AI-संचालित स्वायत्त पैठ परीक्षण एजेंट

AIRecon एक स्वायत्त पैठ परीक्षण एजेंट है जो एक स्व-होस्टेड Ollama LLM को Kali Linux Docker सैंडबॉक्स, नेटिव Caido प्रॉक्सी एकीकरण, एक संरचित RECON → ANALYSIS → EXPLOIT → REPORT पाइपलाइन, और एक रीयल-टाइम Textual TUI के साथ जोड़ता है — पूरी तरह से ऑफ़लाइन, किसी API कुंजी की आवश्यकता नहीं।

AIRecon क्यों?

वाणिज्यिक API-आधारित मॉडल (OpenAI GPT-4, Claude, Gemini) पुनरावर्ती, स्वायत्त recon वर्कफ़्लो के लिए निषेधात्मक रूप से महंगे हो जाते हैं, जिनमें प्रति सत्र हज़ारों LLM कॉल की आवश्यकता हो सकती है।

AIRecon 100% स्थानीय, निजी संचालन के लिए बनाया गया है।

• गोपनीयता सर्वप्रथम — लक्ष्य खुफिया, टूल आउटपुट और रिपोर्ट कभी भी आपकी मशीन से बाहर नहीं जाते।
• Caido नेटिव — 5 अंतर्निहित टूल: list, replay, automate (§FUZZ§), findings, scope।
• फुल स्टैक — Kali सैंडबॉक्स + ब्राउज़र ऑटोमेशन + कस्टम फ़ज़र + Schemathesis API फ़ज़िंग + Semgrep SAST।
• स्किल्स ज्ञान आधार — 57 अंतर्निहित स्किल फ़ाइलें, 289 कीवर्ड → स्किल स्वचालित मैपिंग। airecon-skills द्वारा विस्तारित — CTF, बग बाउंटी और पैठ परीक्षण के लिए 57 अतिरिक्त CLI-आधारित प्लेबुक वाली एक सामुदायिक स्किल लाइब्रेरी।
• स्थानीय सुरक्षा ज्ञान आधार — वैकल्पिक airecon-dataset ~1.09M सुरक्षा रिकॉर्ड (CVE, रेड टीम तकनीकें, CTF राइटअप, nuclei टेम्पलेट, बग बाउंटी पेलोड) को स्थानीय SQLite FTS5 में अनुक्रमित करता है। LLM अपरिचित तकनीकों का प्रयास करने से पहले dataset_search को स्वायत्त रूप से कॉल करता है — अपने निर्णयों को वास्तविक अनुक्रमित डेटा में आधारित करता है।

पाइपलाइन

RECON → ANALYSIS → EXPLOIT → REPORT

प्रत्येक चरण के विशिष्ट उद्देश्य, अनुशंसित टूल और स्वचालित संक्रमण मानदंड होते हैं। चरण प्रवर्तन नरम है — एजेंट को निर्देशित किया जाता है लेकिन कभी अवरुद्ध नहीं किया जाता। चेकपॉइंट हर 5 (चरण मूल्यांकन), 10 (आत्म-मूल्यांकन) और 15 (संदर्भ संपीड़न) पुनरावृत्तियों पर चलते हैं।

मेमोरी और सीखना (यह वास्तव में क्या करता है)

AIRecon LLM को फ़ाइन-ट्यून नहीं करता। इसकी "सीखना" स्थानीय, संरचित टेलीमेट्री है जो टूल चयन का मार्गदर्शन करती है और असफल पथों को दोहराने से बचाती है।

स्थानीय स्थायित्व (सब कुछ डिस्क पर, कोई क्लाउड नहीं):

• ~/.airecon/memory/airecon.db पर SQLite मेमोरी DB — सत्र, निष्कर्ष, पैटर्न, लक्ष्य खुफिया, टूल उपयोग, मॉडल प्रदर्शन, स्किल उपयोग और हमले-श्रृंखला खोजों को संग्रहीत करता है।
• ~/.airecon/learning/global_learning.json पर अनुकूली सीखने की स्थिति (टूल प्रदर्शन आँकड़े, रणनीति पैटर्न, अवलोकन लॉग, संक्षेपित अंतर्दृष्टि)।
• संग्रहीत होने पर ~/.airecon/memory/by_target/ के अंतर्गत प्रति-लक्ष्य मेमोरी फ़ाइलें — एंडपॉइंट, कमजोरियाँ, WAF बाईपास, संवेदनशील पैरामीटर और प्रमाणीकरण एंडपॉइंट शामिल हैं।
• सत्र स्थायित्व चलने पर पेलोड मेमोरी स्नैपशॉट workspace/<target>/payload_memory.json पर सहेजे जा सकते हैं।

यह व्यवहार को कैसे प्रभावित करता है:

• सत्र प्रारंभ पर, मेमोरी संदर्भ इंजेक्ट किया जाता है (लक्ष्य खुफिया, समान निष्कर्ष, सीखे गए पैटर्न, टूल विश्वसनीयता)।
• हर 8 पुनरावृत्तियों पर, पहचानी गई तकनीक के आधार पर सीखे गए पैटर्न और समान निष्कर्ष पुनः इंजेक्ट किए जा सकते हैं।
• अनुकूली टूल रैंकिंग टूल को क्रमबद्ध करने और रणनीतियाँ सुझाने के लिए ऐतिहासिक सफलता/विफलता का उपयोग करती है।
• पेलोड मेमोरी (जब सक्षम हो) उन पेलोड को छोड़ देती है जो एक ही लक्ष्य/पैरामीटर के लिए बार-बार विफल रहे हैं।

मॉडल आवश्यकताएँ

AIRecon को विस्तारित सोच (<think> ब्लॉक) और विश्वसनीय टूल-कॉलिंग क्षमताओं वाले मॉडल की आवश्यकता होती है। क्षमताओं का स्वतः पता ollama show मेटाडेटा के माध्यम से लगाया जाता है।

⚠️ टूल कॉलिंग समर्थन अनिवार्य है। मॉडल को मूल फ़ंक्शन/टूल कॉलिंग का समर्थन करना चाहिए। इस क्षमता के बिना मॉडल किसी भी टूल (http_observe, execute, browser actions, आदि) को निष्पादित नहीं कर पाएगा, जिससे AIRecon पूरी तरह से अकार्यक्षम हो जाएगा।

अनुशंसित न्यूनतम: 8B-9B पैरामीटर। 8B से नीचे के मॉडल तकनीकी रूप से उपयोग योग्य हैं लेकिन दृढ़ता से हतोत्साहित किए जाते हैं — वे अक्सर टूल आउटपुट का भ्रम पैदा करते हैं, CVE का आविष्कार करते हैं, स्कोप नियमों को छोड़ देते हैं और अविश्वसनीय टूल कॉल उत्पन्न करते हैं।

मॉडल आकार मार्गदर्शन:

• ≥32B: पूर्ण recon पाइपलाइनों के लिए विश्वसनीय, अच्छी टूल-कॉलिंग सटीकता
• 8B-14B: सरल कार्यों के लिए उपयोग योग्य, 20-40% टूल कॉल त्रुटियों और भ्रम की अपेक्षा करें
• <8B: तकनीकी रूप से काम करता है लेकिन अविश्वसनीय परिणाम देता है — गंभीर परीक्षण के लिए अनुशंसित नहीं

ज्ञात समस्याएँ: DeepSeek R1 अपूर्ण फ़ंक्शन कॉल उत्पन्न करता है। 8B से कम के मॉडल में विश्वसनीय टूल-कॉलिंग समर्थन नहीं होता।

Google Colab पर Ollama चलाना (सीमित हार्डवेयर)

यदि आपके पास GPU नहीं है या आपका स्थानीय VRAM न्यूनतम से कम है, तो आप निःशुल्क Google Colab T4 GPU पर Ollama चला सकते हैं और सार्वजनिक टनल के माध्यम से AIRecon को उससे जोड़ सकते हैं।

नोटबुक खोलें:

यह कैसे काम करता है:

Google Colab GPU                     Your Local Machine
┌─────────────────────────┐          ┌──────────────────────────┐
│  Ollama (qwen3.5:9b)    │◄────────►│  AIRecon TUI             │
│  cloudflared tunnel     │  HTTPS   │  ollama_url: tunnel URL  │
└─────────────────────────┘          └──────────────────────────┘

