Skip to content
KitploitKITPLOIT
StrumentiExploitsBlog
Log in
Invia
StrumentiExploitsBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

FeedContattoPrivacy© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
giskard-oss — 🐢 Libreria open-source di valutazione e testing per agenti LLM | Kitploit
Strumenti/GitHubGitHub/giskard-ai/giskard-oss
Scanner di VulnerabilitàFuzzingMachine LearningRed TeamingSicurezza dell'IAAttacco AvversarioTop in Attacco Avversario n.11Top in Sicurezza dell'IA n.6Top in Machine Learning n.10
6.0k5761517h 46m faRevisionato da Kitploit
GitHub
giskard-ai/giskard-oss

giskard-oss

🐢 Libreria open-source di valutazione e testing per agenti LLM

Vedi RepositorySito web

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Il toolkit OSINT definitivo: grafo di indagine, punteggio di affidabilità, famiglie di alias, mappa, timeline e report. 49 moduli, oltre 400 siti, nessuna chiave API richiesta.

    962
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # App di esecuzione con un tocco GhostLock (CVE-2026-43499)

    558
  • 3

    redforge

    cybersecurity91/redforge

    Toolkit red team lato browser con 102 strumenti offline per ricognizione, generazione di payload, attacchi alle credenziali, crittografia, codifica e reportistica dell'engagement.

    348
  • 4

    looking-glass

    anonghosty/looking-glass

    Piattaforma CSIRT che importa i report di Shadowserver in MongoDB e li riproduce come mappe interattive, analisi, risultati, avvisi e dashboard executive.

    344
  • 5

    ARTEX

    baarai/artex

    Piattaforma di penetration testing autonoma multi-agente basata su LLM con agenti planner/worker, grafi di asset e di esplorazione, registrazione del traffico MITM e retesting delle vulnerabilità.

    324
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Il sistema d'azione per la cybersecurity nativa AI—dove l'intento diventa esecuzione governata, le evidenze diventano memoria operativa, e ogni operazione migliora la successiva.

    297

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →
Condividi
<p align="center">
  <img alt="giskardlogo" src="https://assets.kitploit.com/production/public/readmes/50936/c1f328b3f3cefd9e527b0ff1f2991be7d3336ce13cd265993c62b57ce676cab5/a720b322f89a71f208538a57a11e96baef88a9c0bafe7779659f1b4bafcfc27e-display-v1.webp">
  <img alt="giskardlogo" src="https://assets.kitploit.com/production/public/readmes/50936/2fd9c4a7c2204d367db301019e2fc0e3de34eacd445004fd705b27cbb7aff5fc/ab0feb5722a650948a83c6cdc420dc43f15ae5e7a8000d26b22fd7effb8f1ca8-display-v1.webp">
</p>
<h1 align="center" weight='300' >Evals, Red Teaming e Generazione di Test per Sistemi Agentici</h1>
<h3 align="center" weight='300' >Modulare, Leggero, Dinamico e Async-first </h3>
<div align="center">

[![GitHub release](https://img.shields.io/github/v/release/Giskard-AI/giskard-oss)](https://github.com/Giskard-AI/giskard-oss/releases)
[![License](https://img.shields.io/badge/License-Apache_2.0-blue.svg)](https://github.com/Giskard-AI/giskard/blob/main/LICENSE)
[![Downloads](https://static.pepy.tech/badge/giskard/month)](https://pepy.tech/project/giskard)
[![CI](https://github.com/Giskard-AI/giskard-oss/actions/workflows/ci.yml/badge.svg?branch=main)](https://github.com/Giskard-AI/giskard-oss/actions/workflows/ci.yml/badge.svg?branch=main)
[![Giskard on Discord](https://img.shields.io/discord/939190303397666868?label=Discord)](https://gisk.ar/discord)

<a rel="me" href="https://fosstodon.org/@Giskard"></a>

</div>
<h3 align="center">
   <a href="https://docs.giskard.ai/oss"><b>Documentazione</b></a> &bull;
  <a href="https://www.giskard.ai/?utm_source=github&utm_medium=github&utm_campaign=github_readme&utm_id=readmeblog"><b>Sito Web</b></a> &bull;
  <a href="https://gisk.ar/discord"><b>Community</b></a>
 </h3>
<br />

