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
TRACE — Framework de jailbreak agentique pour les agents basés sur des LLM utilisant la décomposition de tâches basée sur des schémas, des stratégies de déguisement multi-tours et une auto-évolution adaptative afin de sonder les risques de sécurité émergents. | Kitploit
Outils/GitHubGitHub/zju-llm-safety/trace
ExploitationScripting et AutomatisationTests d'IntrusionApprentissage AutomatiqueArticles et RechercheRed TeamingSécurité de l'IAAttaque Adversariale
GitHubzju-llm-safety/trace

TRACE

Framework de jailbreak agentique pour les agents basés sur des LLM utilisant la décomposition de tâches basée sur des schémas, des stratégies de déguisement multi-tours et une auto-évolution adaptative afin de sonder les risques de sécurité émergents.

412180il y a 1 moisVérifié par Kitploit
Voir le dépôt
Partager

TRACE : Jailbreaking agentique auto-évolutif et adaptatif à la tâche

Implémentation officielle de TRACE: Task-Aware Adaptive Self-Evolving Agentic Jailbreaking.

📖 Aperçu

Les agents de grands modèles de langage (LLM) peuvent planifier de manière autonome, invoquer des outils, interagir avec des environnements et exécuter des workflows de longue durée. Cela introduit des risques de sécurité au-delà des jailbreaks conventionnels limités au texte : même lorsqu'il est possible d'obtenir des instructions nuisibles, les agents alignés peuvent encore refuser de les exécuter, tandis que des échecs d'exécution intermédiaires peuvent interrompre un workflow d'attaque autrement réussi.

TRACE est un framework de jailbreaking agentique conçu pour relever ces défis grâce à la décomposition des tâches, à une interaction multi-tours orientée exécution et à une récupération adaptative.

TRACE se compose de trois composants clés :

  • Décomposition des tâches basée sur des schémas. TRACE développe environ 20 schémas de décomposition procédurale qui spécifient les opérations clés et leurs dépendances pour différents types de tâches. Une tâche nuisible complexe est instanciée selon différents schémas afin de générer plusieurs séquences de sous-tâches candidates, qui sont évaluées en fonction de leur nocivité et de leur difficulté d'exécution.
  • Interaction multi-tours orientée exécution. Pour les sous-tâches qui déclenchent des refus d'exécution, TRACE construit des profils de sous-tâches structurés et récupère les stratégies orientées exécution correspondantes depuis une bibliothèque de stratégies en évolution. Chaque stratégie spécifie des objectifs intermédiaires, des états d'environnement pertinents et les appels d'outils requis, guidant l'agent vers l'accomplissement de la sous-tâche par une interaction multi-tours.
  • Récupération adaptative et évolution des stratégies. Lorsqu'une étape intermédiaire échoue, TRACE localise la sous-tâche défaillante, préserve les états d'exécution précédemment accomplis, adapte la stratégie correspondante et reprend l'exécution sans redémarrer l'ensemble du workflow. Les retours d'exécution sont en outre utilisés pour faire évoluer continuellement la bibliothèque de stratégies.

📊 Résultats principaux

Nous évaluons TRACE sur AdvCUA et AgentHazard, deux benchmarks de sécurité des agents qui nécessitent l'exécution de bout en bout de tâches multi-étapes dans des environnements interactifs. Les expériences couvrent deux frameworks d'agents, Codex et Claude Code, avec plusieurs modèles sous-jacents.

Framework d'agentModèle sous-jacentAdvCUAAgentHazard
CodexGPT-5.50.620.97
CodexGemini-3.5-Flash0.650.99
CodexDeepSeek-V4-Pro0.811.00
Claude CodeClaude-Opus-4.80.540.97
Claude CodeGemini-3.5-Flash0.690.98
Claude CodeDeepSeek-V4-Pro0.880.99

TRACE obtient systématiquement de solides performances d'attaque sur différents frameworks d'agents et modèles sous-jacents, surpassant nettement les baselines antérieures dans la plupart des configurations. Sur AdvCUA, TRACE atteint des ASR allant de 0.54 à 0.88. Sur AgentHazard, TRACE atteint des ASR quasi parfaits dans toutes les configurations évaluées, allant de 0.97 à 1.00.

🎬 Démos

Deux démonstrations enregistrées avec Claude Code et Codex sont fournies dans assets/ :

Agent cibleDémo
Claude CodeClaude Code Demo
CodexCodex Demo

🛠️ Installation

La spécification d'environnement fournie cible Linux et Python 3.11.

git clone https://github.com/ZJU-LLM-Safety/TRACE.git
cd TRACE

conda env create -f environment.yml
conda activate trace

🚀 Utilisation

1. Configurer l'accès à l'API

Définissez les identifiants et l'URL de base pour un point de terminaison Chat Completions compatible OpenAI :

export OPENAI_API_KEY="<your-api-key>"
export OPENAI_BASE_URL="<your-api-base-url>"

2. Décomposition des tâches

Générer des séquences de sous-tâches candidates à l'aide d'une décomposition des tâches guidée par schéma :

python improved_decomposer/improved_task_decomposer.py \
  --data_file_path /path/to/tasks.json \
  --output_file_path outputs/decompositions.jsonl \
  --model "<decomposition-model>" \
  --num_decompositions_per_task 5 \
  --use_schema_decompose

--use_schema_decompose active la génération de candidats basée sur le schéma.

3. Exécuter les expériences

L'exemple suivant utilise le benchmark AdvCUA avec Codex :

python experiment/main.py \
  --dataset /path/to/benchmark_with_subtasks.jsonl \
  --config experiment/config/config.yaml \
  --lab-backend vrap \
  --compose-file /path/to/benchmark/docker-compose.yml \
  --attacker-model-path /path/to/attacker-model \
  --target-backend codex \
  --codex-model "<target-model>" \
  --responses-base-url "<target-responses-api-base-url>" \
  --responses-env-key OPENAI_API_KEY \
  --strategy-library outputs/experiment/strategy_library.json \
  --output outputs/experiment/results.jsonl

Pour inspecter les options de ligne de commande disponibles :

python improved_decomposer/improved_task_decomposer.py --help
python experiment/main.py --help

📁 Structure du dépôt

CheminDescription
improved_decomposer/Schémas procéduraux, génération de candidats, validation et sélection
experiment/main.pyOrchestration des expériences et retour d'exécution
experiment/runtime/Composants d'exécution pour les modèles, les stratégies et les séquences de sous-tâches
experiment/strategy_library/Stockage, récupération, révision des stratégies et intégration des retours
experiment/config/Configurations des expériences et modèles de prompts
agent_execution/Interfaces des agents cibles, gestion des sessions, collecte des trajectoires et vérification
tools/Ponts de benchmark, adaptateurs d'API et diagnostics
assets/Vidéos de démonstration de Claude Code et Codex
environment.ymlSpécification de l'environnement Conda

📝 Citation

Si vous trouvez TRACE utile dans vos recherches, nous vous invitons à le citer :

@misc{zeng2026tracetaskawareadaptiveselfevolving,
      title={TRACE: Task-Aware Adaptive Self-Evolving Agentic Jailbreaking}, 
      author={Churui Zeng and Kedong Xiu and Weiwei Qi and Yuqi Hao and Chaochao Lu and Liang He and Zhan Qin and Tianhang Zheng},
      year={2026},
      eprint={2605.30883},
      archivePrefix={arXiv},
      primaryClass={cs.CR},
      url={https://arxiv.org/abs/2605.30883}, 
}
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.

    708
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    500
  • 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.

    398
  • 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.

    341
  • 5

    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.

    259
  • 6

    antifox

    antifox-ai/antifox

    Plateforme de test d'intrusion autonome multi-agents par IA qui exécute la reconnaissance, la découverte de la surface d'attaque, la validation de l'exploitation et la livraison de rapports étayés par des preuves.

    257

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →