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

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.
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.
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 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.