Skip to content
KitploitKITPLOIT
OutilsExploitsBlog
Log in
Soumettre
OutilsExploitsBlog
Soumettre

Outils de Hacking, PenTest et Cybersécurité pour votre Arsenal de Sécurité !

Kitploit est un répertoire d'outils de hacking, de cybersécurité et de pentesting. Découvrez les dernières mises à jour des projets pour trouver des vulnérabilités, analyser des systèmes, automatiser les tests et renforcer votre sécurité.

FluxContactConfidentialité© 2026 Kitploit

Répertoire d'outils

Catégories

Voir toutes les catégories
Loading categories
raink — Utilisez les LLM pour le classement des documents | Kitploit
Outils/GitHubGitHub/bishopfox/raink
Analyse des VulnérabilitésApprentissage AutomatiqueSécurité de l'IA
GitHubbishopfox/raink

raink

Utilisez les LLM pour le classement des documents

Voir le dépôt
178639il y a 1 anVérifié par Kitploit
Partager

logo
Utilisez les LLM pour le classement de documents.

Description

Il y a une certaine puissance dans l'IA qui permet de « lui lancer un problème » et d'obtenir un résultat, sans même avoir entièrement défini le problème. Par exemple, donnez-lui un ensemble de diffs de code et un avis de sécurité, et demandez : « Lequel de ces diffs semble le plus susceptible de corriger le bug de sécurité ? » Cependant, ce n'est pas toujours aussi simple :

  • non-déterminisme : ne répond pas toujours avec le même résultat
  • fenêtre de contexte : impossible de passer toutes les données d'un coup, il faut les découper
  • contraintes de sortie : ne renvoie parfois pas toutes les données que vous lui avez demandé de réviser
  • subjectivité de la notation : a beaucoup de mal à attribuer un score numérique à un élément individuel

Nous avons construit raink pour contourner ces problèmes et résoudre des problèmes de classement généraux qui sont autrement difficiles à traiter pour les LLM. Consultez notre article de blog raink: Use LLMs for Document Ranking pour plus de contexte sur cette technique, et notre présentation Patch Perfect: Harmonizing with LLMs to Find Security Vulns pour voir comment nous avons appliqué raink à des problèmes de sécurité offensive.

Pour commencer

Installation

git clone https://github.com/bishopfox/raink
cd raink
go install

Configuration

Définissez votre variable d'environnement OPENAI_API_KEY.

Utilisation

raink  -h
Usage of raink:
  -f string
    	Input file
  -p string
    	Initial prompt
  -r int
    	Number of runs (default 10)
  -s int
    	Batch size (default 10)

Compare 100 phrases en moins de 2 minutes.

raink \
    -f testdata/sentences.txt \
    -r 10 \
    -s 10 \
    -p 'Rank each of these items according to their relevancy to the concept of "time".' |
    jq -r '.[:10] | map(.value)[]' |
    nl

   1  The train arrived exactly on time.
   2  The old clock chimed twelve times.
   3  The clock ticked steadily on the wall.
   4  The bell rang, signaling the end of class.
   5  The rooster crowed at the break of dawn.
   6  She climbed to the top of the hill to watch the sunset.
   7  He watched as the leaves fell one by one.
   8  The stars twinkled brightly in the clear night sky.
   9  He spotted a shooting star while stargazing.
  10  She opened the curtains to let in the morning light.

Compléments

Voir aussi

  • raink: Use LLMs for Document Ranking
  • Patch Perfect: Harmonizing with LLMs to Find Security Vulns
  • Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting
  • Introducing Rerank 3.5: Precise AI Search

À faire

  • paralléliser les appels openai pour chaque exécution
  • gagner du temps en utilisant des identifiants de hachage plus courts
  • s'assurer que chaque exécution aléatoire est divisée uniformément en groupes afin que chacun soit inclus/exposé
  • permettre de spécifier un répertoire en entrée (où chaque fichier est un objet distinct)
  • alerter si la fenêtre de contexte entrante est très grande
  • certains lots proches de la fin d'une exécution (9 ?) sont petits pour une raison quelconque
  • exécuter le mode batch openai
  • calculer automatiquement la taille de lot optimale ?
  • explorer le tri par « tournoi » par rapport à une exposition complète à chaque fois
  • ajouter un paramètre pour le ratio de raffinement
  • ajouter le lien du blog
  • prendre en charge les modèles non-OpenAI
  • ajouter un indicateur booléen de raffinement

Licence

Ce projet est distribué sous la licence MIT.

Télécharger l’outil

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 La boîte à outils OSINT ultime : graphe d'enquête, notation de confiance, familles d'alias, carte, chronologie et rapports. 49 modules, plus de 400 sites, aucune clé API requise.

    565
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Application d'exécution en un clic GhostLock (CVE-2026-43499)

    478
  • 3

    ARTEX

    baarai/artex

    Plateforme autonome de tests d'intrusion multi-agents basée sur des LLM, avec agents planificateur/ouvrier, graphes d'actifs et d'exploration, enregistrement du trafic MITM et retest des vulnérabilités.

    383
  • 4

    redforge

    cybersecurity91/redforge

    Boîte à outils red team côté navigateur avec 102 outils hors ligne pour la reconnaissance, la génération de payloads, les attaques par identifiants, la cryptographie, l'encodage et le reporting d'engagement.

    327
  • 5

    estorides

    grisuno/estorides

    Agrège plus de 99 sources OSINT gratuites en parallèle, résout les entités dans un graphe de connaissances et exporte en STIX 2.1, MISP ou GraphML avec une analyse assistée par LLM.

    258
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Le système d'action pour la cybersécurité native IA—où l'intention devient une exécution gouvernée, les preuves deviennent une mémoire opérationnelle, et chaque opération améliore la suivante.

    256

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →