kush-coder/autopilot-pentest-aiBuild ufficiale e release verificata | Pentester AI open-source che dimostra ogni finding. Gli oracle automatici rieseguono ogni exploit; i bug verificati producono una proof capsule che puoi riprodurre tu stesso.
Rilascio Open-Source Ufficiale e Codebase Mantenuta da @kush-coder
Pentester AI open-source che dimostra ogni finding. Gli oracoli macchina rieseguono ogni exploit; i bug verificati producono una capsula di prova che puoi riprodurre tu stesso.
Questo repository è attivamente mantenuto e distribuito da @kush-coder come rilascio open-source ufficiale.
# Clone your official repository
git clone https://github.com/kush-coder/autopilot-pentest-ai.git
cd autopilot-pentest-ai
Sito web · Avvio rapido · Bug bounty · Verifica · Documentazione · Segnalazioni
Pentest-AI è uno strumento open-source di penetration testing e bug-bounty basato sull'AI che tiene separati i risultati dimostrati dalle ipotesi. Collega un client o un modello AI a un flusso di lavoro di pentest reale: analizzare applicazioni web, scoprire e riprodurre vulnerabilità e usare oracoli automatici per verificare se un exploit funziona davvero. Un risultato che nessun oracolo riesce a dimostrare resta etichettato come candidato, mentre uno verificato porta con sé le richieste e le risposte che lo hanno dimostrato.
Usalo tramite MCP (Claude Code, Codex, Cursor, VS Code), dalla CLI o in CI/CD. Il modello guida l'analisi; un oracolo indipendente decide se un risultato merita un verdetto di verifica, così le ipotesi del modello non arrivano mai travestite da risultati.
Pensato per il bug bounty autorizzato: un profilo per programma contiene il suo scope, la tariffa dichiarata e il tuo handle di ricercatore, una dry run mostra il piano prima che venga inviato qualcosa, e le bozze di report derivano solo da risultati verificati. Vai al flusso di lavoro bug-bounty →
Testa solo sistemi di tua proprietà o per cui hai un'autorizzazione esplicita alla valutazione. Leggi la politica di uso accettabile e i termini prima di avviare un incarico.
Usa Python da 3.10 a 3.14 e installa prima pipx. Esegui pipx ensurepath e riapri il terminale se necessario. pipx isola le dipendenze di Pentest-AI e rende i suoi comandi disponibili in tutte le cartelle.
pipx install ptai
ptai setup --mcp
Installa prima la CLI del tuo client AI. La configurazione chiede conferma prima di connettere tutti i client supportati rilevati, inclusi sia Codex che Claude Code quando installati. Mantiene le registrazioni esistenti. Riavvia il client in seguito.
La procedura guidata utilizza impostazioni a livello utente. Non installa client, non effettua l'accesso, non scarica modelli né configura Ollama. Il modello è fornito dal tuo client AI; il server MCP non richiede alcuna chiave API separata per il modello. Usa ptai setup --mcp --dry-run per visualizzare in anteprima le modifiche. Consulta configurazione per singolo client e per repository per le istruzioni su Codex .codex/config.toml e Claude Code .mcp.json.
Per gli aggiornamenti, usa pipx upgrade ptai. In un ambiente virtuale attivato esistente, è supportato anche python -m pip install --upgrade ptai; mantieni tale ambiente disponibile dopo averlo registrato con il tuo client AI.
Installa Pentest-AI come sopra, ma salta la configurazione MCP per questa modalità.
Installa e avvia Ollama, poi scarica un modello
con supporto al tool-calling. Usa ollama list per trovare il suo nome esatto installato.
export PENTEST_AI_LLM_PROVIDER=ollama
export PENTEST_AI_MODEL="your-installed-model"
ptai start https://your-authorized-target.example --no-sync
In PowerShell:
$env:PENTEST_AI_LLM_PROVIDER = "ollama"
$env:PENTEST_AI_MODEL = "your-installed-model"
ptai start https://your-authorized-target.example --no-sync
Sostituisci i segnaposto prima di eseguire. Un modello locale non richiede alcuna chiave API cloud. La qualità del modello e la memoria disponibile influenzano i risultati. Consulta la guida ai modelli per la configurazione dell'endpoint.
Non sono richiesti chiavi API né target esterni.
pipx install ptai
ptai demo
La demo verifica un'applicazione vulnerabile inclusa nel pacchetto, riproduce un finding dalla sua proof capsule e controlla le route rafforzate. Ispeziona il flusso di lavoro delle evidenze prima di configurare un engagement reale.
Per i modelli cloud standalone e le dipendenze opzionali degli scanner, consulta la guida all'installazione e la guida ai provider. Tieni le chiavi API fuori dal controllo di versione.
La modalità bug bounty è pensata per i programmi che consentono il testing automatizzato. Scrivi un
profilo per programma con il suo scope, la sua tariffa dichiarata e il tuo handle di ricercatore.
--program applica poi tutto ciò a ogni richiesta, e --dry-run stampa il
piano senza inviare nulla.
# ~/.pentest-ai/programs/acme.toml
platform = "hackerone"
handle = "acme"
researcher = "your-h1-username" # sent on every request in X-Bug-Bounty
rps = 5.0 # the rate the program states
scope = ["*.acme.com", "api.acme.com"]
excluded = ["status.acme.com"]
scanners_allowed = true
allow_race = false
ptai start https://api.acme.com --program acme --dry-run # sends nothing
ptai start https://api.acme.com --program acme --auto-auth
ptai bounty-report <engagement-id> --program acme --output-dir drafts/
Con --program: