une continuation de l'historique de l'ancienne. La mise en cache de l'identité est conditionnée par un témoin, et CI exécute une preuve d'injection (npm run verify:gate, 4 mutants) qui passe au rouge si une identité pouvait être servie depuis un cache obsolète.
• Attribution avec preuves déclarées. Chaque enregistrement d'audit porte pid, instanceId et un objet attribution avec l'un des trois statuts — confirmé, inféré ou non attribué — soutenu par un registre fermé de codes de preuve. Lorsqu'AEGIS ne sait pas quel agent a touché un fichier, il indique non attribué ; il n'invente jamais un propriétaire.
• Journal infalsifiable. Les événements d'audit sont des JSONL chaînés par hachage (Event Schema v1) avec rotation quotidienne, conservation de 30 jours et marqueurs de perte explicites lorsque le tampon d'écriture déborde.
• Mesuré, non affirmé. Le mécanisme d'identité est benchmarké dans le dépôt : la parité des heures de naissance du fournisseur était exacte pour chaque processus comparable dans les deux exécutions enregistrées (542/542 et 419/419), et le sidecar d'instantané de processus coûte ~10 ms par analyse là où le fournisseur de repli coûte des centaines à des milliers. Les tableaux par exécution, les environnements et les lacunes déclarées se trouvent dans docs/bench/.

Preuves : src/main/process-identity.js · src/main/attribution.js · audit de correction · bench 2026-08-12 · bench 2026-08-13

Monitor-first

AEGIS est une caméra, pas un gardien. Il observe et journalise — il ne bloque pas les agents au niveau OS aujourd'hui. Il n'y a pas de hooks noyau ni d'application automatique. Le contrôle des processus (kill / suspend / resume) est manuel et uniquement initié par l'utilisateur. Le blocage actif figure sur la feuille de route, pas dans la version actuelle. Utilisez AEGIS pour la visibilité, l'audit et la détection d'anomalies — associez-le à du sandboxing lorsque vous avez besoin d'une application de règles.

En quoi AEGIS diffère de la supervision intégrée à l'agent

La plupart des outils de supervision des agents IA instrumentent l'agent lui-même — un plugin Claude Code, une extension IDE, un wrapper SDK. Ce positionnement présente un angle mort structurel : un agent n'apparaît que s'il (ou son utilisateur) a installé le hook. Un python autogpt.py brut, un binaire non encapsulé ou un outil qui refuse simplement de coopérer est invisible pour l'instrumentation intégrée à l'agent.

AEGIS se place plutôt au niveau OS : il surveille l'activité des processus, des fichiers et du réseau depuis l'extérieur des agents, de sorte que ce qu'il voit ne dépend pas de la coopération de l'agent — uniquement de la couverture propre d'AEGIS (voir limites connues). Ce n'est pas le seul outil observant les agents localement — AgentSight, par exemple, observe depuis la couche eBPF sous Linux — et les outils basés sur des hooks sont complémentaires plutôt que concurrents : les hooks voient l'intention (invites, appels d'outils) à l'intérieur des agents qui ont opté, tandis qu'AEGIS voit les effets (processus, fichiers, connexions) pour tout ce qui s'exécute sur la machine, liés aux instances d'agents sans exiger de coopération.

Limites connues

Un moniteur que vous ne pouvez pas calibrer est un moniteur auquel vous ne pouvez pas faire confiance ; les limites sont donc déclarées ici plutôt que découvertes plus tard. Les conclusions revérifiées derrière cette liste, chacune avec un statut OPEN/CLOSED, se trouvent dans l'audit de correction ; la version courte :

