
Plateforme de red-team IA. Des agents LLM autonomes exécutent un test d'intrusion de bout en bout dans un conteneur Kali et rédigent le rapport. Moteur plan/act LangGraph, modèles agnostiques au fournisseur via LiteLLM, sortie PDF/JSON/SARIF. FastAPI + React.
Des agents IA qui mènent un test d'intrusion de bout en bout et rédigent le rapport.
[!WARNING] REDCELL est fourni uniquement à des fins d'éducation, de recherche et de tests de sécurité légaux et autorisés. Utilisez-le uniquement pour tester des systèmes que vous possédez ou pour lesquels vous disposez d'une autorisation écrite explicite, et uniquement dans le cadre d'un périmètre convenu. L'accès non autorisé à des systèmes informatiques ou leur perturbation est un crime en Azerbaïdjan (articles 271 à 273 du Code pénal) et en vertu des lois de la plupart des autres pays. La manière dont vous l'utilisez, et le respect de la loi, relèvent entièrement de votre responsabilité.
REDCELL fait travailler une équipe d'agents LLM sur un test d'intrusion. Un orchestrateur planifie la mission et confie des objectifs à des agents exécuteurs, qui lancent de vrais outils dans un conteneur Kali et rendent compte. Vous observez et pilotez l'exécution depuis une console opérateur : un chat qui pilote l'orchestrateur, un graphe d'agents et un flux d'activité en direct, une vue en direct du navigateur que l'agent pilote, un terminal sur tout reverse shell que l'agent intercepte, et un rapport à remettre une fois le travail terminé.
Les modèles sont interchangeables via LiteLLM, ce qui vous permet de le pointer vers OpenAI, Anthropic, Google, GLM, DeepSeek, Kimi, un Ollama local, ou tout autre modèle pris en charge. Chaque exécution est sauvegardée au fur et à mesure, de sorte qu'un plantage ou un redémarrage reprend là où il s'était arrêté.
run_command couvre tout ce qui n'a pas d'outil dédié.docker exec. Choisissez localhost ou un serveur enregistré par session ; un serveur distant exécute le même conteneur via SSH avec le réseau de l'hôte.flowchart LR
UI["Operator console<br/>React + Vite"] -->|REST + WebSocket| API["FastAPI"]
API --> PG[(PostgreSQL)]
API --> RS[(Redis<br/>pub/sub + queue)]
API --> S3[(MinIO<br/>files & reports)]
RS --> W["Worker (arq)"]
W --> ENG["Engine<br/>LangGraph + LiteLLM"]
ENG -->|docker exec| KALI["Kali container<br/>local or remote over SSH"]
KALI --> TGT["Targets"]
W -->|events / chat / shell| RS
RS -->|stream| API
L'API n'exécute pas les agents. Elle met une exécution en file d'attente, le worker l'exécute, et le worker publie la sortie sur des canaux Redis que l'API relaie au navigateur via WebSockets.
Python 3.12, FastAPI, async SQLAlchemy + asyncpg, Alembic, arq, LangGraph, LiteLLM, ReportLab, PostgreSQL, Redis, MinIO, asyncssh. Frontend : React 18, Vite, TypeScript, Tailwind, TanStack Query, xterm. Outillage : uv pour Python, bun pour le frontend.
Vous aurez besoin de Docker, uv et bun.
# 1. infrastructure (Postgres, Redis, MinIO)
docker compose -f docker-compose.dev.yml up -d
# 2. Python deps, database, and seed data
uv sync --group live
uv run rc db upgrade
uv run rc seed # admin user, provider catalog, buckets
# 3. copy the env template
cp .env.example .env