Zetsu

आक्रामक सुरक्षा ज्ञान के लिए एक व्यक्तिगत ऑफ़लाइन RAG सिस्टम। अपने राइटअप, लैब समाधान, बग बाउंटी रिपोर्ट और सुरक्षा ब्लॉग शामिल करें, फिर एंगेजमेंट के दौरान प्राकृतिक भाषा में उनसे पूछताछ करें। कोई क्लाउड नहीं, कोई SaaS नहीं, आपका ज्ञान आपका ही रहता है।

यह क्या करता है

ZETSU आपके संचित ज्ञान को एक पूछताछ योग्य सहायक में बदल देता है। मार्कडाउन फ़ाइलों में grep करने या यह याद रखने के बजाय कि किस राइटअप में वह certipy कमांड था, आप स्वाभाविक रूप से पूछते हैं:

how do i escalate with SeImpersonatePrivilege
what did i do after getting ADFS access
sliver socks5 pivot setup
explain ESC8 vs ESC4

यह पहले आपके वास्तविक नोट्स से पुनर्प्राप्त करता है, फिर आपके द्वारा दस्तावेजित किए गए डेटा पर आधारित उत्तर उत्पन्न करता है, न कि सामान्य इंटरनेट ज्ञान पर।

आर्किटेक्चर

इंजेक्शन पाइपलाइन

क्वेरी पाइपलाइन

विशेषताएँ

• FARR निष्कर्षण: इंजेस्ट समय पर, एक LLM आपके राइटअप के प्रत्येक अनुभाग को पढ़ता है और संरचित आक्रमण चरण (Finding, Action, Reasoning, Result) निकालता है। आप जो पुनर्प्राप्त करते हैं वह एक सिमेंटिक इकाई है, न कि कोई यादृच्छिक 800-टोकन विंडो।
• हाइब्रिड पुनर्प्राप्ति: सटीक टोकन मिलान (टूल नाम, CVE नंबर, CLI फ़्लैग) के लिए BM25 + सिमेंटिक समानता के लिए वेक्टर खोज। RRF फ्यूजन दोनों को जोड़ता है।
• क्रॉस-एन्कोडर रीरैंकर: LLM को भेजने से पहले पुनर्प्राप्त चंक्स को वास्तविक प्रासंगिकता के अनुसार पुनर्क्रमित करता है।
• दो प्रतिक्रिया शैलियाँ: ऑपरेटर मोड सटीक कमांड देता है, कॉन्सेप्ट मोड तर्क देता है। एक ही पुनर्प्राप्ति, अलग प्रस्तुति। TUI में Ctrl+M से टॉगल करें।
• एकाधिक LLM बैकएंड: Anthropic, OpenAI-संगत (DeepSeek, आदि), या स्थानीय Ollama। इंजेस्ट और क्वेरी के लिए अलग-अलग बैकएंड।
• एकाधिक स्रोत प्रकार: स्थानीय मार्कडाउन फ़ाइलें, एकल URL, GitHub विकी, Atom/RSS फ़ीड।
• लगातार चैट इतिहास: ~/.zetsu/history/YYYY-MM-DD.json में सहेजा जाता है, /history से ब्राउज़ करें।
• TUI + Web UI + CLI: संदर्भ के अनुसार उपयोग करें। एंगेजमेंट के दौरान TUI, अध्ययन के लिए Web UI, स्क्रिप्टिंग के लिए CLI।

स्थापना

git clone https://github.com/chaelsoo/zetsu
cd zetsu
pip install -r requirements.txt

अपनी API कुंजी सेट करें:

cp .env.example .env
# .env को संपादित करें और अपनी कुंजी जोड़ें

त्वरित आरंभ

1. अपने राइटअप जोड़ें

docs/ में .md फ़ाइलें डालें। Notion एक्सपोर्ट, Obsidian नोट्स, ब्लॉग एक्सपोर्ट, कोई भी मार्कडाउन काम करता है।

2. config.toml में स्रोतों को कॉन्फ़िगर करें

[llm]
backend      = "openai"
openai_model = "deepseek-chat"
base_url     = "https://api.deepseek.com/v1"

[[sources]]
type    = "markdown_dir"
path    = "./docs"
name    = "my_writeups"
extract = "farr"
enabled = true

3. इंजेस्ट करें

python zetsu.py ingest

4. इसका उपयोग करें

python zetsu.py tui       # टर्मिनल UI
python zetsu.py web       # localhost:8000 पर ब्राउज़र
python zetsu.py ask "how do i abuse SeImpersonatePrivilege"

CLI संदर्भ

python zetsu.py ingest                 # सक्षम स्रोतों को इंजेस्ट करें
python zetsu.py ingest --force         # सब कुछ मिटाकर पुनर्निर्माण करें
python zetsu.py ingest --dry-run       # LLM कॉल किए बिना अनुमान लगाएं
python zetsu.py ingest --all-sources   # enabled फ़्लैग की परवाह किए बिना सभी स्रोतों को सक्षम करें
python zetsu.py tui                    # टर्मिनल UI
python zetsu.py web                    # वेब UI
python zetsu.py ask "query"            # एक-शॉट CLI
python zetsu.py ask "query" --style concept
python zetsu.py stats                  # वेक्टर स्टोर आँकड़े

TUI कीबाइंडिंग्स

स्रोत प्रकार

निष्कर्षण मोड

• farr: LLM संरचित JSON (Finding, Action, Reasoning, Result) के रूप में अलग-अलग आक्रमण चरण निकालता है। स्पष्ट आक्रमण श्रृंखला वाले राइटअप के लिए सर्वोत्तम।
• farr+narrative: farr के समान, साथ ही लेखक के तर्क को कैप्चर करने वाला एक गद्य सारांश। उन ब्लॉगों के लिए सर्वोत्तम जहां विचार प्रक्रिया मायने रखती है।
• headers: कोई LLM नहीं, केवल हेडर पर विभाजित करें और वैसे ही रखें। कमांड संदर्भ और टूल दस्तावेज़ीकरण के लिए सर्वोत्तम।

LLM बैकएंड

config.toml में कॉन्फ़िगर करें। इंजेशन (बल्क निष्कर्षण) और क्वेरी (उत्पादन) के लिए अलग-अलग बैकएंड:

[llm]                          # क्वेरी समय
backend      = "openai"
openai_model = "deepseek-chat"
base_url     = "https://api.deepseek.com/v1"

[ingest]                       # इंजेस्ट समय
backend      = "openai"
openai_model = "deepseek-chat"
base_url     = "https://api.deepseek.com/v1"
workers      = 8               # FARR निष्कर्षण के दौरान समानांतर फ़ाइलें

समर्थित बैकएंड: anthropic, openai (कोई भी OpenAI-संगत API), ollama.

[!IMPORTANT] ChromaDB डिफ़ॉल्ट रूप से स्थानीय रूप से चलता है, जो पूरे वेक्टर इंडेक्स को RAM में लोड करता है। बड़े कॉर्पोरा (10k+ चंक) या मेमोरी-सीमित मशीनों के लिए, ChromaDB को रिमोट सर्वर के रूप में चलाने की दृढ़ता से अनुशंसा की जाती है। सेटअप के लिए ChromaDB सर्वर दस्तावेज़ देखें। ZETSU में रिमोट समर्थन योजनाबद्ध है।

बेंचमार्क

12 आक्रामक सुरक्षा श्रेणियों (ADCS, Kerberos, AD एन्युमरेशन, MSSQL, Sliver C2, विशेषाधिकार एस्केलेशन, वेब आक्रमण, क्रेडेंशियल्स, लेटरल मूवमेंट, क्लाउड/Entra ID, OPSEC, टूल) को कवर करने वाले 910 प्रश्नों पर मूल्यांकन किया गया।

उत्तरों में योगदान देने वाले शीर्ष स्रोत: व्यक्तिगत HTB राइटअप, dirkjanm ब्लॉग, shenaniganslabs रिसर्च, HackTricks ADCS, Sliver विकी, netexec चीटशीट।

सरल शब्दों में, आपको यह सुनिश्चित करना होगा कि आप अच्छे और संरचित संसाधन जोड़ें जिन्हें RAG इंजेस्ट करना चाहता है, यह प्रोजेक्ट 100% नॉलेज बेस का उपयोग करने पर केंद्रित है, न कि LLM की मेमोरी या प्रशिक्षित ज्ञान पर भरोसा करना।

पूर्ण मूल्यांकन डेटासेट और परिणाम eval/ में।

संदर्भ

• rank-bm25, BM25 पुनर्प्राप्ति
• CIPHER से FARR अवधारणा
• rag-chatbot से प्रेरित RAG पाइपलाइन

मैं जल्द ही एक ब्लॉग में उपयोग और इसकी प्रभावशीलता का दस्तावेज़ीकरण करूंगा, बने रहें।