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।

विशेषता	AIRecon	क्लाउड-आधारित एजेंट
API कुंजियाँ आवश्यक	नहीं	हाँ
लक्ष्य डेटा क्लाउड को भेजा गया	नहीं	हाँ
ऑफ़लाइन कार्य करता है	हाँ	नहीं
Caido एकीकरण	नेटिव	कोई नहीं
सत्र जारी रखना	हाँ	भिन्न
स्थानीय ज्ञान आधार	~1.09M रिकॉर्ड	कोई नहीं

• 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	Pull	VRAM	टिप्पणियाँ
Qwen3.5 122B	ollama pull qwen3.5:122b	48+ GB	सर्वोत्तम गुणवत्ता, सबसे विश्वसनीय
Qwen3.5 35B	ollama pull qwen3.5:35b	20 GB	अधिकांश उपयोगकर्ताओं के लिए अनुशंसित
Qwen3.5 35b	ollama pull qwen3.5:35b-a3b	16 GB	MoE — कम VRAM
Qwen3.5 9B	ollama pull qwen3.5:9b	6 GB	न्यूनतम व्यवहार्य — बार-बार त्रुटियों की अपेक्षा करें

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: