PentAGI

Penetration testing Artificial General Intelligence

समुदाय में शामिल हों! सुरक्षा शोधकर्ताओं, AI उत्साही और नैतिक हैकर्स से जुड़ें। समर्थन प्राप्त करें, अंतर्दृष्टि साझा करें, और PentAGI के नवीनतम विकासों के साथ अपडेट रहें।

⠀

विषय सूची

अवलोकन
विशेषताएँ
आर्किटेक्चर
- एजेंट पर्यवेक्षण
त्वरित प्रारंभ
लॉगिन के बाद PentAGI का उपयोग कैसे करें
API एक्सेस
- LLM प्रदाता कॉन्फ़िगरेशन
  - Ollama
  - OpenAI
  - Anthropic
  - Google AI (Gemini)
  - AWS Bedrock
  - DeepSeek
  - GLM
  - Kimi
  - Qwen
उन्नत सेटअप
विकास
LLM एजेंटों का परीक्षण
एम्बेडिंग कॉन्फ़िगरेशन और परीक्षण
ftester के साथ फ़ंक्शन परीक्षण
निर्माण
क्रेडिट
लाइसेंस

अवलोकन

PentAGI एक नवीन उपकरण है जो स्वचालित सुरक्षा परीक्षण के लिए अत्याधुनिक कृत्रिम बुद्धिमत्ता तकनीकों का उपयोग करता है। यह प्रोजेक्ट सूचना सुरक्षा पेशेवरों, शोधकर्ताओं और उत्साही लोगों के लिए डिज़ाइन किया गया है, जिन्हें पेनिट्रेशन परीक्षण करने के लिए एक शक्तिशाली और लचीले समाधान की आवश्यकता है।

आप PentAGI अवलोकन वीडियो देख सकते हैं:

विशेषताएँ

सुरक्षित एवं पृथक। सभी क्रियाएँ पूर्ण पृथक्करण के साथ सैंडबॉक्स्ड Docker वातावरण में की जाती हैं।
पूर्णतः स्वायत्त। AI-संचालित एजेंट जो स्वचालित रूप से पेनिट्रेशन परीक्षण के चरणों को निर्धारित और निष्पादित करता है, वैकल्पिक निष्पादन निगरानी और बढ़ी हुई विश्वसनीयता के लिए बुद्धिमान कार्य योजना के साथ।
पेशेवर पेंटेस्टिंग उपकरण। 20+ पेशेवर सुरक्षा उपकरणों का अंतर्निहित सूट जिसमें nmap, metasploit, sqlmap, और अधिक शामिल हैं।
स्मार्ट मेमोरी सिस्टम। भविष्य में उपयोग के लिए अनुसंधान परिणामों और सफल दृष्टिकोणों का दीर्घकालिक भंडारण।
ज्ञान ग्राफ एकीकरण। Graphiti-संचालित ज्ञान ग्राफ जो Neo4j का उपयोग करके सिमैंटिक संबंध ट्रैकिंग और उन्नत संदर्भ समझ के लिए है।
वेब इंटेलिजेंस। scraper के माध्यम से अंतर्निहित ब्राउज़र जो वेब स्रोतों से नवीनतम जानकारी एकत्र करता है।
बाहरी खोज प्रणालियाँ। उन्नत खोज APIs के साथ एकीकरण जिसमें Tavily, Traversaal, Perplexity, DuckDuckGo, Google Custom Search, Sploitus Search और Searxng शामिल हैं।
विशेषज्ञों की टीम। अनुसंधान, विकास और बुनियादी ढाँचा कार्यों के लिए विशेष AI एजेंटों के साथ प्रतिनिधिमंडल प्रणाली, छोटे मॉडलों के साथ इष्टतम प्रदर्शन के लिए वैकल्पिक निष्पादन निगरानी और बुद्धिमान कार्य योजना के साथ उन्नत।
व्यापक निगरानी। विस्तृत लॉगिंग और वास्तविक समय सिस्टम अवलोकन के लिए Grafana/Prometheus के साथ एकीकरण।
विस्तृत रिपोर्टिंग। शोषण गाइड के साथ पूर्ण भेद्यता रिपोर्टों का निर्माण।
स्मार्ट कंटेनर प्रबंधन। विशिष्ट कार्य आवश्यकताओं के आधार पर स्वचालित Docker इमेज चयन।
आधुनिक इंटरफ़ेस। सिस्टम प्रबंधन और निगरानी के लिए स्वच्छ और सहज वेब UI।
व्यापक APIs। ऑटोमेशन और एकीकरण के लिए Bearer टोकन प्रमाणीकरण के साथ पूर्ण सुविधाओं वाली REST और GraphQL APIs।
स्थायी भंडारण। सभी कमांड और आउटपुट pgvector एक्सटेंशन के साथ PostgreSQL में संग्रहीत होते हैं।
स्केलेबल आर्किटेक्चर। क्षैतिज स्केलिंग का समर्थन करने वाला माइक्रोसर्विसेज-आधारित डिज़ाइन।

वर्तमान क्षमता सीमाएँ

PentAGI आज एक स्वायत्त और सहायक-निर्देशित पेनिट्रेशन परीक्षण प्लेटफॉर्म है, न कि CALDERA-शैली का Breach and Attack Simulation (BAS) या प्रीडिफ़ाइंड अभियानों या हमले योजनाओं वाला दुश्मन अनुकरण उत्पाद।
BAS-जैसे एजेंट-लेखित हमले स्क्रिप्ट्स को संकल्पनात्मक या भविष्य के कार्य के रूप में माना जाना चाहिए, न कि आज लागू की गई सुविधा के रूप में।
वर्तमान फ्लो रिपोर्ट UI वेब दृश्य, क्लिपबोर्ड पर कॉपी, Markdown डाउनलोड, और PDF डाउनलोड का समर्थन करता है। JSON फ्लो-रिपोर्ट निर्यात आज समर्थित आउटपुट प्रारूप के रूप में दस्तावेज़ीकृत नहीं है।
प्रदाता लचीलापन आज अंतर्निहित प्रदाताओं और कस्टम/OpenAI-संगत एंडपॉइंट्स के माध्यम से उपलब्ध है। कस्टम LLM प्रदाता कॉन्फ़िगरेशन और vLLM + Qwen3.5-27B-FP8 गाइड देखें।

आर्किटेक्चर

सिस्टम संदर्भ```mermaid

flowchart TB classDef person fill:#08427B,stroke:#073B6F,color:#fff classDef system fill:#1168BD,stroke:#0B4884,color:#fff classDef external fill:#666666,stroke:#0B4884,color:#fff

pentester["👤 Security Engineer
(User of the system)"]

pentagi["✨ PentAGI
(Autonomous penetration testing system)"]

target["🎯 target-system
(System under test)"]
llm["🧠 llm-provider
(OpenAI/Anthropic/Ollama/Bedrock/Gemini/Custom)"]
search["🔍 search-systems
(Google/DuckDuckGo/Tavily/Traversaal/Perplexity/Sploitus/Searxng)"]
langfuse["📊 langfuse-ui
(LLM Observability Dashboard)"]
grafana["📈 grafana
(System Monitoring Dashboard)"]

pentester --> |Uses HTTPS| pentagi
pentester --> |Monitors AI HTTPS| langfuse
pentester --> |Monitors System HTTPS| grafana
pentagi --> |Tests Various protocols| target
pentagi --> |Queries HTTPS| llm
pentagi --> |Searches HTTPS| search
pentagi --> |Reports HTTPS| langfuse
pentagi --> |Reports HTTPS| grafana

class pentester person
class pentagi system
class target,llm,search,langfuse,grafana external

linkStyle default stroke:#ffffff,color:#ffffff

<details>
<summary><b>कंटेनर आर्किटेक्चर</b> (विस्तार करने के लिए क्लिक करें)</summary>```mermaid
graph TB
    subgraph Core Services
        UI[Frontend UI<br/>React + TypeScript]
        API[Backend API<br/>Go + GraphQL]
        DB[(Vector Store<br/>PostgreSQL + pgvector)]
        MQ[Task Queue<br/>Async Processing]
        Agent[AI Agents<br/>Multi-Agent System]
    end

    subgraph Knowledge Graph
        Graphiti[Graphiti<br/>Knowledge Graph API]
        Neo4j[(Neo4j<br/>Graph Database)]
    end

    subgraph Monitoring
        Grafana[Grafana<br/>Dashboards]
        VictoriaMetrics[VictoriaMetrics<br/>Time-series DB]
        Jaeger[Jaeger<br/>Distributed Tracing]
        Loki[Loki<br/>Log Aggregation]
        OTEL[OpenTelemetry<br/>Data Collection]
    end

    subgraph Analytics
        Langfuse[Langfuse<br/>LLM Analytics]
        ClickHouse[ClickHouse<br/>Analytics DB]
        Redis[Redis<br/>Cache + Rate Limiter]
        MinIO[MinIO<br/>S3 Storage]
    end

    subgraph Security Tools
        Scraper[Web Scraper<br/>Isolated Browser]
        PenTest[Security Tools<br/>20+ Pro Tools<br/>Sandboxed Execution]
    end

    UI --> |HTTP/WS| API
    API --> |SQL| DB
    API --> |Events| MQ
    MQ --> |Tasks| Agent
    Agent --> |Commands| PenTest
    Agent --> |Queries| DB
    Agent --> |Knowledge| Graphiti
    Graphiti --> |Graph| Neo4j

    API --> |Telemetry| OTEL
    OTEL --> |Metrics| VictoriaMetrics
    OTEL --> |Traces| Jaeger
    OTEL --> |Logs| Loki

    Grafana --> |Query| VictoriaMetrics
    Grafana --> |Query| Jaeger
    Grafana --> |Query| Loki

    API --> |Analytics| Langfuse
    Langfuse --> |Store| ClickHouse
    Langfuse --> |Cache| Redis
    Langfuse --> |Files| MinIO

    classDef core fill:#f9f,stroke:#333,stroke-width:2px,color:#000
    classDef knowledge fill:#ffa,stroke:#333,stroke-width:2px,color:#000
    classDef monitoring fill:#bbf,stroke:#333,stroke-width:2px,color:#000
    classDef analytics fill:#bfb,stroke:#333,stroke-width:2px,color:#000
    classDef tools fill:#fbb,stroke:#333,stroke-width:2px,color:#000

    class UI,API,DB,MQ,Agent core
    class Graphiti,Neo4j knowledge
    class Grafana,VictoriaMetrics,Jaeger,Loki,OTEL monitoring
    class Langfuse,ClickHouse,Redis,MinIO analytics
    class Scraper,PenTest tools

इकाई संबंध (विस्तार करने के लिए क्लिक करें)

```mermaid erDiagram Flow ||--o{ Task : contains Task ||--o{ SubTask : contains SubTask ||--o{ Action : contains Action ||--o{ Artifact : produces Action ||--o{ Memory : stores

Flow {
    string id PK
    string name "Flow name"
    string description "Flow description"
    string status "active/completed/failed"
    json parameters "Flow parameters"
    timestamp created_at
    timestamp updated_at
}

Task {
    string id PK
    string flow_id FK
    string name "Task name"
    string description "Task description"
    string status "pending/running/done/failed"
    json result "Task results"
    timestamp created_at
    timestamp updated_at
}

SubTask {
    string id PK
    string task_id FK
    string name "Subtask name"
    string description "Subtask description"
    string status "queued/running/completed/failed"
    string agent_type "researcher/developer/executor"
    json context "Agent context"
    timestamp created_at
    timestamp updated_at
}

Action {
    string id PK
    string subtask_id FK
    string type "command/search/analyze/etc"
    string status "success/failure"
    json parameters "Action parameters"
    json result "Action results"
    timestamp created_at
}

Artifact {
    string id PK
    string action_id FK
    string type "file/report/log"
    string path "Storage path"
    json metadata "Additional info"
    timestamp created_at
}

Memory {
    string id PK
    string action_id FK
    string type "observation/conclusion"
    vector embedding "Vector representation"
    text content "Memory content"
    timestamp created_at
}

मेमोरी सिस्टम (विस्तार करने के लिए क्लिक करें)

```mermaid graph TB subgraph "Long-term Memory" VS[(Vector Store
Embeddings DB)] KB[Knowledge Base
Domain Expertise] Tools[Tools Knowledge
Usage Patterns] end

subgraph "Working Memory"
    Context[Current Context<br/>Task State]
    Goals[Active Goals<br/>Objectives]
    State[System State<br/>Resources]
end

subgraph "Episodic Memory"
    Actions[Past Actions<br/>Commands History]
    Results[Action Results<br/>Outcomes]
    Patterns[Success Patterns<br/>Best Practices]
end

Context --> |Query| VS
VS --> |Retrieve| Context

Goals --> |Consult| KB
KB --> |Guide| Goals

State --> |Record| Actions
Actions --> |Learn| Patterns
Patterns --> |Store| VS

Tools --> |Inform| State
Results --> |Update| Tools

VS --> |Enhance| KB
KB --> |Index| VS

classDef ltm fill:#f9f,stroke:#333,stroke-width:2px,color:#000
classDef wm fill:#bbf,stroke:#333,stroke-width:2px,color:#000
classDef em fill:#bfb,stroke:#333,stroke-width:2px,color:#000

class VS,KB,Tools ltm
class Context,Goals,State wm
class Actions,Results,Patterns em

</details>

<details>
<summary><b>श्रृंखला सारांशीकरण</b> (विस्तार करने के लिए क्लिक करें)</summary>

श्रृंखला सारांशीकरण प्रणाली पुराने संदेशों को चुनिंदा रूप से सारांशित करके वार्तालाप संदर्भ के विकास का प्रबंधन करती है। यह टोकन सीमा से अधिक होने से रोकने और वार्तालाप की सुसंगति बनाए रखने के लिए महत्वपूर्ण है।```mermaid
flowchart TD
    A[Input Chain] --> B{Needs Summarization?}
    B -->|No| C[Return Original Chain]
    B -->|Yes| D[Convert to ChainAST]
    D --> E[Apply Section Summarization]
    E --> F[Process Oversized Pairs]
    F --> G[Manage Last Section Size]
    G --> H[Apply QA Summarization]
    H --> I[Rebuild Chain with Summaries]
    I --> J{Is New Chain Smaller?}
    J -->|Yes| K[Return Optimized Chain]
    J -->|No| C

    classDef process fill:#bbf,stroke:#333,stroke-width:2px,color:#000
    classDef decision fill:#bfb,stroke:#333,stroke-width:2px,color:#000
    classDef output fill:#fbb,stroke:#333,stroke-width:2px,color:#000

    class A,D,E,F,G,H,I process
    class B,J decision
    class C,K output

</details> <a id="advanced-agent-supervision"></a> <details> <summary><b>उन्नत एजेंट पर्यवेक्षण</b> (विस्तार के लिए क्लिक करें)</summary> PentAGI में कुशल कार्य निष्पादन सुनिश्चित करने, अनंत लूप को रोकने और अटके हुए राज्यों से बुद्धिमानी से पुनर्प्राप्ति प्रदान करने के लिए परिष्कृत बहु-स्तरीय एजेंट पर्यवेक्षण तंत्र शामिल है: ### निष्पादन निगरानी (बीटा) - **स्वचालित परामर्शदाता हस्तक्षेप**: जब निष्पादन पैटर्न संभावित समस्याओं का संकेत देते हैं तो सलाहकार एजेंट (मेंटर) स्वचालित रूप से सक्रिय हो जाता है - **पैटर्न पहचान**: समान टूल कॉल की निगरानी (सीमा: 5, कॉन्फ़िगरेबल) और कुल टूल कॉल की निगरानी (सीमा: 10, कॉन्फ़िगरेबल) - **प्रगति विश्लेषण**: मूल्यांकन करता है कि एजेंट उप-कार्य उद्देश्य की ओर बढ़ रहा है या नहीं, लूप और अक्षमताओं का पता लगाता है - **वैकल्पिक रणनीतियाँ**: जब वर्तमान रणनीति विफल होती है तो भिन्न दृष्टिकोणों की सिफारिश करता है - **सूचना पुनर्प्राप्ति मार्गदर्शन**: पुनः आविष्कार करने के बजाय स्थापित समाधानों की खोज का सुझाव देता है - **उन्नत प्रतिक्रिया प्रारूप**: टूल प्रतिक्रियाओं में `<original_result>` और `<mentor_analysis>` दोनों खंड शामिल हैं - **कॉन्फ़िगरेबल**: `EXECUTION_MONITOR_ENABLED` के माध्यम से सक्षम करें (डिफ़ॉल्ट: false), `EXECUTION_MONITOR_SAME_TOOL_LIMIT` और `EXECUTION_MONITOR_TOTAL_TOOL_LIMIT` के साथ सीमाएँ अनुकूलित करें **सर्वोत्तम के लिए**: छोटे मॉडल (< 32B पैरामीटर), जटिल हमले परिदृश्य जिनमें निरंतर मार्गदर्शन की आवश्यकता होती है, एजेंटों को एक ही दृष्टिकोण पर अटकने से रोकता है **प्रदर्शन प्रभाव**: निष्पादन समय और टोकन उपयोग में 2-3 गुना वृद्धि, लेकिन Qwen3.5-27B-FP8 के साथ परीक्षण के आधार पर **परिणाम गुणवत्ता में 2 गुना सुधार** प्रदान करता है ### बुद्धिमान कार्य योजना (बीटा) - **स्वचालित विघटन**: विशेषज्ञ एजेंटों के कार्य शुरू करने से पहले योजनाकार (योजना मोड में सलाहकार) 3-7 विशिष्ट, कार्रवाई योग्य चरण उत्पन्न करता है - **संदर्भ-जागरूक योजनाएँ**: सूचित योजनाएँ बनाने के लिए संवर्धक एजेंट के माध्यम से पूर्ण निष्पादन संदर्भ का विश्लेषण करता है - **संरचित असाइनमेंट**: मूल अनुरोध को निष्पादन योजना और निर्देशों के साथ `<task_assignment>` संरचना में लपेटा गया है - **दायरा प्रबंधन**: एजेंटों को केवल वर्तमान उप-कार्य पर केंद्रित रखकर दायरे के विस्तार को रोकता है - **समृद्ध निर्देश**: योजनाएँ महत्वपूर्ण कार्यों, संभावित नुकसानों और सत्यापन बिंदुओं को उजागर करती हैं - **कॉन्फ़िगरेबल**: `AGENT_PLANNING_STEP_ENABLED` के माध्यम से सक्षम करें (डिफ़ॉल्ट: false) **सर्वोत्तम के लिए**: < 32B पैरामीटर वाले मॉडल, जटिल पैठ परीक्षण कार्यप्रवाह, परिष्कृत कार्यों पर सफलता दर में सुधार **उन्नत सलाहकार कॉन्फ़िगरेशन**: जब सलाहकार एजेंट मजबूत मॉडल या उन्नत सेटिंग्स का उपयोग करता है तो असाधारण रूप से अच्छी तरह से काम करता है। उदाहरण: सलाहकार के लिए अधिकतम तर्क मोड के साथ समान आधार मॉडल का उपयोग करना (देखें [`vllm-qwen3.5-27b-fp8.provider.yml`](https://github.com/vxcontrol/pentagi/blob/HEAD/examples/configs/vllm-qwen3.5-27b-fp8.provider.yml)) समान मॉडल आर्किटेक्चर से व्यापक कार्य विश्लेषण और रणनीतिक योजना सक्षम करता है। **प्रदर्शन प्रभाव**: योजना ओवरहेड जोड़ता है लेकिन पूर्णता दर में उल्लेखनीय सुधार करता है और अनावश्यक कार्य को कम करता है ### टूल कॉल सीमाएँ (हमेशा सक्रिय) - **कठोर सीमाएँ**: पर्यवेक्षण मोड स्थिति की परवाह किए बिना अनियंत्रित निष्पादन को रोकें - **एजेंट प्रकार के अनुसार विभेदित**: - सामान्य एजेंट (सहायक, प्राथमिक एजेंट, पेंटेस्टर, कोडर, इंस्टॉलर): `MAX_GENERAL_AGENT_TOOL_CALLS` (डिफ़ॉल्ट: 100) - सीमित एजेंट (खोजकर्ता, संवर्धक, यादगार, जनरेटर, रिपोर्टर, सलाहकार, रिफ्लेक्टर, योजनाकार): `MAX_LIMITED_AGENT_TOOL_CALLS` (डिफ़ॉल्ट: 20) - **सुव्यवस्थित समाप्ति**: सीमा के करीब पहुंचने पर रिफ्लेक्टर एजेंटों को उचित समाप्ति की ओर मार्गदर्शन करता है - **संसाधन संरक्षण**: सिस्टम स्थिरता सुनिश्चित करता है और संसाधन की कमी को रोकता है ### रिफ्लेक्टर एकीकरण (हमेशा सक्रिय) - **स्वचालित सुधार**: जब LLM 3 प्रयासों के बाद टूल कॉल उत्पन्न करने में विफल रहता है तो सक्रिय हो जाता है - **रणनीतिक मार्गदर्शन**: विफलताओं का विश्लेषण करता है और एजेंटों को उचित टूल उपयोग या बाधा उपकरणों (`done`, `ask`) की ओर मार्गदर्शन करता है - **पुनर्प्राप्ति तंत्र**: विशिष्ट विफलता पैटर्न के आधार पर प्रासंगिक मार्गदर्शन प्रदान करता है - **सीमा प्रवर्तन**: टूल कॉल सीमा तक पहुंचने पर सुव्यवस्थित समाप्ति का समन्वय करता है ### ओपन सोर्स मॉडल के लिए अनुशंसाएँ **< 32B पैरामीटर वाले मॉडल के लिए अनिवार्य**: Qwen3.5-27B-FP8 के साथ परीक्षण से पता चलता है कि छोटे ओपन सोर्स मॉडल के लिए निष्पादन निगरानी और कार्य योजना दोनों को सक्षम करना **आवश्यक** है: - **गुणवत्ता में सुधार**: पर्यवेक्षण के बिना आधारभूत निष्पादन की तुलना में 2 गुना बेहतर परिणाम - **लूप रोकथाम**: अनंत लूप और अनावश्यक कार्य को काफी कम करता है - **हमले विविधता**: एकल दृष्टिकोण पर टिके रहने के बजाय कई हमले वैक्टरों की खोज को प्रोत्साहित करता है - **एयर-गैप्ड डिप्लॉयमेंट**: स्थानीय LLM अनुमान के साथ बंद नेटवर्क वातावरण में उत्पादन-ग्रेड स्वायत्त पैठ परीक्षण सक्षम करता है **व्यापार-बंद**: - टोकन खपत: मेंटर/योजनाकार आह्वान के कारण 2-3 गुना वृद्धि - निष्पादन समय: विश्लेषण और योजना चरणों के कारण 2-3 गुना लंबा - परिणाम गुणवत्ता: पूर्णता, सटीकता और हमले के कवरेज में 2 गुना सुधार - मॉडल आवश्यकताएँ: सबसे अच्छा तब काम करता है जब सलाहकार उन्नत कॉन्फ़िगरेशन (उच्च तर्क पैरामीटर, मजबूत मॉडल वैरिएंट, या भिन्न मॉडल) का उपयोग करता है **कॉन्फ़िगरेशन रणनीति**: छोटे मॉडलों के साथ इष्टतम प्रदर्शन के लिए, सलाहकार एजेंट को उन्नत सेटिंग्स के साथ कॉन्फ़िगर करें: - अधिकतम तर्क मोड के साथ समान मॉडल का उपयोग करें (उदाहरण: [`vllm-qwen3.5-27b-fp8.provider.yml`](https://github.com/vxcontrol/pentagi/blob/HEAD/examples/configs/vllm-qwen3.5-27b-fp8.provider.yml)) - या अन्य एजेंटों के लिए आधार मॉडल रखते हुए सलाहकार के लिए मजबूत मॉडल का उपयोग करें - कार्य जटिलता और मॉडल क्षमताओं के आधार पर निगरानी सीमाएँ समायोजित करें </details> PentAGI की आर्किटेक्चर मॉड्यूलर, स्केलेबल और सुरक्षित होने के लिए डिज़ाइन की गई है। यहाँ मुख्य घटक हैं: 1. **कोर सेवाएँ** - फ्रंटएंड UI: टाइप सुरक्षा के लिए TypeScript के साथ React-आधारित वेब इंटरफ़ेस - बैकएंड API: प्रोग्रामेटिक एक्सेस के लिए Bearer टोकन प्रमाणीकरण के साथ Go-आधारित REST और GraphQL API - वेक्टर स्टोर: सिमैंटिक सर्च और मेमोरी स्टोरेज के लिए PostgreSQL pgvector के साथ - टास्क क्यू: विश्वसनीय संचालन के लिए एसिंक्रॉनस कार्य प्रसंस्करण प्रणाली - AI एजेंट: कुशल परीक्षण के लिए विशिष्ट भूमिकाओं वाली बहु-एजेंट प्रणाली 2. **नॉलेज ग्राफ** - Graphiti: सिमैंटिक संबंध ट्रैकिंग और प्रासंगिक समझ के लिए नॉलेज ग्राफ API - Neo4j: संस्थाओं, क्रियाओं और परिणामों के बीच संबंधों को संग्रहीत करने और क्वेरी करने के लिए ग्राफ डेटाबेस - व्यापक नॉलेज बेस बनाने के लिए एजेंट प्रतिक्रियाओं और टूल निष्पादन का स्वचालित कैप्चर 3. **मॉनिटरिंग स्टैक** - OpenTelemetry: एकीकृत अवलोकनीयता डेटा संग्रह और सहसंबंध - Grafana: रीयल-टाइम विज़ुअलाइज़ेशन और अलर्टिंग डैशबोर्ड - VictoriaMetrics: उच्च-प्रदर्शन समय-श्रृंखला मीट्रिक्स स्टोरेज - Jaeger: डीबगिंग के लिए एंड-टू-एंड वितरित ट्रेसिंग - Loki: स्केलेबल लॉग एग्रीगेशन और विश्लेषण 4. **एनालिटिक्स प्लेटफॉर्म** - Langfuse: उन्नत LLM अवलोकनीयता और प्रदर्शन एनालिटिक्स - ClickHouse: कॉलम-ओरिएंटेड एनालिटिक्स डेटा वेयरहाउस - Redis: उच्च-गति कैशिंग और दर सीमितकरण - MinIO: आर्टिफैक्ट्स के लिए S3-संगत ऑब्जेक्ट स्टोरेज 5. **सुरक्षा उपकरण** - वेब स्क्रेपर: सुरक्षित वेब इंटरैक्शन के लिए पृथक ब्राउज़र वातावरण - पैठ परीक्षण उपकरण: 20+ पेशेवर सुरक्षा उपकरणों का व्यापक सूट - सैंडबॉक्स्ड निष्पादन: सभी संचालन पृथक कंटेनरों में चलते हैं 6. **मेमोरी सिस्टम** - दीर्घकालिक मेमोरी: ज्ञान और अनुभवों का स्थायी भंडारण - कार्यशील मेमोरी: वर्तमान संचालन के लिए सक्रिय संदर्भ और लक्ष्य - एपिसोडिक मेमोरी: ऐतिहासिक क्रियाएँ और सफलता पैटर्न - नॉलेज बेस: संरचित डोमेन विशेषज्ञता और उपकरण क्षमताएँ - संदर्भ प्रबंधन: श्रृंखला सारांश का उपयोग करके बढ़ते LLM संदर्भ विंडो का बुद्धिमानी से प्रबंधन सिस्टम अलगाव और आसान तैनाती के लिए Docker कंटेनरों का उपयोग करता है, जिसमें उचित सुरक्षा सीमाएँ सुनिश्चित करने के लिए कोर सेवाओं, मॉनिटरिंग और एनालिटिक्स के लिए अलग-अलग नेटवर्क हैं। प्रत्येक घटक क्षैतिज रूप से स्केल करने के लिए डिज़ाइन किया गया है और उत्पादन वातावरण में उच्च उपलब्धता के लिए कॉन्फ़िगर किया जा सकता है। ## त्वरित आरंभ ### सिस्टम आवश्यकताएँ - Docker और Docker Compose (या Podman - [Podman कॉन्फ़िगरेशन](#running-pentagi-with-podman) देखें) - न्यूनतम 2 vCPU - न्यूनतम 4GB RAM - 20GB मुक्त डिस्क स्थान - इमेज और अपडेट डाउनलोड करने के लिए इंटरनेट एक्सेस ### इंस्टॉलर का उपयोग करना (अनुशंसित) PentAGI सुव्यवस्थित कॉन्फ़िगरेशन और तैनाती के लिए टर्मिनल-आधारित UI के साथ एक इंटरैक्टिव इंस्टॉलर प्रदान करता है। इंस्टॉलर आपको सिस्टम जाँच, LLM प्रदाता सेटअप, सर्च इंजन कॉन्फ़िगरेशन और सुरक्षा सख्तीकरण के माध्यम से मार्गदर्शन करता है। **समर्थित प्लेटफॉर्म:** - **Linux**: amd64 [डाउनलोड](https://pentagi.com/downloads/linux/amd64/installer-latest.zip) | arm64 [डाउनलोड](https://pentagi.com/downloads/linux/arm64/installer-latest.zip) - **Windows**: amd64 [डाउनलोड](https://pentagi.com/downloads/windows/amd64/installer-latest.zip) - **macOS**: amd64 (Intel) [डाउनलोड](https://pentagi.com/downloads/darwin/amd64/installer-latest.zip) | arm64 (M-series) [डाउनलोड](https://pentagi.com/downloads/darwin/arm64/installer-latest.zip) **त्वरित स्थापना (Linux amd64):**```bash # Create installation directory mkdir -p pentagi && cd pentagi # Download installer wget -O installer.zip https://pentagi.com/downloads/linux/amd64/installer-latest.zip # Extract unzip installer.zip # Run interactive installer ./installer