• La couverture repose sur des signatures et des heuristiques. La détection part de 110 agents (262 signatures de noms de processus) plus des heuristiques (WSL, extensions IDE, sondes LLM locales). Un binaire d'agent qui ne correspond à aucune de ces signatures n'est pas détecté.
• Le sondage a un angle mort. Un processus né et mort entre deux ticks d'analyse (~10 s) n'est jamais observé ; les pages de bench le déclarent explicitement. La capture par événement via ETW figure sur la feuille de route, avec une reconnaissance statique déjà dans docs/recon/kernel-file-etw.md.
• L'identité macOS/Linux est dégradée. Ces plateformes ne fournissent actuellement pas d'heure de naissance du système d'exploitation, donc l'identité d'instance retombe sur le PID uniquement et est dangereuse en cas de réutilisation de PID. Le suivi des coûts de tokens est réservé à Windows.
• Les fenêtres d'événements de l'interface tronquent silencieusement. Le renderer conserve des fenêtres d'événements bornées qui peuvent diverger des totaux, et il n'y a pas encore de bannière de troncature.
• La santé des capteurs est suivie mais pas encore affichée. Le processus principal enregistre la santé par capteur pour les capteurs de système de fichiers et de réseau, mais l'interface ne peut pas encore distinguer une machine silencieuse d'un capteur mort, et les dépassements d'analyse de processus sont ignorés sans compteur.
• Les marqueurs de perte d'audit nécessitent un flush réussi. Si le processus est tué alors que le disque échoue encore, les entrées d'audit évincées peuvent être perdues sans marqueur sur disque.

Ce que nous ne prétendons délibérément pas

Les nombres n'apparaissent dans ce README que lorsqu'ils sont dérivés du dépôt (et appliqués par npm run counts:check) ou mesurés avec une méthode écrite. Certains nombres que les gens demandent n'existent pas encore, donc nous ne les énonçons pas :

• Temps de démarrage. Aucun benchmark de démarrage n'existe ; l'ancienne affirmation « moins de deux secondes » a été retirée plutôt que conservée sans mesure.
• Taux de détection ou de faux positifs. Un bench de scénario avec un oracle indépendant existe (bench/, noté contre Sysmon/Procmon), mais il est réservé à Windows, couvre un seul scénario et ne s'exécute pas en CI — pas une base pour un taux.
• Surcharge. Le coût CPU/RAM propre d'AEGIS n'a pas été mesuré selon une méthode écrite.
• Titres de vitesse de benchmark. Le ratio mesuré instantané-vs-repli est passé de 193× à 51× entre deux jours sur la même machine ; l'affirmation durable est la plus faible — instantané ~10 ms, repli de centaines à des milliers de ms — et c'est la seule forme citée ici.
• Scores de confiance par événement. Délibérément absents du produit jusqu'à ce qu'un bench de vérité terrain existe.
• Nombre de tests. Les comptes de suites copiés à la main deviennent obsolètes silencieusement ; la suite imprime ses propres comptes, et CI l'exécute à chaque commit.

Pourquoi une supervision indépendante

Les agents IA s'exécutent avec un accès profond aux fichiers, aux identifiants et aux commandes shell. Le risque n'est pas hypothétique : le rapport de Kaspersky sur le cas OpenClaw indique qu'un audit de sécurité en janvier 2026 a identifié 512 vulnérabilités, dont huit critiques, et soutient que le problème plus profond est architectural — un accès local privilégié combiné à la capacité de communiquer en externe (Kaspersky, 2026-02-10). Les correctifs réparent les bugs ; ils ne vous donnent pas de visibilité sur ce qu'un agent a réellement fait sur votre machine. Cette visibilité est la couche qu'AEGIS ajoute.

Téléchargement

Installateur Windows

À partir de la v0.11.0-alpha, les versions publient un installateur NSIS Windows — téléchargez le .exe depuis la dernière version. Les versions à partir de la v0.13.0-alpha publient également un manifeste signé, de sorte qu'un téléchargement peut être vérifié hors ligne contre la clé publique committée dans ce dépôt — voir Vérification d'une version AEGIS. Les versions antérieures ne publient aucun manifeste et ne peuvent pas être vérifiées de cette manière.

