Zetsu

オフェンシブセキュリティナレッジのための個人用オフラインRAGシステム。あなたのwriteup、ラボの解答、バグバウンティレポート、セキュリティブログを取り込み、エンゲージメント中に自然言語でクエリできます。クラウド不要、SaaS不要、あなたの知識はあなたのものです。

機能概要

ZETSUは、蓄積した知識をクエリ可能なアシスタントに変えます。マークダウンファイルをgrepしたり、certipyコマンドがどのwriteupにあったかを覚えたりする代わりに、自然に質問できます。

how do i escalate with SeImpersonatePrivilege
what did i do after getting ADFS access
sliver socks5 pivot setup
explain ESC8 vs ESC4

まず実際のノートから情報を取得し、その後、一般的なインターネット知識ではなく、あなたが文書化した内容に基づいた回答を生成します。

アーキテクチャ

インジェストパイプライン

クエリパイプライン

機能

• FARR抽出: インジェスト時に、LLMがwriteupの各セクションを読み取り、構造化された攻撃ステップ（Finding、Action、Reasoning、Result）を抽出します。取得されるのはランダムな800トークンのウィンドウではなく、セマンティックな単位です。
• ハイブリッド検索: BM25による厳密なトークンマッチング（ツール名、CVE番号、CLIフラグ）＋ベクトル検索によるセマンティック類似度。RRFフュージョンで両方を結合。
• クロスエンコーダー再ランカー: LLMに送信する前に、取得したチャンクを実際の関連性で並べ替えます。
• 2つの応答スタイル: オペレーターモードは正確なコマンドを先に表示し、コンセプトモードは推論を先に表示します。同じ検索結果でも、表示方法が異なります。TUIでCtrl+Mで切り替え。
• 複数のLLMバックエンド: Anthropic、OpenAI互換（DeepSeekなど）、またはローカルのOllama。インジェスト用とクエリ用で別々のバックエンドを設定可能。
• 複数のソースタイプ: ローカルマークダウンファイル、単一URL、GitHub Wiki、Atom/RSSフィード。
• 永続的なチャット履歴: ~/.zetsu/history/YYYY-MM-DD.jsonに保存され、/historyで閲覧可能。
• TUI + Web UI + CLI: コンテキストに合わせて使用。エンゲージメント中はTUI、学習中はWeb UI、スクリプト用はCLI。

インストール

git clone https://github.com/chaelsoo/zetsu
cd zetsu
pip install -r requirements.txt

APIキーを設定:

cp .env.example .env
# .envを編集してキーを追加

クイックスタート

1. writeupを追加

.mdファイルをdocs/に配置。Notionのエクスポート、Obsidianノート、ブログのエクスポートなど、どんなマークダウンでも動作します。

2. config.tomlでソースを設定

[llm]
backend      = "openai"
openai_model = "deepseek-chat"
base_url     = "https://api.deepseek.com/v1"

[[sources]]
type    = "markdown_dir"
path    = "./docs"
name    = "my_writeups"
extract = "farr"
enabled = true

3. インジェスト

python zetsu.py ingest

4. 使用する

python zetsu.py tui       # ターミナルUI
python zetsu.py web       # ブラウザでlocalhost:8000
python zetsu.py ask "how do i abuse SeImpersonatePrivilege"

CLIリファレンス

python zetsu.py ingest                 # 有効なソースをインジェスト
python zetsu.py ingest --force         # すべてを消去して再構築
python zetsu.py ingest --dry-run       # LLM呼び出しなしで見積もり
python zetsu.py ingest --all-sources   # 有効フラグに関わらず全ソースを有効化
python zetsu.py tui                    # ターミナルUI
python zetsu.py web                    # Web UI
python zetsu.py ask "query"            # ワンショットCLI
python zetsu.py ask "query" --style concept
python zetsu.py stats                  # ベクトルストアの統計

TUIキーバインド

ソースタイプ

抽出モード

• farr: LLMが攻撃ステップを構造化JSON（Finding、Action、Reasoning、Result）として抽出。明確な攻撃チェーンを持つwriteupに最適。
• farr+narrative: farrに加えて、著者の推論を捉えた散文要約を追加。思考プロセスが重要なブログに最適。
• headers: LLMなし。ヘッダーで分割し、そのまま保持。コマンドリファレンスやツールドキュメントに最適。

LLMバックエンド

config.tomlで設定。インジェスト（一括抽出）とクエリ（生成）で別々のバックエンド:

[llm]                          # クエリ時
backend      = "openai"
openai_model = "deepseek-chat"
base_url     = "https://api.deepseek.com/v1"

[ingest]                       # インジェスト時
backend      = "openai"
openai_model = "deepseek-chat"
base_url     = "https://api.deepseek.com/v1"
workers      = 8               # FARR抽出時の並列ファイル数

サポートされているバックエンド: anthropic、openai（OpenAI互換API全般）、ollama。

[!IMPORTANT] デフォルトではChromaDBがローカルで実行され、ベクトルインデックス全体がRAMに読み込まれます。大規模なコーパス（10kチャンク以上）やメモリ制約のあるマシンでは、ChromaDBをリモートサーバーとして実行することを強く推奨します。セットアップについてはChromaDBサーバードキュメントを参照してください。ZETSUでのリモートサポートは計画中です。

ベンチマーク

910の質問で評価（ADCS、Kerberos、AD列挙、MSSQL、Sliver C2、権限昇格、Web攻撃、資格情報、横移動、クラウド/Entra ID、OPSEC、ツールの12カテゴリをカバー）。

回答に貢献した主要ソース: 個人のHTB writeup、dirkjanm blog、shenaniganslabs research、HackTricks ADCS、Sliver Wiki、netexecチートシート。

簡単に言えば、RAGに取り込ませたい優れた構造化リソースを追加するようにしてください。このプロジェクトは100%知識ベースの使用に焦点を当てており、LLMのメモリや学習した知識に依存しません。

完全な評価データセットと結果はeval/にあります。

参考文献

• rank-bm25、BM25検索
• CIPHERからのFARRコンセプト
• rag-chatbotに触発されたRAGパイプライン

近いうちに、使用方法とその効果についてブログで文書化する予定です。お楽しみに。