AI red team local-first per la sicurezza di applicazioni web, API e LLM. Ragionamento in stile attaccante, risultati supportati da evidenze e competenze per agenti di coding AI.
Il tuo red team AI locale.
Ragionamento in stile attaccante per la sicurezza di applicazioni web, API e LLM.
Sito web del progetto · Avvio rapido · Skill per agenti · Modello di valutazione · Architettura · Documentazione · Cronologia delle star
OpenHunterAI riunisce scope, attività di scansione, risultati e remediation in un unico workspace locale. Inizia senza un account, collega i tuoi provider di modelli e valuta applicazioni pubbliche verificate di tua proprietà o che sei autorizzato a testare.
La landing pubblica presenta il progetto; il workspace operativo viene eseguito localmente. Vedi build pubbliche e locali.
| Funzionalità | Cosa ottieni |
|---|---|
| Workspace locale | Nessuna registrazione; progetti e record di scansione nel tuo database locale |
| Scope esplicito | Verifica del dominio, piani deterministici, gate di approvazione umana |
| Molteplici fonti di segnale | Ispezione del browser, recon, ZAP e un adattatore Nuclei |
| Indagine assistita dall'AI | Confini degli adattatori OpenHack/Strix; usa i tuoi runtime |
| Evidenze e remediation | Risultati sanitizzati, lacune di copertura, indicazioni di correzione, retest manuale |
| Workflow portabile | Una skill per Codex, Claude Code, Gemini CLI, Grok Build e OMP |
Alpha. La copertura dell'integrazione dipende dai runtime configurati. Un workspace sano o un report vuoto non dimostrano che un target sia sicuro.
OpenHunterAI mantiene il nucleo utile dei requisiti tecnici 48bf9036: valutare il comportamento osservabile esternamente dalla prospettiva di un attaccante. Il codice sorgente non è richiesto. Ogni esecuzione resta vincolata a un target pubblico verificato e a uno scope approvato.
flowchart LR
S["1. Lock scope"] --> M["2. Map surface"]
M --> B["3. Establish baseline"]
B --> H["4. Test bounded hypotheses"]
H --> E["5. Gate evidence"]
E --> R["6. Report and retest"]
| Fase | Output | Controllo |
|---|---|---|
| Blocco dell'ambito | Host verificato, percorsi approvati, piano di scansione | Autorizzazione prima dell'inizio del lavoro |
| Mappatura della superficie | Segnali del browser e di ricognizione | Solo superficie pubblica e nell'ambito |
| Baseline | Risposte normali e contesto di copertura | Worker limitati e policy degli adapter |
| Verifica delle ipotesi | Segnali di sicurezza candidati | Nessuna azione distruttiva; la validazione sensibile richiede approvazione |
| Gate delle evidenze | Finding sanitizzato e riproducibile | Separare i segnali osservati dal giudizio dell'analista |
| Report e retest | Indicazioni per la correzione, limitazioni, conferma manuale | Un essere umano è responsabile delle decisioni sull'impatto e della chiusura |
Le descrizioni OpenAPI/Swagger, gli esempi Postman, le catture HTTP sanitizzate e gli account di test dedicati possono aiutare a definire la superficie di test concordata. L'importazione automatica o la conservazione di traffico sensibile grezzo non è una capacità garantita.
Richiede Git, Node.js 22+ e Docker con Compose v2.
git clone https://github.com/LumosLab-Innovation/OpenHunterAI.git
cd OpenHunterAI
node ops/local.mjs start
Apri localhost:3001. Il primo avvio compila le immagini,
applica le migrazioni del database e crea un file privato .env.local con i segreti generati.
.env.local; esegui node ops/local.mjs restart.| Comando | Scopo |
|---|---|
node ops/local.mjs status | Ispeziona i servizi |
node ops/local.mjs logs public-api | Diagnostica gli errori dell'API |
node ops/local.mjs stop | Arresta; mantiene i volumi del database |
Incluso: ispezione tramite browser, ZAP, recon e l'adattatore Nuclei.
Da fornire separatamente: runtime OpenHack e Strix.
Cattura interattiva opzionale del target-login: node ops/local.mjs start --with-browser.
Prima di scansionare, risolvi il blocco della policy dei template Nuclei. L'adattatore è pacchettizzato, ma un bundle di template revisionato non è ancora fornito.
Locale significa che il workspace viene eseguito sulla tua macchina, non che hai il permesso di scansionare localhost/reti private. Mantieni le sue porte su loopback. Configurazione, configurazione dei modelli e risoluzione dei problemi →
Esegui nel repository dell'applicazione che vuoi far valutare al tuo agente:
npx --yes skills add LumosLab-Innovation/OpenHunterAI --skill openhunter --agent codex claude-code gemini-cli grok --yes
Ricarica il tuo coding agent, poi chiedi:
Usa OpenHunter per controllare il mio workspace e preparare una valutazione di sicurezza con ambito definito. Attendi la mia approvazione prima di avviare una scansione.
OMP scopre l'installazione condivisa di .agents/skills tramite il suo provider
Agents. La skill include un helper API in sola lettura; l'installazione non avvia
una scansione. Compatibilità client →
flowchart LR
UI["Local workspace<br/>React + Vite"] --> API["Public API<br/>Scope + scan plan"]
API --> BUS["NATS<br/>Orchestrator + workers"]
BUS --> EVIDENCE["Internal API<br/>Findings + reporting"]
EVIDENCE --> DB[("Postgres")]
API <--> DB
API -->|"Activity + reports"| UI
L'API pubblica costruisce il piano; i worker Go lo eseguono tramite adapter con limiti definiti. I segnali passano attraverso la policy dei finding prima di entrare nei report. Il reporting è un servizio backend, non un worker di scansione separato.
Scopri gli strumenti più utilizzati dalla nostra community.
Nessun dato di popolarità ancora.