Depuis les sources (toutes plateformes)```bash

git clone https://github.com/antropos17/Aegis.git cd Aegis npm install npm start

> Nécessite **Node.js 24.x** (`engines` dans `package.json`). Windows 10/11 recommandé ; macOS/Linux expérimental ([#37](https://github.com/antropos17/Aegis/issues/37)) — voir [limites connues](#limites-connues).

### Essayez sans agents IA

Vous n'avez pas d'agents IA en cours d'exécution ? Le mode démo vous permet d'explorer le tableau de bord complet avec des données simulées — aucune surveillance réelle, aucun processus réel.```bash
npm run dev
# then open http://localhost:5174

Le serveur de développement embarque le moteur de scénario de démonstration — vite.config.js l'active dès que la commande est serve, afin que le tableau de bord simulé s'affiche sans étape de build séparée et sans Electron. Pour un build statique et partageable (sans serveur de développement, sans Electron), exécutez npm run build:demo et servez le répertoire dist/demo obtenu avec n'importe quel serveur de fichiers statique (le build utilise des chemins d'assets relatifs, donc n'importe quel hôte fonctionne).

Le mode démo exécute un moteur de scénario qui parcourt quatre phases de menace — calme → élevée → critique → réinitialisation — avec jusqu'à 12 agents IA simulés (Claude Code, Copilot, Cursor, et plus encore). Les événements d'accès aux fichiers, les connexions réseau, les scores d'anomalie et les évaluations de risque sont tous générés en temps réel, de sorte que chaque onglet et chaque fonctionnalité est pleinement opérationnel.

Utilisez-le pour évaluer AEGIS avant le déploiement, présenter l'interface à votre équipe, ou développer de nouvelles fonctionnalités sans avoir besoin d'un environnement Windows en direct.

Historique des versions

Fonctionnalités

Détection — 110 agents (262 signatures de noms de processus), résolution de chaîne parentale, surveillance des chemins sensibles et de la configuration des agents, score de risque par agent avec notes de confiance (A+ à F), détection LLM locale, marquage des faux positifs

Analyse — Lignes de base comportementales avec moyennes mobiles, détection d'anomalies multi-axes, évaluation des menaces IA via l'API Anthropic (opt-in), rapports de menaces HTML imprimables

Tableau de bord — Tableau de bord en grille bento : jauge RiskRing, TrustBadge, flux d'activité avec filtres, chronologie de session avec infobulles d'attribution, cartes d'agents extensibles, préréglages de protection (Paranoid/Strict/Balanced/Developer), palette de commandes (Ctrl+K), raccourcis clavier (Ctrl+1-5), thème sombre/clair, notifications toast, protection OOM

Export — Rapports JSON, CSV, HTML, archive ZIP en un clic, journal d'audit JSONL à chaînage de hachage (rotation quotidienne, conservation de 30 jours)

i18n — Internationalisation avec une base anglaise (en.json) ; les traductions communautaires sont les bienvenues

CLI — --scan-json pour les scripts, --version, --help

Ensembles de règles YAML

• 73 règles de détection réparties dans 8 catégories (configuration IA, secrets, SSH, cloud, navigateur, outils de développement, crypto, certificats)
• Validées par rapport à rules/_schema.json ; la modification d'un ensemble de règles déclenche un rechargement à chaud sans redémarrage
• Extension en ajoutant un fichier .yaml dans rules/. Les identifiants de règles doivent être uniques — un identifiant en double est ignoré, pas remplacé. Un fichier nouvellement ajouté est pris en compte au prochain rechargement ou redémarrage, car le watcher réagit aux modifications des fichiers de premier niveau existants

Captures d'écran

Capturées à partir du build de démonstration (npm run build:demo), 2026-08-21.