> [!IMPORTANT]
> **Giskard v3** è una riscrittura completa progettata per il testing dinamico e multi-turn degli agenti AI. Questa release elimina le dipendenze pesanti per una maggiore efficienza, introducendo al contempo uno scanner di vulnerabilità AI più potente e una valutazione RAG migliorata — entrambi ora disponibili nativamente in `giskard-scan`, senza alcuna dipendenza da v2. Solo la scansione legacy per **modelli tabellari/ML** rimane esclusiva di v2.
> **Giskard v2 rimane disponibile ma non è più attivamente mantenuto.**
> Segui i progressi → [Leggi l'Annuncio di v3](https://github.com/orgs/Giskard-AI/discussions/2250) · [Roadmap](https://github.com/Giskard-AI/giskard-oss/issues/2252)

## Installazione

```sh
pip install giskard           # checks (+ agents, llm, core)
pip install "giskard[scan]"   # + vulnerability / quality scan
pip install "giskard[openai]" # provider SDK for LLM judges / generators
```

Richiede Python 3.12+.

| Extra | Aggiunge |
| --- | --- |
| *(nessuno)* | `giskard-checks` e dipendenze |
| `scan` | `giskard-scan` |
| `openai` / `anthropic` / … | SDK dei provider (vedi le dipendenze opzionali in `pyproject.toml`) |

**Telemetria:** analisi aggregate opzionali tramite `giskard-core`. Nessun prompt o output viene inviato.
Disattivala con `export DO_NOT_TRACK=1` o `export GISKARD_TELEMETRY_DISABLED=1` (o le stesse chiavi in un file `.env` nella directory di lavoro). Impostale prima dell'import per evitare la creazione di `~/.giskard/id`; impostarle in seguito interrompe comunque gli invii successivi.
Dettagli: [README di `giskard-core`](https://github.com/giskard-ai/giskard-oss/blob/main/libs/giskard-core/README.md#telemetry).

---

Giskard è una libreria Python open-source per **testare e valutare sistemi agentici**. L'architettura v3 è un insieme modulare di pacchetti mirati — ciascuno con solo le dipendenze di cui ha bisogno — costruita da zero per avvolgere qualsiasi cosa: un LLM, un agente black-box o una pipeline multi-step.

| Stato          | Pacchetto        | Descrizione                                                                                                                                                              |
| -------------- | ---------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------ |
| ✅ Stabile      | `giskard-checks` | Testing e valutazione — API di scenario, check integrati, LLM-as-judge                                                                                                   |
| ✅ Stabile      | `giskard-scan`   | Scanner di vulnerabilità per agenti + valutazione RAG/qualità — red teaming, prompt injection, jailbreak e contenuti dannosi (`vulnerability_scan`, successore di [v2 Scan](https://legacy-docs.giskard.ai/en/stable/open_source/scan/index.html)), più valutazione della qualità della knowledge base (`quality_scan`, successore di [v2 RAGET](https://legacy-docs.giskard.ai/en/stable/open_source/testset_generation/index.html)) |

Questi si basano su tre librerie fondamentali — `giskard-core` (utility condivise e telemetria), `giskard-llm` (routing LLM indipendente dal provider) e `giskard-agents` (orchestrazione di agenti e workflow) — che vengono incluse automaticamente e raramente utilizzate direttamente.

## Giskard Checks — crea e applica eval per testare gli agenti

```sh
pip install giskard-checks
```

**[Giskard Checks](https://docs.giskard.ai/oss/checks)** è una libreria leggera per creare valutazioni (eval) che testano sistemi basati su LLM — da semplici asserzioni a valutazioni LLM-as-judge. A differenza dei tradizionali unit test, le eval sono progettate per **output non deterministici**, in cui lo stesso input può produrre risposte valide diverse.

Usa Giskard Checks per:

- **Individuare regressioni** — verificare che il tuo sistema si comporti ancora correttamente dopo le modifiche
- **Validare la qualità del RAG** — controllare se le risposte sono fondate sul contesto recuperato
- **Applicare regole di sicurezza** — assicurarti che gli output siano conformi alle tue politiche sui contenuti
- **Valutare agenti multi-turno** — testare conversazioni complete, non solo singoli scambi

Le eval integrate includono string matching, confronti, regex, similarità semantica e controlli LLM-as-judge (`Groundedness`, `Conformity`, `LLMJudge`).

### Concetti

- **Target** — il tuo sistema sotto test: qualsiasi callable sync/async `(inputs) -> outputs` (opzionalmente con `trace`)
- **Scenario** — una eval: interazioni + controlli
- **Check** — asserzione o giudice LLM sulla trace
- **Suite** — molti scenari eseguiti insieme

`giskard.agents.Generator` è un client LLM per workflow/giudici — non è lo stesso dei
generatori di input di `giskard.checks` (`LLMGenerator`) che sintetizzano messaggi utente.

### Avvio rapido

In uno script senza un event loop in esecuzione:

```python
from giskard.checks import Scenario, Groundedness


def get_answer(inputs: str) -> str:
    return "Paris"  # replace with your model / agent


scenario = (
    Scenario("test_france_capital")
    .interact(inputs="What is the capital of France?", outputs=get_answer)
    .check(
        Groundedness(
            name="answer is grounded",
            context="France is in Western Europe. Its capital is Paris.",
        )
    )
)
result = scenario.run_sync()
result.print_report()
```

In una cella di notebook o all'interno di una funzione asincrona, usa invece await sullo scenario:

```python
result = await scenario.run()
result.print_report()
```

`Groundedness` è un giudice LLM — installa un extra del provider (ad es. `pip install "giskard[openai]"`) e imposta la chiave API corrispondente. Modello predefinito: `openai/gpt-4o-mini`.

Consulta la [documentazione completa](https://docs.giskard.ai/oss/checks) per `Suites`, `LLMJudge`, scenari multi-turno e altro ancora.

---

## Giskard Scan — scanner di vulnerabilità per agenti AI

```sh
pip install "giskard[scan]"   # or: pip install giskard-scan
```

**Giskard Scan** è il livello di red-teaming e scansione delle vulnerabilità per sistemi agentici. Genera automaticamente suite di test avversariali a partire da una descrizione in linguaggio naturale del tuo agente, coprendo prompt injection, contenuti dannosi, stereotipi, disinformazione e altro ancora.

Usa Giskard Scan per:

- **Fare red-teaming del tuo agente** — genera automaticamente input avversariali attraverso le categorie di minacce OWASP LLM Top-10
- **Eseguire sonde di prompt-injection** — dataset integrato di payload di injection pronti all'uso
- **Estendere con generatori personalizzati** — passa le tue istanze `ScenarioGenerator` a `generate_suite`, oppure registrale su `vulnerability_suite_generator_registry`

### Avvio rapido

```python
import asyncio
from giskard.scan import vulnerability_scan


async def my_agent(inputs: str) -> str:
    # Replace with your agent / model call
    return f"Echo: {inputs}"


async def main() -> None:
    await vulnerability_scan(
        target=my_agent,
        description="A customer support chatbot for an e-commerce platform.",
        languages=["en"],
    )


asyncio.run(main())
```

Anche i generatori di scan necessitano di un provider LLM extra e di una chiave API (come per i giudici di Checks sopra).

## Cerchi Giskard v2?

Giskard v2 includeva **Scan** (rilevamento automatico delle vulnerabilità) e **RAGET** (generazione di set di test per la valutazione RAG).

Per gli **agenti LLM**, entrambi sono superati nella v3 da `giskard-scan`: usa [`vulnerability_scan`](#giskard-scan--vulnerability-scanner-for-ai-agents) al posto dello scan LLM di v2, e `quality_scan` (con `KnowledgeBase`) al posto di RAGET.

La v3 funziona anche con i modelli ML — incapsulane uno come target e valutalo con `giskard-checks` o `giskard-scan`. Ciò che coprono gli esempi seguenti è lo **scan tabellare automatico esclusivo della v2** — la suite di rilevatori che analizza un `giskard.Model` + `giskard.Dataset` per rilevare automaticamente problemi di prestazioni, bias e robustezza — insieme alla suite di test ML `giskard.testing` e al Giskard Hub. Questi non sono previsti per la v3.

```sh
pip install "giskard[llm]>2,<3"
```

### [Scan](https://legacy-docs.giskard.ai/en/stable/open_source/scan/index.html) — rileva automaticamente problemi di prestazioni, bias e sicurezza

Avvolgi il tuo modello ed esegui la scansione:

```python
import giskard
import pandas as pd


# Replace my_llm_chain with your actual LLM chain or model inference logic
def model_predict(df: pd.DataFrame):
    """The function takes a DataFrame and must return a list of outputs (one per row)."""
    return [my_llm_chain.run({"query": question}) for question in df["question"]]


giskard_model = giskard.Model(
    model=model_predict,
    model_type="text_generation",
    name="My LLM Application",
    description="A question answering assistant",
    feature_names=["question"],
)

scan_results = giskard.scan(giskard_model)
display(scan_results)
```

<p align="center">
  <img src="https://assets.kitploit.com/production/public/readmes/50936/0e863e60ab4173f4812139f38ba772f996644774946dc27aca07ffb1271f5626/9df9e5e47d8be5ce2e756bdd7315613fecc468a1e6096030cbc25d147a50cdf3-display-v1.webp" alt="Esempio di scansione" width="800">
</p>

### [RAGET](https://legacy-docs.giskard.ai/en/stable/open_source/testset_generation/index.html) — genera dataset di valutazione per applicazioni RAG

Genera automaticamente domande, risposte di riferimento e contesto dalla tua knowledge base:

```python
import pandas as pd
from giskard.rag import generate_testset, KnowledgeBase

# Load your knowledge base documents
df = pd.read_csv("path/to/your/knowledge_base.csv")
knowledge_base = KnowledgeBase.from_pandas(df, columns=["column_1", "column_2"])

testset = generate_testset(
    knowledge_base,
    num_questions=60,
    language="en",
    agent_description="A customer support chatbot for company X",
)
```

<p align="center">
  <img src="https://assets.kitploit.com/production/public/readmes/50936/65cc932276b9d3a86425700b3717748e952a622722b9e129ff43efb0fb91c4d1/1f8abfc8a571f084d70ddfe3c484ad8ecf71d362e52cebfcb8581af12be8c0e9-display-v1.webp" alt="Esempio RAGET" width="800">
</p>

[Documentazione completa v2](https://legacy-docs.giskard.ai)

<h1 id="community">👋 Community</h1>

Accogliamo con favore i contributi della community AI! Leggi questa [guida](https://github.com/giskard-ai/giskard-oss/blob/main/CONTRIBUTING.md) per iniziare e unisciti alla nostra fiorente community su [Discord](https://gisk.ar/discord).

Segui i progressi e condividi il tuo feedback:
[Annuncio v3](https://github.com/orgs/Giskard-AI/discussions/2250) · [Roadmap](https://github.com/Giskard-AI/giskard-oss/issues/2252)

🌟 [Lasciaci una stella](https://github.com/Giskard-AI/giskard), aiuta il progetto a farsi scoprire da altri e ci mantiene motivati a costruire fantastici strumenti open-source! 🌟

❤️ Se trovi utile il nostro lavoro, ti invitiamo a considerare di [sponsorizzarci](https://github.com/sponsors/Giskard-AI) su GitHub. Con una sponsorizzazione mensile, puoi ottenere un badge da sponsor, mostrare la tua azienda in questo readme e ottenere la priorità nella gestione delle tue segnalazioni di bug. Offriamo anche sponsorizzazioni una tantum se desideri coinvolgerci in un progetto di consulenza, condurre un workshop o tenere un intervento presso la tua azienda.
Scarica lo strumento