चरण:

1. ऊपर दिया गया Colab लिंक खोलें और Runtime → Change runtime type → T4 GPU चुनें
2. सभी सेल ऊपर से नीचे तक चलाएँ (पहली बार में ~5–10 मिनट लगते हैं)
3. Cell 6 में मुद्रित कॉन्फ़िग स्निपेट को ~/.airecon/config.yaml में कॉपी करें:

ollama_url: "https://xxxx.trycloudflare.com"   # printed by Cell 6
ollama_model: "qwen3.5:9b"
ollama_timeout: 300.0
ollama_chunk_timeout: 300.0
ollama_num_ctx: 32768
ollama_num_ctx_small: 16384

4. AIRecon को सामान्य रूप से प्रारंभ करें: airecon start

Colab GPU → मॉडल उपलब्धता:

सीमाएँ:

• Colab सत्र अधिकतम 12 घंटे (निःशुल्क) / 24 घंटे (Pro) तक चलते हैं — पुनः कनेक्ट होने पर टनल URL बदल जाता है
• qwen3.5:9b के साथ T4 न्यूनतम व्यवहार्य सेटअप है — स्थानीय 35B+ मॉडल की तुलना में धीमी प्रतिक्रियाओं और अधिक टूल-कॉल त्रुटियों की अपेक्षा करें
• लंबे स्वायत्त सत्रों के लिए उपयुक्त नहीं (गहरा recon सत्र सीमाओं से अधिक हो सकता है)
• Colab नोटबुक scripts/airecon_colab.ipynb पर स्थित है यदि आप इसे स्वयं-होस्ट या संशोधित करना चाहते हैं

स्थापना

पूर्वापेक्षाएँ: Python 3.12+, Docker 20.10+, Ollama (चालू), git, curl

एक-पंक्ति स्थापना (अनुशंसित)

curl -fsSL https://raw.githubusercontent.com/pikpikcu/airecon/refs/heads/main/scripts/install.sh | bash

स्क्रिप्ट स्वचालित रूप से रिमोट बनाम स्थानीय मोड का पता लगाती है, यदि गायब हो तो Poetry स्थापित करती है (आधिकारिक इंस्टॉलर के माध्यम से — कोई सिस्टम पैकेज विरोध नहीं), व्हील बनाती है और ~/.local/bin में स्थापित करती है।

मैनुअल स्थापना (स्रोत से)

git clone https://github.com/pikpikcu/airecon.git
cd airecon
./install.sh

# Add to ~/.bashrc or ~/.zshrc if needed
export PATH="$HOME/.local/bin:$PATH"

airecon --version

कॉन्फ़िगरेशन

कॉन्फ़िग फ़ाइल: ~/.airecon/config.yaml (पहले रन पर स्वतः-जनरेट होती है)। AIRecon ~/.airecon/ बनाएगा यदि यह मौजूद नहीं है, जिसमें कस्टम ~ पथ उपयोग किए जाने पर भी शामिल है।

# ======================================
# Ollama Connection
# ======================================
# Ollama API endpoint. REQUIRED — must be set. For local: http://127.0.0.1:11434. For remote: http://IP:11434
ollama_url: "http://127.0.0.1:11434"
# Model to use. 122B for best reasoning (requires 60GB+ VRAM). For 12GB VRAM: use qwen2.5:7b or smaller. For 8GB VRAM: use qwen2.5:1.8b.
ollama_model: "qwen3.5:122b"
# Total request timeout (seconds). 180s = 3 min. Stable for most models. Increase to 300s for slow remote servers or 122B models.
ollama_timeout: 180.0

# ======================================
# Ollama Model Settings
# ======================================
# Context window size. 65536 = 64K (stable for 12GB VRAM with 8B models). 131072 = 128K requires 30GB+ VRAM. Set -1 for server default.
ollama_num_ctx: 65536
# Context for CTF/summary mode. 32768 = 32K (stable for 12GB VRAM). Reduced from 64K for stability with 8B+ models.
ollama_num_ctx_small: 32768
# LLM output randomness. 0.0=deterministic, 0.15=recommended (strict), 0.3=creative. Does NOT affect thinking mode — controls output diversity only.
ollama_temperature: 0.15
# Max tokens to generate. 16384 = 16K (stable for 12GB VRAM). 32K requires more VRAM.
ollama_num_predict: 16384
# Enable extended thinking mode (for Qwen3.5+/Qwen2.5+). When enabled, model generates <think> reasoning blocks before answering.
ollama_enable_thinking: true
# Thinking intensity: low|medium|high|adaptive. For 12GB VRAM: use 'low' or 'medium'. 'high' may cause OOM with 8B models. Low=only deep tools, Medium=ANALYSIS+deep tools, High=most iterations (high VRAM only).
ollama_thinking_mode: low
# Protect first N tokens from KV eviction. 4096 = 4K (reduced for 12GB VRAM stability). 8K for larger VRAM.
ollama_num_keep: 4096

# ======================================
# Proxy Server
# ======================================
# Host to bind proxy server. 127.0.0.1 = localhost only.
proxy_host: 127.0.0.1
# Port for proxy server. Default 3000.
proxy_port: 3000

# ======================================
# Timeouts
# ======================================
# Docker command timeout (seconds). 900s = 15 min for long scans (nmap, nuclei).
command_timeout: 900.0

# ======================================
# Docker Sandbox
# ======================================
# Container memory limit. '16g' = 16GB (stable for 32GB+ RAM host, 18GB image + Chromium). Prevents OOM kills. Set to '12g' for 32GB RAM, '8g' for 16GB systems, '4g' for 8GB systems.
docker_memory_limit: 16g

# ======================================
# Deep Recon
# ======================================
# Auto-start deep recon on session start.
deep_recon_autostart: true
# Recon execution mode: standard|full. standard=respect user scope, full=auto-expand simple target prompts into comprehensive recon.
agent_recon_mode: standard

# ======================================
# Safety
# ======================================
# Allow destructive tests (e.g., DELETE requests). Default: False for safety.
allow_destructive_testing: false

रिमोट Ollama (LAN सर्वर या Google Colab टनल):

ollama_url: "http://192.168.1.100:11434"   # LAN server
ollama_model: "qwen3.5:35b"

# or via Colab tunnel (see "Running Ollama on Google Colab" section above):
ollama_url: "https://xxxx.trycloudflare.com"
ollama_model: "qwen3.5:9b"
ollama_timeout: 300.0
ollama_chunk_timeout: 300.0

MCP एकीकरण

AIRecon बाहरी MCP सर्वरों से जुड़ सकता है और उनके टूल को mcp_<server> टूल के रूप में गतिशील रूप से उजागर कर सकता है।

कॉन्फ़िग फ़ाइल: ~/.airecon/mcp.json

उदाहरण कॉन्फ़िग:

{
  "mcpServers": {
    "hexstrike": {
      "command": "python3",
      "args": [
        "/path/hexstrike-ai/hexstrike_mcp.py",
        "--server",
        "http://127.0.0.1:8888"
      ],
      "env": {
        "PYTHONUNBUFFERED": "1"
      },
      "enabled": true
    },
    "xssgen": {
      "command": "python3",
      "args": [
        "/path/xssgen/xss_client.py",
        "--server",
        "http://127.0.0.1:8000"
      ],
      "env": {
        "PYTHONUNBUFFERED": "1"
      },
      "enabled": true
    },
    "recon": {
      "transport": "sse",
      "url": "https://example.com/mcp",
      "enabled": true,
      "headers": {
        "Authorization": "Bearer xxxxx"
      }
    }
  }
}   

चैट में MCP टूल का उपयोग:

• टूल नाम प्रारूप: mcp_<server>
• क्रियाएँ: list_tools, search_tools, call_tool

उदाहरण:

{"name": "mcp_acme", "arguments": {"action": "list_tools"}}

ज्ञान आधार (airecon-dataset)

airecon-dataset एक वैकल्पिक साथी है जो HuggingFace से सुरक्षा डेटासेट डाउनलोड करता है और उन्हें स्थानीय SQLite FTS5 डेटाबेस में अनुक्रमित करता है। स्थापित होने के बाद, LLM उन्हें dataset_search टूल के माध्यम से स्वायत्त रूप से क्वेरी करता है।