📸 Bouclier — Vue d'ensemble en temps réel

📸 Flux d'activité

📸 Règles et autorisations

📸 Rapports et export

📸 Statistiques des agents

📸 Paramètres

Architecture```

┌───────────────┐ ┌────────────────┐ ┌───────────────┐ ┌───────────────┐ │ Process │ │ File │ │ Network │ │ LLM Runtime │ │ Snapshot │ │ Watcher │ │ Monitor │ │ Detector │ │ (sidecar with │ │ (chokidar + │ │ (TCP + rDNS + │ │ (Ollama / LM │ │ CIM fallback)│ │ handle / RM) │ │ verdicts) │ │ Studio) │ └──────┬────────┘ └──────┬─────────┘ └──────┬────────┘ └──────┬────────┘ └──────────────┬───┴───────────────────┴──────────────────┘ ▼ ┌───────────────────────────────┐ │ Identity & Attribution │ │ instanceId = pid + birth time │ │ evidence codes, no guessing │ └──────┬────────────────┬───────┘ ▼ ▼ ┌──────────────────┐ ┌─────────────────────┐ │ Baselines + │ │ Audit Logger │ │ Anomaly (4-axis) │ │ (Event Schema v1, │ │ Risk Engine │ │ hash-chained JSONL) │ └──────┬───────────┘ └──────┬──────────────┘ ▼ ▼ ┌──────────────┐ ┌──────────────────┐ ┌───────────────┐ │ Dashboard │ │ Exports │ │ CLI │ │ (Svelte IPC) │ │ (JSON/CSV/HTML/ │ │ (--scan-json │ │ │ │ ZIP) │ │ --version) │ └──────────────┘ └──────────────────┘ └───────────────┘

Per-sensor health records live in the main process; surfacing them in the UI is on the roadmap.

**Stack** : Electron 43, Svelte 5, Vite 7, Vitest. Le moteur de surveillance est en JavaScript (CommonJS) ; TypeScript est utilisé dans le renderer et les types partagés. Le CI valide chaque fusion avec des jobs de build, lint, svelte-check, test et audit ; `npm run counts:check` redérive chaque compteur documenté depuis l'arborescence, `npm run verify:gate` prouve le témoin d'identité contre des mutants injectés, et `npm run verify:seq-gate` prouve le moteur de séquence contre des mutants injectés.

## Base de données des agents

110 agents dans [`src/shared/agent-database.json`](https://github.com/antropos17/aegis/blob/master/src/shared/agent-database.json) :

**Codage** — Claude Code, GitHub Copilot, Cursor, Windsurf, Tabnine, Amazon Q, Cody, Aider
**Autonomes** — OpenClaw, Devin, Manus AI, OpenHands, SWE-Agent, AutoGPT, BabyAGI, CrewAI
**Bureau** — Anthropic Computer Use, Google Gemini, Apple Intelligence, Microsoft Copilot
**Frameworks** — LangChain, Semantic Kernel, AutoGen, MetaGPT, TaskWeaver
**LLM locaux** — Ollama, LM Studio, vLLM, llama.cpp, LocalAI, GPT4All, Jan

Ajoutez des agents personnalisés via l'interface ou en modifiant le JSON. Voir [AGENTS.md](https://github.com/antropos17/aegis/blob/master/AGENTS.md).

## Feuille de route

Tout ce qui suit est **prévu**, pas encore livré. AEGIS est aujourd'hui en mode surveillance uniquement (voir [Monitor-first](#monitor-first)).

