🚀 Pentest Ai

Version open-source officielle & base de code maintenue par @kush-coder


💡 À propos de ce projet

Pentester IA open-source qui prouve chaque découverte. Des oracles machine réexécutent chaque exploit ; les bugs vérifiés livrent une capsule de preuve que vous pouvez rejouer vous-même.

Ce dépôt est activement maintenu et distribué par @kush-coder en tant que version open-source officielle.

✨ Points clés

• 🛡️ Vérifications de santé vérifiées : a réussi les builds sandbox automatisés, la résolution des dépendances et les exécutions de tests de santé.
• 🚀 Prêt pour la production : empreinte légère optimisée pour une grande efficacité.
• 📦 Open source permissif : disponible pour l'intégration par les développeurs, les modifications personnalisées et les améliorations communautaires.

🚀 Démarrage rapide & installation

# Clone your official repository
git clone https://github.com/kush-coder/autopilot-pentest-ai.git
cd autopilot-pentest-ai

📖 Documentation complète

Site web · Démarrage rapide · Bug bounty · Vérification · Documentation · Issues

Pentest-AI est un outil open source de pentesting et de bug bounty par IA qui distingue les résultats prouvés des suppositions. Il connecte un client ou un modèle d'IA à un véritable workflow de pentest : investigation d'applications web, découverte et reproduction de vulnérabilités, et recours à des oracles machine pour vérifier si un exploit fonctionne réellement. Un résultat qu'aucun oracle ne peut prouver reste étiqueté comme candidat, et un résultat vérifié est accompagné des requêtes et réponses qui l'ont prouvé.

Utilisez-le via MCP (Claude Code, Codex, Cursor, VS Code), depuis la CLI, ou en CI/CD. Le modèle pilote l'investigation ; un oracle indépendant décide si un résultat mérite un verdict vérifié, afin que les suppositions du modèle n'arrivent jamais déguisées en résultats.

Conçu pour le bug bounty autorisé : un profil par programme contient son périmètre, son taux déclaré et votre identifiant de chercheur, un dry run montre le plan avant tout envoi, et les brouillons de rapport proviennent uniquement de résultats vérifiés. Accéder au workflow bug bounty →

Ne testez que les systèmes que vous possédez ou pour lesquels vous disposez d'une autorisation explicite d'évaluation. Lisez la politique d'utilisation acceptable et les conditions avant de lancer une mission.

Démarrage rapide

Recommandé : Codex ou Claude Code

Utilisez Python 3.10 à 3.14 et installez d'abord pipx. Exécutez pipx ensurepath et rouvrez votre terminal si nécessaire. pipx isole les dépendances de Pentest-AI et rend ses commandes disponibles dans tous les dossiers.

pipx install ptai
ptai setup --mcp

Installez d'abord le CLI de votre client IA. La configuration demande une confirmation avant de connecter tous les clients pris en charge détectés, y compris Codex et Claude Code lorsqu'ils sont installés. Elle préserve les enregistrements existants. Redémarrez votre client par la suite.

L'assistant utilise les paramètres à l'échelle de l'utilisateur. Il n'installe pas de clients, ne vous connecte pas, ne télécharge pas de modèles et ne configure pas Ollama. Votre client IA fournit le modèle ; aucune clé d'API de modèle distincte n'est requise par le serveur MCP. Utilisez ptai setup --mcp --dry-run pour prévisualiser les modifications. Consultez la configuration mono-client et par dépôt pour les instructions Codex .codex/config.toml et Claude Code .mcp.json.

Pour les mises à niveau, utilisez pipx upgrade ptai. Dans un environnement virtuel activé existant, python -m pip install --upgrade ptai est également pris en charge ; conservez cet environnement disponible après l'avoir enregistré auprès de votre client IA.

Alternative : Ollama et modèles locaux

Installez Pentest-AI comme ci-dessus, mais ignorez la configuration MCP pour cette approche. Installez et démarrez Ollama, puis téléchargez un modèle prenant en charge l'appel d'outils. Utilisez ollama list pour trouver son nom exact installé.

export PENTEST_AI_LLM_PROVIDER=ollama
export PENTEST_AI_MODEL="your-installed-model"
ptai start https://your-authorized-target.example --no-sync

Dans PowerShell :

$env:PENTEST_AI_LLM_PROVIDER = "ollama"
$env:PENTEST_AI_MODEL = "your-installed-model"
ptai start https://your-authorized-target.example --no-sync

Remplacez les espaces réservés avant l'exécution. Un modèle local ne nécessite aucune clé API cloud. La qualité du modèle et la mémoire disponible influencent les résultats. Consultez le guide des modèles pour la configuration du point de terminaison.

Essayez la démo intégrée

Aucune clé API ni cible externe requise.

pipx install ptai
ptai demo

La démo teste une application vulnérable fournie, rejoue une découverte depuis sa capsule de preuve et vérifie les routes durcies. Inspectez le flux de travail des preuves avant de configurer un engagement réel.

Autres fournisseurs de modèles

Pour les modèles cloud autonomes et les dépendances optionnelles des scanners, consultez le guide d'installation et le guide des fournisseurs. Gardez les clés API hors du contrôle de source.

Automatisation du bug-bounty

Le mode bug bounty est destiné aux programmes qui autorisent les tests automatisés. Vous écrivez un profil par programme avec son périmètre, son débit déclaré et votre identifiant de chercheur. --program applique ensuite tout cela à chaque requête, et --dry-run affiche le plan sans rien envoyer.

# ~/.pentest-ai/programs/acme.toml
platform = "hackerone"
handle = "acme"
researcher = "your-h1-username"   # sent on every request in X-Bug-Bounty
rps = 5.0                         # the rate the program states
scope = ["*.acme.com", "api.acme.com"]
excluded = ["status.acme.com"]
scanners_allowed = true
allow_race = false

ptai start https://api.acme.com --program acme --dry-run    # sends nothing
ptai start https://api.acme.com --program acme --auto-auth
ptai bounty-report <engagement-id> --program acme --output-dir drafts/

Sous --program :