यह कैसे काम करता है: dataset_search tools.json में एक मानक एजेंट टूल है। LLM तय करता है कि इसे कब कॉल करना है — AIRecon इसे स्वतः ट्रिगर नहीं करता। सिस्टम प्रॉम्प्ट एजेंट को अपरिचित तकनीकों का प्रयास करने से पहले ज्ञान आधार से क्वेरी करने का निर्देश देता है।

git clone https://github.com/pikpikcu/airecon-dataset.git
cd airecon-dataset && python install.py

शामिल डेटासेट (कुल ~1.09M रिकॉर्ड, 100% ऑफ़लाइन):

उदाहरण एजेंट क्वेरी (LLM द्वारा स्वायत्त रूप से कॉल की जाती हैं):

dataset_search: {"query": "log4j RCE exploitation chain"}
dataset_search: {"query": "SSRF bypass cloud metadata", "category": "bug-bounty"}
dataset_search: {"query": "nuclei template XSS detection"}
dataset_search: {"query": "CVE 2021 44228", "category": "vulnerability"}

परिणाम प्रत्येक 500 वर्णों तक सीमित होते हैं। CVE ID में विशेष वर्ण (डैश, ब्रैकेट) स्वचालित रूप से सैनिटाइज़ किए जाते हैं।

उपयोग

airecon start                          # start TUI
airecon start --session <session_id>  # resume session

उदाहरण प्रॉम्प्ट:

# Full pipeline
full recon on example.com
pentest https://api.example.com

# Specific tasks
find subdomains of example.com
scan ports on 10.0.0.1
check for XSS on https://example.com/search
test SQL injection on https://example.com/api/login parameter: username
run schemathesis on https://example.com/openapi.json

# Authenticated testing
login to https://example.com/login with [email protected] / password123 then test for IDOR
test https://app.example.com with TOTP: JBSWY3DPEHPK3PXP

# Multi-agent
spawn an XSS specialist on https://example.com/search
run parallel recon on: example.com, sub.example.com, api.example.com

# Caido
replay request #1234 with a modified Authorization header
use Caido to fuzz the username parameter in request #45 with §FUZZ§ markers

कार्यक्षेत्र

workspace/<target>/
      ├── command/         # system-managed logs
      ├── output/          # Raw tool outputs (nmap, httpx, nuclei, subfinder, ...)
      ├── tools/           # AI-generated exploit scripts (.py, .sh)
      └── vulnerabilities/ # Verified vulnerability reports (.md)

सत्र ~/.airecon/sessions/<session_id>.json पर संग्रहीत होते हैं — सबडोमेन, पोर्ट, तकनीकें, URL, कमजोरियाँ (Jaccard डीडुप), प्रमाणीकरण टोकन और पूर्ण चरण।

समस्या निवारण

Ollama OOM / HTML त्रुटि पृष्ठ — लंबे सत्रों या VRAM सीमा के पास बड़े मॉडलों पर सबसे आम।

sudo systemctl restart ollama

{ "ollama_num_ctx": 32768, "ollama_num_ctx_small": 16384, "ollama_num_predict": 8192 }

एजेंट लूप/अटकना — आमतौर पर तर्क विफलता। बड़ा मॉडल आज़माएँ, या ollama_temperature को < 0.2 तक घटाएँ।

Docker सैंडबॉक्स प्रारंभ नहीं हो रहा:

docker build -t airecon-sandbox airecon/containers/kali/

Caido कनेक्शन अस्वीकृत — Caido को AIRecon से पहले चल रहा होना चाहिए। डिफ़ॉल्ट: 127.0.0.1:48080।

स्थापना के बाद PATH नहीं मिला:

export PATH="$HOME/.local/bin:$PATH" && source ~/.zshrc

स्टार इतिहास

योगदान

इश्यू और PR का स्वागत है। यदि आप कोई बग रिपोर्ट करते हैं, तो लॉग, कॉन्फ़िग और पुनरुत्पादन के न्यूनतम चरण शामिल करें।

जिम्मेदार उपयोग

AIRecon केवल अधिकृत सुरक्षा परीक्षण के लिए है। हमेशा स्पष्ट अनुमति प्राप्त करें और लागू कानूनों तथा प्रोग्राम स्कोप का पालन करें।

लाइसेंस

देखें LICENSE।