Agente Autonomo di Penetration Testing basato su IA

AIRecon è un agente autonomo di penetration testing che combina un LLM Ollama self-hosted con una sandbox Docker Kali Linux, l'integrazione nativa del proxy Caido, una pipeline strutturata RECON → ANALYSIS → EXPLOIT → REPORT e una TUI Textual in tempo reale — completamente offline, senza bisogno di chiavi API.

---

Perché AIRecon?

I modelli commerciali basati su API (OpenAI GPT-4, Claude, Gemini) diventano proibitivamente costosi per flussi di lavoro di ricognizione autonomi e ricorsivi che possono richiedere migliaia di chiamate LLM per sessione.

AIRecon è costruito al 100% per un funzionamento locale e privato.

Funzionalità	AIRecon	Agenti basati su cloud
API key richieste	No	Sì
Dati del target inviati al cloud	No	Sì
Funziona offline	Sì	No
Integrazione Caido	Nativa	Nessuna
Ripresa della sessione	Sì	Variabile
Knowledge base locale	~1,09M di record	Nessuna

• Privacy First — Le informazioni sul target, l'output degli strumenti e i report non lasciano mai la tua macchina.
• Caido nativo — 5 strumenti integrati: list, replay, automate (§FUZZ§), findings, scope.
• Full Stack — Sandbox Kali + automazione browser + fuzzer personalizzato + fuzzing API Schemathesis + Semgrep SAST.
• Knowledge Base delle Skill — 57 file di skill integrati, 289 mappature automatiche parola chiave → skill. Estesa da airecon-skills — una libreria di skill della community con 57 playbook aggiuntivi basati su CLI per CTF, bug bounty e pentesting.
• Knowledge Base di Sicurezza Locale — Il componente opzionale airecon-dataset indicizza ~1,09M di record di sicurezza (CVE, tecniche red team, writeup CTF, template nuclei, payload bug bounty) in SQLite FTS5 locale. L'LLM chiama dataset_search in autonomia prima di tentare tecniche sconosciute — basando le sue decisioni su dati reali indicizzati.

---

Pipeline

RECON → ANALYSIS → EXPLOIT → REPORT

Ogni fase ha obiettivi specifici, strumenti consigliati e criteri di transizione automatica. L'applicazione delle fasi è soft — l'agente viene guidato ma mai bloccato. I checkpoint vengono eseguiti ogni 5 (valutazione fase), 10 (auto-valutazione) e 15 (compressione del contesto) iterazioni.

---

Memoria e Apprendimento (Cosa Fa Davvero)

AIRecon non esegue il fine-tuning dell'LLM. Il suo "apprendimento" è una telemetria strutturata e locale che guida la scelta degli strumenti ed evita di ripetere percorsi falliti.

Persistenza locale (tutto su disco, niente cloud):

• Database di memoria SQLite in ~/.airecon/memory/airecon.db che memorizza sessioni, risultati, pattern, intelligence sul target, utilizzo degli strumenti, prestazioni del modello, utilizzo delle skill e scoperte di catene d'attacco.
• Stato di apprendimento adattivo in ~/.airecon/learning/global_learning.json (statistiche sulle prestazioni degli strumenti, pattern strategici, registro delle osservazioni, intuizioni distillate).
• File di memoria per target in ~/.airecon/memory/by_target/ quando la persistenza è attiva, contenenti endpoint, vulnerabilità, bypass WAF, parametri sensibili ed endpoint di autenticazione.
• Snapshot della memoria dei payload possono essere salvati in workspace/<target>/payload_memory.json quando viene eseguita la persistenza della sessione.

Come influisce sul comportamento:

• All'avvio della sessione, il contesto di memoria viene iniettato (intelligence sul target, risultati simili, pattern appresi, affidabilità degli strumenti).
• Ogni 8 iterazioni, i pattern appresi e i risultati simili possono essere re-iniettati in base alla tecnologia rilevata.
• La classifica adattiva degli strumenti usa i successi/fallimenti storici per ordinare gli strumenti e suggerire strategie.
• La memoria dei payload (se abilitata) salta i payload che hanno fallito ripetutamente per lo stesso target/parametro.

---

Requisiti del Modello

AIRecon richiede un modello con ragionamento esteso (blocchi <think>) e capacità di tool-calling affidabile. Le capacità vengono rilevate automaticamente tramite i metadati di ollama show.

⚠️ Il supporto al tool calling è OBBLIGATORIO. Il modello deve supportare il function/tool calling nativo. I modelli senza questa capacità non saranno in grado di eseguire alcuno strumento (http_observe, execute, azioni del browser, ecc.), rendendo AIRecon completamente non funzionante.

Minimo consigliato: 8B-9B parametri. I modelli sotto gli 8B sono tecnicamente utilizzabili ma fortemente sconsigliati — spesso allucinano l'output degli strumenti, inventano CVE, ignorano le regole di scope e producono tool call inaffidabili.

Modello	Pull	VRAM	Note
Qwen3.5 122B	ollama pull qwen3.5:122b	48+ GB	Qualità migliore, più affidabile
Qwen3.5 35B	ollama pull qwen3.5:35b	20 GB	Consigliato per la maggior parte degli utenti
Qwen3.5 35b	ollama pull qwen3.5:35b-a3b	16 GB	MoE — VRAM inferiore
Qwen3.5 9B	ollama pull qwen3.5:9b	6 GB	Minimo utilizzabile — aspettati errori frequenti

Guida alla dimensione del modello:

• ≥32B: Affidabile per pipeline di ricognizione complete, buona precisione nel tool calling
• 8B-14B: Utilizzabile per attività semplici, aspettati errori di tool call e allucinazioni nel 20-40% dei casi
• <8B: Tecnicamente funziona ma produce risultati inaffidabili — non consigliato per test seri

Problemi noti: DeepSeek R1 produce chiamate di funzione incomplete. I modelli < 8B non dispongono di un supporto affidabile al tool calling.

---

Eseguire Ollama su Google Colab (Hardware Limitato)

Se non hai una GPU o la tua VRAM locale è al di sotto del minimo, puoi eseguire Ollama su una GPU T4 gratuita di Google Colab e collegare AIRecon ad essa tramite un tunnel pubblico.

Apri il notebook:

Come funziona:

Google Colab GPU                     Your Local Machine
┌─────────────────────────┐          ┌──────────────────────────┐
│  Ollama (qwen3.5:9b)    │◄────────►│  AIRecon TUI             │
│  cloudflared tunnel     │  HTTPS   │  ollama_url: tunnel URL  │
└─────────────────────────┘          └──────────────────────────┘

Passaggi: