PentestGPT

Demo

Installazione

Guarda su YouTube

PentestGPT in Azione

Guarda su YouTube

Novità in v1.0 (Aggiornamento Agentico)

• Pipeline Multistadio - L'agente lavora attraverso fasi suddivise (ricognizione → exploit → walkthrough per CTF; scoperta asset → identificazione vulnerabilità → report per pentest), alimentando ogni fase con i risultati della precedente.
• Agente Autonomo - Guida Claude Code o Codex per eseguire strumenti e ragionare senza intervento umano.
• Persistenza delle Sessioni - Salva e riprendi sessioni di penetration testing.

La pipeline autonoma per CTF è collegabile al backend per Claude Code e Codex. La modalità modernizzata legacy interattiva (pentestgpt-legacy) supporta un set più ampio di provider: OpenAI, Anthropic, Google Gemini, DeepSeek, xAI, Qwen, Moonshot e Ollama locale. Vedi Modalità Interattiva Multi-LLM.

Caratteristiche

• Risolutore di Sfide Basato su IA - Sfrutta il ragionamento avanzato degli LLM per eseguire penetration testing e CTF
• Procedura Guidata in Tempo Reale - Tiene traccia dei passaggi in tempo reale mentre l'agente affronta le sfide
• Supporto Multi-Categoria - Web, Crypto, Reversing, Forensics, PWN, Privilege Escalation
• Feedback in Tempo Reale - Guarda l'IA lavorare con aggiornamenti live delle attività
• Architettura Estensibile - Design pulito e modulare pronto per miglioramenti futuri

Avvio Rapido

Prerequisiti

• Python 3.12+
• uv - Gestore di pacchetti Python
• Claude Code CLI (claude) - installato e autenticato per esecuzioni locali di Claude. Vedi Documentazione Claude Code
• Codex CLI (codex) - installato e autenticato per esecuzioni locali di Codex. Il flusso Docker qui sotto include entrambi i CLI.

Installazione

git clone https://github.com/GreyDGL/PentestGPT.git
cd PentestGPT
make install    # esegue uv sync

Riferimento Comandi

Utilizzo

# Esegui contro un target (modalità CTF predefinita)
pentestgpt --target 10.10.11.234

# Con contesto della sfida
pentestgpt --target 10.10.11.50 --instruction "Sito WordPress, concentrati su vulnerabilità dei plugin"

# Modalità penetration test (scoperta asset → vulnerabilità → report)
pentestgpt --target 10.10.11.234 --mode pentest

# Elenca sessioni salvate in precedenza
pentestgpt --list-sessions

L'agente lavora attraverso una pipeline multistadio, alimentando ogni fase con i risultati della precedente — ricognizione → exploit → walkthrough per CTF, scoperta asset → identificazione vulnerabilità → report per pentest.

Esegui in Docker (installa una volta, accedi una volta)

Un'immagine autonoma include lo strumento insieme ai CLI di Claude Code e Codex. Accedi una volta e le sessioni persistono in volumi nominati — nessun nuovo login nelle esecuzioni successive.

make docker-build        # costruisci l'immagine dello strumento
make docker-login        # UNICA VOLTA, idempotente: verifica i login, effettua login solo per quelli mancanti
make docker-auth-status  # verifica che entrambi siano loggati (ROUNDTRIP=1 per un controllo live con 1 token)

# Esegui la pipeline contro un target (qualsiasi backend / modello / modalità):
make docker-run TARGET=http://127.0.0.1:8000 BACKEND=codex MODEL=gpt-5.5 MODE=ctf
make docker-run TARGET=10.10.11.234         BACKEND=claude MODEL=opus    MODE=pentest

make docker-login effettua il login per Claude (setup-token → token salvato nel volume) e Codex (il suo codex login interno, callback OAuth inoltrato via socat — non seminato, poiché i token di aggiornamento ChatGPT sono monouso). È idempotente: rieseguendo salta ciò che è ancora valido. I login persistono anche dopo la ricreazione del contenitore; make docker-down li mantiene, make docker-nuke rimuove i volumi di login (per forzare un nuovo login / ruotare un token). Design + dettagli: docs/docker-dev-plan.md.

Modalità Interattiva Multi-LLM (legacy modernizzato)

Il classico PentestGPT con intervento umano dell'articolo USENIX 2024 è preservato e modernizzato come pentestgpt-legacy. Esegue tre sessioni LLM cooperanti — ragionamento / generazione / parsing — che mantengono un Albero dei Compiti di Penetration Testing (PTT) mentre guidano la sessione in modo interattivo (next, more, todo, discuss). La pipeline autonoma a fasi fisse supporta backend Claude e Codex; questa modalità legacy parla nativamente a molti provider tramite i loro SDK ufficiali.

