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
autonomous-offensive-llm-handbook — Un harness deterministico e un manuale per agenti LLM offensivi autonomi, che impone controlli di autorizzazione, ambito e prove per garantire test di penetrazione riproducibili e onesti. | Kitploit
Strumenti/GitHubGitHub/mouteee/autonomous-offensive-llm-handbook
Analisi delle VulnerabilitàPenetration TestingPaper e RicercaApprendimento e FormazioneRed TeamingRisorse CurateSicurezza dell'IA
GitHubmouteee/autonomous-offensive-llm-handbook

autonomous-offensive-llm-handbook

Un harness deterministico e un manuale per agenti LLM offensivi autonomi, che impone controlli di autorizzazione, ambito e prove per garantire test di penetrazione riproducibili e onesti.

Vedi RepositorySito web
7810471 mese faRevisionato da Kitploit

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →
Condividi

📖 Leggi il manuale online: segui le lezioni dalla tua prima esecuzione di un fixture fino a un agente con limiti chiari.

Un agente macchina autonomo all'interno di un confine di controllo luminoso, con osservazioni che entrano attraverso cancelli e registrazioni di prove che escono dal sistema. Illustrazione di copertina concettuale.

Il modello propone, il codice dispone

SICUREZZA AUTONOMA / IL MANUALE SUL CAMPO DEL COSTRUTTORE

Leggi il sito web · Inizia il corso · Esegui il laboratorio · Collega il tuo modello · La sequenza di build

Un manuale pratico per costruire agenti di sicurezza autonomi con limiti espliciti su ciò che un modello può decidere. Impara come trasformare le osservazioni in un piano, ammettere solo le azioni consentite, vincolare i risultati alle prove e rendere conto del lavoro che non è stato possibile completare.

Il modello rimane probabilistico. L'applicazione host possiede l'autorizzazione, le azioni consentite, i registri delle prove e l'accettazione. Riprodurre input e policy congelati può riprodurre tali decisioni di controllo; non rende ripetibile un target live o una risposta del modello.

Inizia qui

Dovresti essere a tuo agio nel leggere Python, JSON e HTTP di base. Segui il percorso principale dalla prima esecuzione fino all'applicazione assemblata. La lezione sul dispatch ti indirizza verso un breve contratto di selezione baseline; i controller adattivi sono opzionali dopo la build principale. Lungo il percorso, modifichi i file di partenza ed esegui controlli che falliscono finché il tuo codice non funziona. Il corso funziona offline senza una chiave API o una connessione a un target.

Il sito di lettura presenta le lezioni in ordine, con navigazione, diagrammi e ricerca. Usa la guida del sito per costruirlo o visualizzarlo in anteprima localmente.

Da una copia locale di questo repository:

python3 -m venv .venv
source .venv/bin/activate
python3 -m pip install -r requirements.txt
python3 -m harness.demo --out /tmp/harness-report.json
diff -u harness/report.json /tmp/harness-report.json
python3 -m pytest tests/test_harness.py

Questa release è verificata su CPython 3.14. Le versioni precedenti di Python non fanno parte delle evidenze di rilascio; se ne usi una, esegui la sequenza completa di gate riportata di seguito prima di fare affidamento sul risultato.

Quando il report corrisponde all'esempio committato, diff non stampa nulla. Apri il report e segui il finding dell'header dalla severità proposta alla severità governata. Poi ispeziona il raise rifiutato e il raise consentito del marker sintetico. Entrambi i finding richiedono comunque una revisione umana.

Leggi il manifest di input, l'implementazione e i test avversariali accanto al report di esempio. Hai completato questa introduzione quando sai spiegare perché un'azione è stata consentita, perché un raise è stato rifiutato e cosa misurano effettivamente i conteggi di copertura del report.

Il laboratorio harness predefinito non effettua alcuna richiesta di rete e non chiama alcun modello. Il suo predicato di prova è sintetico, il suo host e i suoi adapter sono considerati attendibili, e ogni finding è contrassegnato come richiedente revisione umana. Il laboratorio non implementa il flusso di accettazione o di firma del report da parte di una persona. Una citazione verbatim stabilisce l'integrità della citazione, non la sfruttabilità. Meno chiamate al modello e meno rilavorazioni sono obiettivi di progettazione, non risparmi misurati dal corpus.

Collega il tuo modello

Il tuo modello fornisce proposte. L'applicazione mantiene policy e stato, verifica ogni proposta, esegue le azioni consentite sui fixture e registra il risultato. Questo repository ti fornisce l'applicazione e gli esercizi; la connessione al modello la fornisci tu.

your model -> JSON proposal -> application checks -> fixture tool -> evidence + report
                                  |
                             reject or stop

Esegui l'applicazione assemblata con il suo trasporto del modello fittizio per prima cosa:

python3 -m examples.app_agent --out /tmp/agent-report.json --store /tmp/agent-memory.db
python3 -m pytest tests/test_app_agent_example.py -q

Esamina gli stati delle proposte e le evidenze in /tmp/agent-report.json. Poi segui Connect your own model per usare un modello locale o scrivere un wrapper di trasporto. Il più vecchio model bridge resta un esercizio di connessione più piccolo con un formato di proposta diverso. Entrambi gli esempi mantengono le azioni degli strumenti su fixture, anche quando è un modello reale a fornire la risposta.

La guida indica cosa sostituire, il JSON da restituire, i controlli da mantenere, il report atteso e il lavoro rimanente prima di aggiungere strumenti live.

Il confine di controllo

Architettura di riferimento: la policy dell'operatore e le proposte del modello entrano nei controlli applicativi prima che gli adapter fidati catturino le evidenze e producano un report. Il model bridge opzionale usa strumenti su fixture; la generazione dei finding è un'interfaccia separata.

Il diagramma combina i controlli del lab con la connessione delle proposte. Il model bridge esercita l'ammissione delle azioni e la cattura delle evidenze; il lab predefinito dimostra separatamente la governance dei finding. Nessuno dei due è un agente di sicurezza live completo.

Costruisci il tuo agente in questo ordine

Il percorso principale va dalla prima esecuzione attraverso policy, proposte, dispatch, memoria, verifica e recupero fino all'applicazione assemblata. Un percorso opzionale del controller si riconnette tramite la chiave del controller.

Scarica lo strumento