- [ ] Blocage actif — appliquer les règles en cas de violation (espace utilisateur, pré-exécution ; les pilotes noyau ne sont pas un objectif) (aujourd'hui : observer et journaliser uniquement)
- [ ] Afficher la santé de chaque capteur dans l'interface — les enregistrements du processus principal existent ([design](https://github.com/antropos17/aegis/blob/master/docs/roadmap/sensor-health-degraded.md))
- [ ] Mappage MITRE ATT&CK pour les règles de détection
- [ ] Détection d'anomalies basée sur le ML (aujourd'hui : poids heuristiques codés en dur)
- [ ] Support de première classe pour macOS et Linux (actuellement expérimental — [#37](https://github.com/antropos17/Aegis/issues/37))
- [ ] Surveillance GPU pour la détection d'inférence locale
- [ ] Attribution de fichiers par processus (ETW, fanotify) — reconnaissance statique : [docs/recon/kernel-file-etw.md](https://github.com/antropos17/aegis/blob/master/docs/recon/kernel-file-etw.md)
- [ ] Détection de conteneurs/VM (Docker, WSL)
- [ ] Extension de navigateur pour les agents IA web
- [x] Mises à jour automatiques Windows signées (implémentées ; la première version nécessite une installation manuelle)
- [x] i18n / localisation ([#53](https://github.com/antropos17/Aegis/issues/53))

## Questions fréquemment posées

### Qu'est-ce qu'Aegis ?

Aegis est un moniteur open-source au niveau du système d'exploitation pour les agents IA. Il suit les processus, l'accès aux fichiers, l'activité réseau et les anomalies comportementales en temps réel, construit sur Electron 43 et Svelte 5. Le moteur de surveillance est en JavaScript CommonJS ; le renderer utilise des modules ES, et TypeScript est utilisé dans le renderer et les définitions de types partagées. Toutes les données restent locales — aucune télémétrie, aucune dépendance au cloud.

### Pourquoi les agents IA ont-ils besoin d'une surveillance ?

Les agents IA autonomes comme OpenClaw, AutoGPT et Devin ont un accès profond aux fichiers locaux, aux identifiants et aux commandes shell — mais fonctionnent avec une supervision minimale. Le cas OpenClaw est l'exemple concret : un audit de sécurité rapporté par [Kaspersky](https://www.kaspersky.com/blog/openclaw-vulnerabilities-exposed/55263/) a identifié 512 vulnérabilités dans un agent populaire. Aegis fournit la couche d'observabilité indépendante, afin que vous puissiez voir ce que les agents font réellement sur votre machine.

### En quoi Aegis diffère-t-il des EDR traditionnels ?

Les outils EDR traditionnels surveillent les menaces pilotées par l'humain — malwares, ransomwares, phishing. Aegis est spécifiquement conçu pour le comportement des agents IA : il est livré avec 110 agents (262 signatures de noms de processus) dans sa base de détection, 73 règles de détection adaptées aux schémas spécifiques des agents, et des lignes de base comportementales qui suivent l'évolution de l'activité de chaque agent dans le temps. Il est également monitor-first : il observe et journalise, et laisse l'application des règles au sandboxing.

### Aegis fonctionne-t-il avec les outils MCP ?

Aegis surveille les processus, pas les protocoles. Si un outil connecté via le Model Context Protocol (MCP) génère des processus, accède à des fichiers ou effectue des appels réseau, cette activité est observée et attribuée comme toute autre — Aegis n'analyse pas le trafic MCP lui-même.

### Aegis remplace-t-il le sandboxing ?

Non. Aegis est une couche d'observabilité, pas une couche de restriction. Les sandboxes limitent ce que les agents peuvent faire ; Aegis vous montre ce que les agents font. Ils sont complémentaires — utilisez le sandboxing pour l'application des règles et Aegis pour la visibilité, l'audit et la détection d'anomalies.

### Quels agents Aegis prend-il en charge ?

Aegis est livré avec 110 agents (262 signatures de noms de processus) dans sa base de données, couvrant les assistants de codage (Claude Code, Copilot, Cursor), les agents autonomes (OpenClaw, AutoGPT, CrewAI, Devin), l'IA de bureau (Gemini, Apple Intelligence), les frameworks (LangChain, AutoGen, MetaGPT) et les runtimes LLM locaux (Ollama, LM Studio, llama.cpp). Vous pouvez ajouter des agents personnalisés via l'interface ou la configuration JSON.