Configura provider

Imposta una chiave API per qualsiasi provider desideri utilizzare (nell'ambiente o .env — vedi .env.example). Vengono abilitati solo i provider che configuri.

OPENAI_API_KEY=...        ANTHROPIC_API_KEY=...     GEMINI_API_KEY=...   # o GOOGLE_API_KEY
DEEPSEEK_API_KEY=...      GROK_API_KEY=...          QWEN_API_KEY=...     KIMI_API_KEY=...

Esecuzione

# Seleziona automaticamente i migliori modelli disponibili per ogni sessione
pentestgpt-legacy

# Scegli modelli per sessione
pentestgpt-legacy --reasoning-model claude-opus-4-8 --parsing-model gemini-3.5-flash

# Modello locale tramite Ollama (compatibile OpenAI)
pentestgpt-legacy --reasoning-model ollama:qwen3 --base-url http://localhost:11434/v1

# Elenca tutti i modelli supportati (mostra quali provider sono configurati)
pentestgpt-legacy --list-models

# Round-trip live di ogni modello configurato e stampa una matrice pass/fail
pentestgpt-legacy --smoke-test

Modelli supportati (verificato online giugno 2026)

pentestgpt-legacy --list-models mostra sempre il registro live. Riesegui --smoke-test dopo che gli ID dei modelli cambiano. Istantanea attuale:

Il registro si trova in pentestgpt_legacy/llm/registry.py (l'unica fonte di verità). Aggiungere un modello è una voce ModelSpec; i provider compatibili con OpenAI riutilizzano un connettore.

Telemetria

PentestGPT raccoglie dati di utilizzo anonimi per aiutare a migliorare lo strumento. Questi dati vengono inviati al nostro progetto Langfuse e includono:

• Metadati della sessione (tipo di target, durata, stato di completamento)
• Pattern di esecuzione degli strumenti (quali strumenti vengono usati, non i comandi effettivi)
• Eventi di rilevamento flag (che un flag è stato trovato, non il contenuto del flag)

Nessun dato sensibile viene raccolto - output dei comandi, credenziali o valori effettivi dei flag non vengono mai trasmessi.

Disattivazione

# Tramite flag da riga di comando
pentestgpt --target 10.10.11.234 --no-telemetry

# Tramite variabile d'ambiente
export LANGFUSE_ENABLED=false

Storico dei benchmark

PentestGPT ha raggiunto un tasso di successo dell'86,5% (90/104 benchmark) in un esperimento con la suite di validazione XBOW nel dicembre 2025. Quel numero è un risultato di ricerca storico, non una garanzia di regressione attuale di pentestgpt-agent.

Gli harness XBOW e gli archivi dei risultati sono mantenuti al di fuori di questo repository del prodotto come artefatti di ricerca di solo riferimento. Il CLI PentestGPT supportato, Makefile, CI e runtime Docker non espongono un esecutore XBOW. Una futura valutazione potrebbe riutilizzare quel corpus tramite un adattatore di proprietà separata senza renderlo una dipendenza del prodotto.

Citazione

Se utilizzi PentestGPT nella tua ricerca, ti preghiamo di citare il nostro articolo:

@inproceedings{299699,
  author = {Gelei Deng and Yi Liu and Víctor Mayoral-Vilches and Peng Liu and Yuekang Li and Yuan Xu and Tianwei Zhang and Yang Liu and Martin Pinzger and Stefan Rass},
  title = {{PentestGPT}: Evaluating and Harnessing Large Language Models for Automated Penetration Testing},
  booktitle = {33rd USENIX Security Symposium (USENIX Security 24)},
  year = {2024},
  isbn = {978-1-939133-44-1},
  address = {Philadelphia, PA},
  pages = {847--864},
  url = {https://www.usenix.org/conference/usenixsecurity24/presentation/deng},
  publisher = {USENIX Association},
  month = aug
}

Licenza

Distribuito sotto licenza MIT. Vedi LICENSE.md per maggiori informazioni.

Disclaimer: Questo strumento è destinato esclusivamente a scopi educativi e test di sicurezza autorizzati. Gli autori non approvano alcun uso illegale. Utilizzare a proprio rischio.

Riconoscimenti

• Ricerca supportata da Quantstamp e NTU Singapore

(torna su)