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
autonomous-offensive-llm-handbook — Un harnais et manuel déterministe pour les agents LLM offensifs autonomes, imposant des contrôles d’autorisation, de périmètre et de preuve afin de garantir des tests d’intrusion reproductibles et honnêtes. | Kitploit
Outils/GitHubGitHub/mouteee/autonomous-offensive-llm-handbook
Analyse des VulnérabilitésTests d'IntrusionArticles et RechercheApprentissage et ÉducationRed TeamingRessources OrganiséesSécurité de l'IA
GitHubmouteee/autonomous-offensive-llm-handbook

autonomous-offensive-llm-handbook

Un harnais et manuel déterministe pour les agents LLM offensifs autonomes, imposant des contrôles d’autorisation, de périmètre et de preuve afin de garantir des tests d’intrusion reproductibles et honnêtes.

Voir le dépôtSite web
781047il y a 1 moisVérifié par Kitploit

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →
Partager

📖 Lire le manuel en ligne : suivez les leçons depuis votre première exécution de fixture jusqu'à un agent doté de limites claires.

Un agent machine autonome à l'intérieur d'une frontière de contrôle lumineuse, avec des observations entrant par des portes et des enregistrements de preuves sortant du système. Illustration de couverture conceptuelle.

Le modèle propose, le code dispose

SÉCURITÉ AUTONOME / LE MANUEL DE TERRAIN DU CONSTRUCTEUR

Lire le site web · Commencer le cours · Lancer le lab · Connecter votre modèle · La séquence de construction

Un manuel pratique pour construire des agents de sécurité autonomes avec des limites explicites sur ce qu'un modèle peut décider. Apprenez à transformer des observations en un plan, à n'admettre que les actions autorisées, à lier les constats à des preuves et à rendre compte du travail qui n'a pas pu être accompli.

Le modèle reste probabiliste. L'application hôte détient l'autorisation, les actions autorisées, les enregistrements de preuves et l'acceptation. Rejouer des entrées figées et une politique peut reproduire ces décisions de contrôle ; cela ne rend pas reproductible une cible en direct ni une réponse de modèle.

Commencer ici

Vous devez être à l'aise avec la lecture de Python, JSON et HTTP de base. Suivez la route principale depuis la première exécution jusqu'à l'application assemblée. La leçon sur le dispatch vous oriente vers un court contrat de sélection de baseline ; les contrôleurs adaptatifs sont facultatifs après la construction du cœur. En chemin, vous modifiez les fichiers de départ et exécutez des vérifications qui échouent jusqu'à ce que votre code fonctionne. Le cours fonctionne hors ligne, sans clé API ni connexion à une cible.

Le site de lecture présente les leçons dans l'ordre, avec navigation, diagrammes et recherche. Utilisez le guide du site web pour le construire ou le prévisualiser localement.

À partir d'une copie locale de ce dépôt :

python3 -m venv .venv
source .venv/bin/activate
python3 -m pip install -r requirements.txt
python3 -m harness.demo --out /tmp/harness-report.json
diff -u harness/report.json /tmp/harness-report.json
python3 -m pytest tests/test_harness.py

Cette version est vérifiée sur CPython 3.14. Les versions antérieures de Python ne font pas partie des preuves de version ; si vous en utilisez une, exécutez la séquence complète de validation ci-dessous avant de vous fier au résultat.

Lorsque le rapport correspond à l'exemple commité, diff n'affiche rien. Ouvrez le rapport et suivez la conclusion d'en-tête depuis sa sévérité proposée jusqu'à sa sévérité gouvernée. Inspectez ensuite le raise rejeté et le raise autorisé du marqueur synthétique. Les deux conclusions nécessitent toujours une revue humaine.

Lisez le manifeste d'entrée, l'implémentation et les tests adversariaux aux côtés du rapport d'exemple. Vous avez terminé cette introduction lorsque vous pouvez expliquer pourquoi une action a été autorisée, pourquoi un raise a été refusé, et ce que mesurent réellement les décomptes de couverture du rapport.

Le laboratoire de harnais par défaut n'effectue aucune requête réseau et n'appelle aucun modèle. Son prédicat de preuve est synthétique, son hôte et ses adaptateurs sont de confiance, et chaque conclusion est marquée comme nécessitant une revue humaine. Le laboratoire n'implémente pas le workflow d'acceptation ou de signature de rapport d'une personne. Une citation verbatim établit l'intégrité de la citation, pas l'exploitabilité. Moins d'appels au modèle et moins de retouches sont des objectifs de conception, pas des économies mesurées par le corpus.

Connectez votre modèle

Votre modèle fournit des propositions. L'application conserve la politique et l'état, vérifie chaque proposition, exécute les actions de fixture autorisées et enregistre le résultat. Ce dépôt vous fournit l'application et les exercices ; vous fournissez la connexion au modèle.

your model -> JSON proposal -> application checks -> fixture tool -> evidence + report
                                  |
                             reject or stop

Exécutez d'abord l'application assemblée avec son transport de modèle factice :

python3 -m examples.app_agent --out /tmp/agent-report.json --store /tmp/agent-memory.db
python3 -m pytest tests/test_app_agent_example.py -q

Inspectez les statuts des propositions et les preuves dans /tmp/agent-report.json. Suivez ensuite Connect your own model pour utiliser un modèle local ou écrire un wrapper de transport. L'ancien model bridge reste un exercice de connexion plus réduit avec un format de proposition différent. Les deux exemples maintiennent les actions d'outils sur des fixtures, y compris lorsqu'un vrai modèle fournit la réponse.

Le guide indique ce qu'il faut remplacer, le JSON à renvoyer, les vérifications à conserver, le rapport attendu et le travail restant avant d'ajouter des outils en direct.

La frontière de contrôle

Architecture de référence : la politique de l'opérateur et les propositions du modèle entrent dans les vérifications applicatives avant que les adaptateurs de confiance ne capturent les preuves et ne produisent un rapport. Le pont de modèle optionnel utilise des outils fixtures ; la génération de constats est une interface distincte.

Le diagramme combine les contrôles du lab avec la connexion des propositions. Le pont de modèle exerce l'admission des actions et la capture des preuves ; le lab par défaut démontre séparément la gouvernance des constats. Ni l'un ni l'autre n'est un agent de sécurité en direct complet.

Construisez votre agent dans cet ordre

Télécharger l’outil