4. `.env` फ़ाइल में आवश्यक API कुंजियाँ भरें।```bash # Required: At least one of these LLM providers OPEN_AI_KEY=your_openai_key ANTHROPIC_API_KEY=your_anthropic_key GEMINI_API_KEY=your_gemini_key # Optional: AWS Bedrock provider (enterprise-grade models) BEDROCK_REGION=us-east-1 # Choose one authentication method: BEDROCK_DEFAULT_AUTH=true # Option 1: Use AWS SDK default credential chain (recommended for EC2/ECS) # BEDROCK_BEARER_TOKEN=your_bearer_token # Option 2: Bearer token authentication # BEDROCK_ACCESS_KEY_ID=your_aws_access_key # Option 3: Static credentials # BEDROCK_SECRET_ACCESS_KEY=your_aws_secret_key # Optional: Ollama provider (local or cloud) # OLLAMA_SERVER_URL=http://ollama-server:11434 # Local server # OLLAMA_SERVER_URL=https://ollama.com # Cloud service # OLLAMA_SERVER_API_KEY=your_ollama_cloud_key # Required for cloud, empty for local # Optional: Chinese AI providers # DEEPSEEK_API_KEY=your_deepseek_key # DeepSeek (strong reasoning) # GLM_API_KEY=your_glm_key # GLM (Zhipu AI) # KIMI_API_KEY=your_kimi_key # Kimi (Moonshot AI, ultra-long context) # QWEN_API_KEY=your_qwen_key # Qwen (Alibaba Cloud, multimodal) # Optional: Local LLM provider (zero-cost inference) OLLAMA_SERVER_URL=http://localhost:11434 OLLAMA_SERVER_MODEL=your_model_name # Optional: Additional search capabilities DUCKDUCKGO_ENABLED=true DUCKDUCKGO_REGION=us-en DUCKDUCKGO_SAFESEARCH= DUCKDUCKGO_TIME_RANGE= SPLOITUS_ENABLED=true GOOGLE_API_KEY=your_google_key GOOGLE_CX_KEY=your_google_cx TAVILY_API_KEY=your_tavily_key TRAVERSAAL_API_KEY=your_traversaal_key PERPLEXITY_API_KEY=your_perplexity_key PERPLEXITY_MODEL=sonar-pro PERPLEXITY_CONTEXT_SIZE=medium # Searxng meta search engine (aggregates results from multiple sources) SEARXNG_URL=http://your-searxng-instance:8080 SEARXNG_CATEGORIES=general SEARXNG_LANGUAGE= SEARXNG_SAFESEARCH=0 SEARXNG_TIME_RANGE= SEARXNG_TIMEOUT= ## Graphiti knowledge graph settings GRAPHITI_ENABLED=true GRAPHITI_TIMEOUT=30 GRAPHITI_URL=http://graphiti:8000 GRAPHITI_MODEL_NAME=gpt-5-mini # Neo4j settings (used by Graphiti stack) NEO4J_USER=neo4j NEO4J_DATABASE=neo4j NEO4J_PASSWORD=devpassword NEO4J_URI=bolt://neo4j:7687 # Assistant configuration ASSISTANT_USE_AGENTS=false # Default value for agent usage when creating new assistants

5. **PentAGI तक पहुँच:** - **स्थानीय पहुँच:** `https://localhost:8443` - **नेटवर्क पहुँच:** `https://your-server-ip:8443` > [!NOTE] > आपको IP पते के माध्यम से पहुँचने पर अपने ब्राउज़र में स्व-हस्ताक्षरित SSL प्रमाणपत्र चेतावनी को स्वीकार करना होगा। --- ### Podman के साथ PentAGI चलाना PentAGI Podman को Docker विकल्प के रूप में पूरी तरह से समर्थन करता है। हालाँकि, **रूटलेस मोड (rootless mode)** में Podman का उपयोग करते समय, स्क्रैपर सेवा (scraper service) को विशेष कॉन्फ़िगरेशन की आवश्यकता होती है क्योंकि रूटलेस कंटेनर विशेषाधिकार प्राप्त पोर्ट (1024 से नीचे के पोर्ट) को बाइंड नहीं कर सकते। #### Podman रूटलेस कॉन्फ़िगरेशन डिफ़ॉल्ट स्क्रैपर कॉन्फ़िगरेशन पोर्ट 443 (HTTPS) का उपयोग करता है, जो एक विशेषाधिकार प्राप्त पोर्ट है। Podman रूटलेस के लिए, एक गैर-विशेषाधिकार प्राप्त पोर्ट का उपयोग करने के लिए स्क्रैपर को पुन: कॉन्फ़िगर करें: **1. `docker-compose.yml` संपादित करें** - `scraper` सेवा को संशोधित करें (लगभग पंक्ति 199 पर):```yaml scraper: image: vxcontrol/scraper:latest restart: unless-stopped container_name: scraper hostname: scraper expose: - 3000/tcp # Changed from 443 to 3000 ports: - "${SCRAPER_LISTEN_IP:-127.0.0.1}:${SCRAPER_LISTEN_PORT:-9443}:3000" # Map to port 3000 environment: - MAX_CONCURRENT_SESSIONS=${LOCAL_SCRAPER_MAX_CONCURRENT_SESSIONS:-10} - USERNAME=${LOCAL_SCRAPER_USERNAME:-someuser} - PASSWORD=${LOCAL_SCRAPER_PASSWORD:-somepass} logging: options: max-size: 50m max-file: "7" volumes: - scraper-ssl:/usr/src/app/ssl networks: - pentagi-network shm_size: 2g

यदि आप HTML आउटपुट देखते हैं, तो स्क्रैपर सही ढंग से काम कर रहा है। #### Podman Rootful Mode यदि आप Podman को रूटफुल मोड (sudo के साथ) में चला रहे हैं, तो आप बिना संशोधनों के डिफ़ॉल्ट कॉन्फ़िगरेशन का उपयोग कर सकते हैं। स्क्रैपर इच्छित अनुसार पोर्ट 443 पर काम करेगा। #### Docker Compatibility सभी Podman कॉन्फ़िगरेशन Docker के साथ पूरी तरह से संगत रहते हैं। गैर-विशेषाधिकार प्राप्त पोर्ट दृष्टिकोण दोनों कंटेनर रनटाइम पर समान रूप से काम करता है। ### Assistant Configuration PentAGI आपको सहायकों के लिए डिफ़ॉल्ट व्यवहार कॉन्फ़िगर करने की अनुमति देता है: | Variable | Default | विवरण | | ---------------------- | ------- | ----------------------------------------------------------------------- | | `ASSISTANT_USE_AGENTS` | `false` | नए सहायक बनाते समय एजेंट उपयोग के लिए डिफ़ॉल्ट मान को नियंत्रित करता है | `ASSISTANT_USE_AGENTS` सेटिंग UI में नया सहायक बनाते समय 'Use Agents' टॉगल की प्रारंभिक स्थिति को प्रभावित करती है: - `false` (डिफ़ॉल्ट): नए सहायक डिफ़ॉल्ट रूप से एजेंट प्रतिनिधिमंडल अक्षम के साथ बनाए जाते हैं - `true`: नए सहायक डिफ़ॉल्ट रूप से एजेंट प्रतिनिधिमंडल सक्षम के साथ बनाए जाते हैं ध्यान दें कि उपयोगकर्ता सहायक बनाते या संपादित करते समय UI में 'Use Agents' बटन को टॉगल करके इस सेटिंग को हमेशा ओवरराइड कर सकते हैं। यह पर्यावरण चर केवल प्रारंभिक डिफ़ॉल्ट स्थिति को नियंत्रित करता है। ## How to Use PentAGI After Login एक बार स्टैक चालू हो जाने और आप वेब UI में साइन इन कर सकें, तो शुरू करने का सबसे तेज़ तरीका Flows वर्कफ़्लो के माध्यम से है। ### 1. Create your first flow 1. साइडबार में **Flows** खोलें। 2. **New Flow** पर क्लिक करें। 3. अपने लक्ष्य के अनुकूल मोड चुनें: - **Automation**: एक परीक्षण लक्ष्य के लिए पूरी तरह से स्वायत्त निष्पादन जिसे आप PentAGI से एंड-टू-एंड करवाना चाहते हैं - **Assistant**: जब आप जांच को कदम दर कदम संचालित करना चाहते हैं तो इंटरैक्टिव आगे-पीछे की मदद। इस मोड में आप **Use Agents** टॉगल को सक्षम कर सकते हैं ताकि PentAGI अधिक जटिल जांचों के लिए विशेष उप-एजेंटों को उप-कार्य सौंप सके। 4. इस फ़्लो के लिए आप जिस LLM प्रदाता का उपयोग करना चाहते हैं उसे चुनें। 5. संदेश बॉक्स में लक्ष्य और उद्देश्य को प्राकृतिक भाषा में वर्णित करें। अच्छे पहले प्रॉम्प्ट में आमतौर पर शामिल होते हैं: - लक्ष्य सिस्टम या URL - आप जिस प्रकार का मूल्यांकन चाहते हैं - कोई भी दायरा सीमाएं या संलग्नता नियम - आप जिस परिणाम की अपेक्षा करते हैं, जैसे भेद्यता रिपोर्ट या परिकल्पना का सत्यापन उदाहरण:```text Assess https://target.example for common web application vulnerabilities. Focus on authentication, file handling, and injection issues. Stay within the provided target only and summarize confirmed findings with reproduction steps.

def create_flow(self, provider, target): query = """ mutation CreateFlow($provider: String!, $input: String!) { createFlow(modelProvider: $provider, input: $input) { id title status } } """ response = requests.post( f"{self.base_url}/api/v1/graphql", json={ "query": query, "variables": { "provider": provider, "input": target } }, headers=self.headers ) return response.json() def get_flows(self): response = requests.get( f"{self.base_url}/api/v1/flows", headers=self.headers ) return response.json()

List all flows

flows = client.get_flows() print(f"Total flows: {len(flows['flows'])}")

</details>

<details>
<summary><b>TypeScript क्लाइंट उदाहरण</b></summary>```typescript
import axios, { AxiosInstance } from 'axios';

interface Flow {
  id: string;
  title: string;
  status: string;
  createdAt: string;
}

class PentAGIClient {
  private client: AxiosInstance;

  constructor(baseURL: string, apiToken: string) {
    this.client = axios.create({
      baseURL: `${baseURL}/api/v1`,
      headers: {
        'Authorization': `Bearer ${apiToken}`,
        'Content-Type': 'application/json',
      },
    });
  }

  async createFlow(provider: string, input: string): Promise<Flow> {
    const query = `
      mutation CreateFlow($provider: String!, $input: String!) {
        createFlow(modelProvider: $provider, input: $input) {
          id
          title
          status
          createdAt
        }
      }
    `;

    const response = await this.client.post('/graphql', {
      query,
      variables: { provider, input },
    });

    return response.data.data.createFlow;
  }

  async getFlows(): Promise<Flow[]> {
    const response = await this.client.get('/flows');
    return response.data.flows;
  }

  async getFlow(flowId: string): Promise<Flow> {
    const response = await this.client.get(`/flows/${flowId}`);
    return response.data;
  }
}

// Usage
const client = new PentAGIClient(
  'https://your-pentagi-instance:8443',
  'your_api_token_here'
);

// Create a new flow
const flow = await client.createFlow(
  'openai',
  'Perform penetration test on https://example.com'
);
console.log('Created flow:', flow);

// List all flows
const flows = await client.getFlows();
console.log(`Total flows: ${flows.length}`);

**प्रदर्शन संबंधी विचार:** - **मॉडल खोज** (`OLLAMA_SERVER_LOAD_MODELS_ENABLED=true`): Ollama API को क्वेरी करने में 1-2 सेकंड का स्टार्टअप विलंब जोड़ता है। - **ऑटो-पुल** (`OLLAMA_SERVER_PULL_MODELS_ENABLED=true`): पहले स्टार्टअप में मॉडल डाउनलोड करने में कई मिनट लग सकते हैं। - **पुल टाइमआउट** (`OLLAMA_SERVER_PULL_MODELS_TIMEOUT=900`): सेकंड में 15 मिनट (900 सेकंड)। - **स्टैटिक कॉन्फ़िग**: सबसे तेज़ स्टार्टअप के लिए दोनों फ़्लैग को अक्षम करें और कॉन्फ़िग फ़ाइल में मॉडल निर्दिष्ट करें। #### विस्तारित संदर्भ के साथ कस्टम ओलामा मॉडल बनाना PentAGI को डिफ़ॉल्ट Ollama कॉन्फ़िगरेशन की तुलना में बड़ी संदर्भ विंडो वाले मॉडल की आवश्यकता होती है। आपको Modelfiles के माध्यम से बढ़े हुए `num_ctx` पैरामीटर के साथ कस्टम मॉडल बनाने की आवश्यकता है। जबकि विशिष्ट एजेंट वर्कफ़्लो लगभग 64K टोकन का उपभोग करते हैं, PentAGI सुरक्षा मार्जिन और जटिल पैठ परीक्षण परिदृश्यों को संभालने के लिए 110K संदर्भ आकार का उपयोग करता है। **महत्वपूर्ण**: `num_ctx` पैरामीटर केवल Modelfile के माध्यम से मॉडल निर्माण के दौरान सेट किया जा सकता है - इसे मॉडल निर्माण के बाद बदला नहीं जा सकता या रनटाइम पर ओवरराइड नहीं किया जा सकता। ##### उदाहरण: विस्तारित संदर्भ के साथ Qwen3 32B FP16 `Modelfile_qwen3_32b_fp16_tc` नामक एक Modelfile बनाएं:```dockerfile FROM qwen3:32b-fp16 PARAMETER num_ctx 110000 PARAMETER temperature 0.3 PARAMETER top_p 0.8 PARAMETER min_p 0.0 PARAMETER top_k 20 PARAMETER repeat_penalty 1.1

> **नोट**: QwQ 32B FP16 मॉडल को अनुमान के लिए लगभग **71.3 GB VRAM** की आवश्यकता होती है। इस मॉडल का उपयोग करने का प्रयास करने से पहले सुनिश्चित करें कि आपके सिस्टम में पर्याप्त GPU मेमोरी है। ये कस्टम मॉडल पूर्व-निर्मित प्रदाता कॉन्फ़िगरेशन फ़ाइलों (`ollama-qwen332b-fp16-tc.provider.yml` और `ollama-qwq32b-fp16-tc.provider.yml`) में संदर्भित हैं जो Docker इमेज में `/opt/pentagi/conf/` पर शामिल हैं। ### OpenAI प्रदाता कॉन्फ़िगरेशन PentAGI, OpenAI के व्यापक मॉडल लाइनअप के साथ एकीकृत होता है, जिसमें विस्तारित chain-of-thought के साथ उन्नत तर्क क्षमताएं, बेहतर उपकरण एकीकरण वाले agentic मॉडल, और सुरक्षा इंजीनियरिंग के लिए विशेषीकृत कोड मॉडल शामिल हैं। #### कॉन्फ़िगरेशन वेरिएबल | Variable | Default | विवरण | | -------------------- | --------------------------- | --------------------------- | | `OPEN_AI_KEY` | | OpenAI सेवाओं के लिए API कुंजी | | `OPEN_AI_SERVER_URL` | `https://api.openai.com/v1` | OpenAI API एंडपॉइंट | #### कॉन्फ़िगरेशन उदाहरण```bash # Basic OpenAI setup OPEN_AI_KEY=your_openai_api_key OPEN_AI_SERVER_URL=https://api.openai.com/v1 # Using with proxy for enhanced security OPEN_AI_KEY=your_openai_api_key PROXY_URL=http://your-proxy:8080

पैरामीटर	पर्यावरण चर	डिफ़ॉल्ट	विवरण
अंतिम संरक्षित करें	`SUMMARIZER_PRESERVE_LAST`	`true`	क्या अंतिम अनुभाग में सभी संदेशों को अपरिवर्तित रखना है
QA जोड़ियों का उपयोग करें	`SUMMARIZER_USE_QA`	`true`	क्या QA जोड़ी सारांश रणनीति का उपयोग करना है
QA में मानव सारांशित करें	`SUMMARIZER_SUM_MSG_HUMAN_IN_QA`	`false`	क्या QA जोड़ियों में मानव संदेशों को सारांशित करना है
अंतिम अनुभाग आकार	`SUMMARIZER_LAST_SEC_BYTES`	`51200`	अंतिम अनुभाग के लिए अधिकतम बाइट आकार (50KB)
अधिकतम निकाय जोड़ी आकार	`SUMMARIZER_MAX_BP_BYTES`	`16384`	एकल निकाय जोड़ी के लिए अधिकतम बाइट आकार (16KB)
अधिकतम QA अनुभाग	`SUMMARIZER_MAX_QA_SECTIONS`	`10`	संरक्षित करने के लिए अधिकतम QA जोड़ी अनुभाग
अधिकतम QA आकार	`SUMMARIZER_MAX_QA_BYTES`	`65536`	QA जोड़ी अनुभागों के लिए अधिकतम बाइट आकार (64KB)
QA अनुभाग रखें	`SUMMARIZER_KEEP_QA_SECTIONS`	`1`	सारांश के बिना रखने के लिए हाल के QA अनुभागों की संख्या

पैरामीटर	पर्यावरण चर	डिफ़ॉल्ट	विवरण
अंतिम संरक्षित करें	`ASSISTANT_SUMMARIZER_PRESERVE_LAST`	`true`	क्या सहायक के अंतिम अनुभाग में सभी संदेशों को संरक्षित करना है
अंतिम अनुभाग आकार	`ASSISTANT_SUMMARIZER_LAST_SEC_BYTES`	`76800`	सहायक के अंतिम अनुभाग के लिए अधिकतम बाइट आकार (75KB)
अधिकतम निकाय जोड़ी आकार	`ASSISTANT_SUMMARIZER_MAX_BP_BYTES`	`16384`	सहायक संदर्भ में एकल निकाय जोड़ी के लिए अधिकतम बाइट आकार (16KB)
अधिकतम QA अनुभाग	`ASSISTANT_SUMMARIZER_MAX_QA_SECTIONS`	`7`	सहायक संदर्भ में संरक्षित करने के लिए अधिकतम QA अनुभाग
अधिकतम QA आकार	`ASSISTANT_SUMMARIZER_MAX_QA_BYTES`	`76800`	सहायक के QA अनुभागों के लिए अधिकतम बाइट आकार (75KB)
QA अनुभाग रखें	`ASSISTANT_SUMMARIZER_KEEP_QA_SECTIONS`	`3`	सारांश के बिना संरक्षित करने के लिए हाल के QA अनुभागों की संख्या

चर	डिफ़ॉल्ट	विवरण
`LLM_SERVER_URL`		कस्टम LLM API एंडपॉइंट के लिए बेस URL
`LLM_SERVER_KEY`		कस्टम LLM प्रदाता के लिए API कुंजी
`LLM_SERVER_MODEL`		उपयोग करने के लिए डिफ़ॉल्ट मॉडल (प्रदाता कॉन्फ़िग में ओवरराइड किया जा सकता है)
`LLM_SERVER_CONFIG_PATH`		एजेंट-विशिष्ट मॉडल के लिए YAML कॉन्फ़िगरेशन फ़ाइल का पथ
`LLM_SERVER_PROVIDER`		मॉडल नामों के लिए प्रदाता नाम उपसर्ग (जैसे, LiteLLM प्रॉक्सी के लिए `openrouter`, `deepseek`)
`LLM_SERVER_LEGACY_REASONING`	`false`	API अनुरोधों में रीज़निंग प्रारूप को नियंत्रित करता है
`LLM_SERVER_PRESERVE_REASONING`	`false`	बहु-चरणीय वार्तालापों में रीज़निंग सामग्री को संरक्षित करता है (कुछ प्रदाताओं द्वारा आवश्यक)

चर	डिफ़ॉल्ट	विवरण
`OLLAMA_SERVER_URL`		आपके Ollama सर्वर या Ollama Cloud का URL
`OLLAMA_SERVER_API_KEY`		Ollama Cloud प्रमाणीकरण के लिए API कुंजी
`OLLAMA_SERVER_MODEL`		अनुमान के लिए डिफ़ॉल्ट मॉडल
`OLLAMA_SERVER_CONFIG_PATH`		कस्टम एजेंट कॉन्फ़िगरेशन फ़ाइल का पथ
`OLLAMA_SERVER_PULL_MODELS_TIMEOUT`	`600`	मॉडल डाउनलोड के लिए टाइमआउट (सेकंड)
`OLLAMA_SERVER_PULL_MODELS_ENABLED`	`false`	स्टार्टअप पर मॉडल ऑटो-डाउनलोड करें
`OLLAMA_SERVER_LOAD_MODELS_ENABLED`	`false`	उपलब्ध मॉडल के लिए सर्वर से पूछताछ करें

मॉडल आईडी	सोच	मूल्य (इनपुट/आउटपुट/कैश)	उपयोग मामला
`gpt-5.2`*	✅	$1.75/$14.00/$0.18	उन्नत तर्क और टूल एकीकरण के साथ नवीनतम फ्लैगशिप, स्वायत्त सुरक्षा अनुसंधान
`gpt-5.2-pro`	✅	$21.00/$168.00/$0.00	बेहतर एजेंटिक कोडिंग, मिशन-क्रिटिकल सुरक्षा अनुसंधान, जीरो-डे खोज के साथ प्रीमियम संस्करण
`gpt-5.2-codex`	✅	$1.75/$14.00/$0.18	सबसे उन्नत कोड-विशेषज्ञ, संदर्भ संघनन, मजबूत साइबर सुरक्षा क्षमताएँ

मॉडल आईडी	सोच	मूल्य (इनपुट/आउटपुट/कैश)	उपयोग मामला
`gpt-5`	✅	$1.25/$10.00/$0.13	उन्नत तर्क के साथ प्रमुख एजेंटिक, स्वायत्त सुरक्षा अनुसंधान, एक्सप्लॉइट चेन विकास
`gpt-5.1`	✅	$1.25/$10.00/$0.13	अनुकूली तर्क के साथ उन्नत एजेंटिक, मजबूत टूल समन्वय के साथ संतुलित पेनिट्रेशन टेस्टिंग
`gpt-5-pro`	✅	$15.00/$120.00/$0.00	प्रमुख तर्क सुधार, कम भ्रम, महत्वपूर्ण सुरक्षा संचालन के साथ प्रीमियम संस्करण
`gpt-5-mini`	✅	$0.25/$2.00/$0.03	गति और बुद्धिमत्ता को संतुलित करने वाला कुशल, स्वचालित भेद्यता विश्लेषण, एक्सप्लॉइट निर्माण
`gpt-5-nano`	✅	$0.05/$0.40/$0.01	उच्च-थ्रूपुट स्कैनिंग, टोही, बल्क भेद्यता पता लगाने के लिए सबसे तेज़

मॉडल आईडी	सोच	मूल्य (इनपुट/आउटपुट/कैश)	उपयोग मामला
`gpt-5.1-codex-max`	✅	$1.25/$10.00/$0.13	परिष्कृत कोडिंग के लिए उन्नत तर्क, सिद्ध CVE खोज, व्यवस्थित एक्सप्लॉइट विकास
`gpt-5.1-codex`	✅	$1.25/$10.00/$0.13	मजबूत तर्क के साथ मानक कोड-अनुकूलित, एक्सप्लॉइट निर्माण, भेद्यता विश्लेषण
`gpt-5-codex`	✅	$1.25/$10.00/$0.13	बुनियादी कोड-विशेषज्ञ, भेद्यता स्कैनिंग, बुनियादी एक्सप्लॉइट निर्माण

pentagi

सबसे लोकप्रिय

PentAGI

विषय सूची

अवलोकन

विशेषताएँ

वर्तमान क्षमता सीमाएँ

आर्किटेक्चर

सिस्टम संदर्भ```mermaid

वैश्विक सारांशक विन्यास विकल्प

सहायक सारांशक विन्यास विकल्प

सारांशक पर्यावरण कॉन्फ़िगरेशन```bash

Default values for global summarizer logic

Default values for assistant summarizer logic

Add your user to the docker group

Log out and log back in, or activate the group immediately

Verify Docker access (should run without sudo)

वर्तमान वेब सेटिंग्स कवरेज

अभी भी सर्वर-प्रबंधित

मैन्युअल स्थापना

मुख्य सुरक्षा सेटिंग्स

स्क्रैपर पहुँच

पहुँच क्रेडेंशियल्स

Web UI खाते

बाहरी नेटवर्क से PentAGI तक पहुँचना

कॉन्फ़िगरेशन चरण

Network binding - allow external connections

Public URL - use your actual server IP or hostname

Replace 192.168.1.100 with your server's IP address

CORS origins - list all URLs that will access PentAGI

Include localhost for local access AND your server IP for external access

Ubuntu/Debian with UFW

CentOS/RHEL with firewalld

Scraper configuration for Podman rootless

Test from within the pentagi container

2. बार-बार होने वाले वर्कफ़्लो के लिए टेम्पलेट का उपयोग करें

3. निष्पादन की निगरानी करें और आउटपुट की समीक्षा करें

4. सक्रिय फ़्लो को निर्देशित करने के लिए Assistant व्यू का उपयोग करें

5. फ़्लो-स्कोप्ड फ़ाइलें प्रबंधित करें

API एक्सेस

API टोकन जनरेट करना

API टोकन का उपयोग करना

GraphQL API example

REST API example

Swagger UI

API क्लाइंट जनरेट करना

GraphQL क्लाइंट

REST API क्लाइंट

API उपयोग उदाहरण

Usage

Create a new flow

List all flows

सुरक्षा सर्वोत्तम अभ्यास

टोकन प्रबंधन

कस्टम LLM प्रदाता कॉन्फ़िगरेशन

Ollama प्रदाता कॉन्फ़िगरेशन

कॉन्फ़िगरेशन चर

Ollama क्लाउड कॉन्फ़िगरेशन

Free tier allows one model at a time

Using custom provider configuration

Mount custom configuration from host filesystem (in .env or docker-compose override)

स्थानीय Ollama कॉन्फ़िगरेशन

Basic local Ollama setup

Production setup with auto-pull and model discovery

Using pre-built configurations from Docker image

or

or

समर्थित मॉडल