### Puis-je utiliser Aegis en production ?

Aegis est un logiciel alpha (voir [Releases](https://github.com/antropos17/Aegis/releases) pour la version actuelle) et est recommandé pour les environnements de développement et de test. Il est monitor-first — il ne bloquera rien — et les fonctionnalités de déploiement en production telles que la mise à jour automatique et l'application des règles au niveau du système d'exploitation sont sur la [feuille de route](#roadmap), pas dans la version actuelle.

### Aegis est-il gratuit ?

Oui. Aegis est publié sous licence MIT, sans télémétrie, sans exigence de cloud et sans niveaux payants. Le code source complet est disponible sur GitHub.

## Contributeurs

<table>
  <tr>
    <td align="center"><a href="https://github.com/antropos17"><img src="https://assets.kitploit.com/production/public/readmes/11867/d578c57b7ef172e620fdae169ad91c8e0055b37d16844c2c2629faaf9b9219a2.jpg" width="80px;" alt=""/><br/><sub><b>Antropos7</b></sub></a></td>
    <td align="center"><a href="https://github.com/ElshadHu"><img src="https://assets.kitploit.com/production/public/readmes/11867/3c10ee663b93377a199c1e7210a9367027209543b0517b81c3d062f896295e8f.jpg" width="80px;" alt=""/><br/><sub><b>Elshad Humbatli</b></sub></a></td>
    <td align="center"><a href="https://github.com/skmelendez"><img src="https://assets.kitploit.com/production/public/readmes/11867/e5155c2418c9da5882d234cc3c4cc9553f394b267dc070af20e46ec29e6c1424.jpg" width="80px;" alt=""/><br/><sub><b>Steven Melendez</b></sub></a></td>
    <td align="center"><a href="https://github.com/travisbreaks"><img src="https://assets.kitploit.com/production/public/readmes/11867/bc41c225a907e0765ed5854e34d18643727303d9f0322b87e3aadffce277f93a.jpg" width="80px;" alt=""/><br/><sub><b>travisbreaks</b></sub></a></td>
    <td align="center"><a href="https://github.com/raye-deng"><img src="https://assets.kitploit.com/production/public/readmes/11867/922df91939ff1c15304305ca05e0e48193a6fd98679450b765363ae710a22344.png" width="80px;" alt=""/><br/><sub><b>raye-deng</b></sub></a></td>
    <td align="center"><a href="https://github.com/KJyang-0114"><img src="https://assets.kitploit.com/production/public/readmes/11867/bf4bc0e449422b18054b342eea0716b8d434554a3b84fd539df0ac570d375a73.png" width="80px;" alt=""/><br/><sub><b>KJyang-0114</b></sub></a></td>
  </tr>
</table>

[CONTRIBUTING.md](https://github.com/antropos17/aegis/blob/master/CONTRIBUTING.md) &middot; [SECURITY.md](https://github.com/antropos17/aegis/blob/master/SECURITY.md) &middot; [CODE_OF_CONDUCT.md](https://github.com/antropos17/aegis/blob/master/CODE_OF_CONDUCT.md)

## Support

Si Aegis vous est utile, envisagez de lui donner une étoile sur GitHub — cela aide d'autres personnes à découvrir le projet.

**Équipes & Entreprises** — Besoin de tableaux de bord centralisés, d'intégration SIEM ou de déploiement géré ? Nous le construisons. [Soyez notifié](mailto:[email protected]?subject=Aegis%20Enterprise%20Interest)

## Licence

[MIT](https://github.com/antropos17/aegis/blob/master/LICENSE)

## Historique des étoiles

[![Star History Chart](https://assets.kitploit.com/production/public/readmes/11867/7cd00fa07216305d19bb2b6ece0de2b2dd36eeb2786d065aef0359159e4598a8/43d9ce4f0049392bf903058716bccb8009e9bdf415dc7e9e892487d4c1f75365-display-v1.webp)](https://www.star-history.com/?repos=antropos17%2FAegis&type=timeline&legend=top-left)