🚀 Pentest Ai

@kush-coder による公式オープンソースリリース＆メンテナンス済みコードベース

![License](https://img.shields.io/badge/License-MIT License-indigo?style=for-the-badge)

💡 このプロジェクトについて

あらゆる検出結果を実証するオープンソースのAIペネトレーションテスター。マシンオラクルが各エクスプロイトを再実行し、検証済みのバグにはご自身で再現できるプルーフカプセルが付属します。

このリポジトリは @kush-coder によって公式オープンソースリリースとして積極的にメンテナンス・配布されています。

✨ 主なハイライト

🛡️ 検証済みヘルスチェック: 自動サンドボックスビルド、依存関係の解決、ヘルステスト実行に合格しています。
🚀 本番環境対応: 高い効率性に最適化された軽量フットプリント。
📦 寛容なオープンソースライセンス: 開発者による統合、カスタム改変、コミュニティによる機能強化に利用可能です。

🚀 クイックスタート＆インストール

# Clone your official repository
git clone https://github.com/kush-coder/autopilot-pentest-ai.git
cd autopilot-pentest-ai

📖 包括的なドキュメント

Pentest-AI: オープンソースのAIペネトレーションテスト。再現可能な検出結果。

ウェブサイト · クイックスタート · バグバウンティ · 検証 · ドキュメント · Issues

Pentest-AIは、実証済みの検出結果と推測を区別するオープンソースのAIペネトレーションテストおよびバグバウンティツールです。 AIクライアントやモデルを実際のペネトレーションテストのワークフローに接続し、Webアプリケーションの調査、脆弱性の発見と再現、そしてエクスプロイトが実際に機能するかを検証するマシンオラクルの活用を可能にします。オラクルが証明できない検出結果は候補としてラベル付けされたままで、検証済みのものにはそれを証明したリクエストとレスポンスが付随します。

MCP（Claude Code、Codex、Cursor、VS Code）経由、CLIから、またはCI/CD内で使用できます。モデルが調査を主導し、独立したオラクルが検出結果に検証済みの判定を与えるべきかどうかを決定するため、モデルの推測が結果を装って届くことはありません。

認可されたバグバウンティ向けに構築: プログラムごとに1つのプロファイルがスコープ、規定のレート、研究者ハンドルを保持し、ドライランは何かが送信される前に計画を表示し、レポートのドラフトは検証済みの検出結果のみから生成されます。バグバウンティのワークフローへ移動 →

所有しているシステム、または評価の明示的な許可を得ているシステムのみをテストしてください。エンゲージメントを実行する前に、利用規定と利用規約をお読みください。

クイックスタート

推奨: Codex または Claude Code

Python 3.10 から 3.14 を使用し、最初に pipx をインストールしてください。必要に応じて pipx ensurepath を実行し、ターミナルを再度開いてください。pipx は Pentest-AI の依存関係を分離し、そのコマンドをフォルダをまたいで利用可能にします。

pipx install ptai
ptai setup --mcp

まずAIクライアントのCLIをインストールしてください。セットアップでは、接続前に検出されたすべてのサポート対象クライアント（インストールされている場合はCodexとClaude Codeの両方を含む）を確認します。既存の登録は保持されます。その後、クライアントを再起動してください。

ウィザードはユーザー全体の設定を使用します。クライアントのインストール、サインイン、モデルのダウンロード、Ollamaの設定は行いません。モデルはAIクライアントが提供するため、MCPサーバー側で別途モデルAPIキーは必要ありません。変更内容をプレビューするにはptai setup --mcp --dry-runを使用してください。Codexの.codex/config.tomlおよびClaude Codeの.mcp.jsonの手順については、シングルクライアントおよびリポジトリ単位のセットアップを参照してください。

アップグレードにはpipx upgrade ptaiを使用してください。既存のアクティブ化された仮想環境では、python -m pip install --upgrade ptaiもサポートされています。AIクライアントに登録した後も、その環境を利用可能な状態に保ってください。

代替手段: Ollamaとローカルモデル

Pentest-AIは上記と同様にインストールしますが、このルートではMCPのセットアップをスキップします。Ollamaをインストールして起動し、ツール呼び出しをサポートするモデルをプルしてください。インストールされた正確な名前を確認するにはollama listを使用します。

export PENTEST_AI_LLM_PROVIDER=ollama
export PENTEST_AI_MODEL="your-installed-model"
ptai start https://your-authorized-target.example --no-sync

PowerShell の場合:

$env:PENTEST_AI_LLM_PROVIDER = "ollama"
$env:PENTEST_AI_MODEL = "your-installed-model"
ptai start https://your-authorized-target.example --no-sync

実行前にプレースホルダーを置き換えてください。ローカルモデルにはクラウドAPIキーは不要です。モデルの品質と利用可能なメモリが結果に影響します。エンドポイントの設定についてはモデルガイドを参照してください。

バンドルされたデモを試す

APIキーや外部ターゲットは不要です。

pipx install ptai
ptai demo

このデモは、同梱の脆弱なアプリケーションをテストし、そのプルーフカプセルから検出結果を再生し、強化されたルートを検証します。実際のエンゲージメントを設定する前に、エビデンスのワークフローを確認してください。

その他のモデルプロバイダー

スタンドアロンのクラウドモデルとオプションのスキャナー依存関係については、インストールガイドとプロバイダーガイドを参照してください。APIキーはソース管理の外に保管してください。

バグバウンティの自動化

バグバウンティモードは、自動テストを許可しているプログラム向けです。プログラムごとに1つのプロファイルを作成し、そのスコープ、申告されたレート、およびあなたのリサーチャーハンドルを記述します。--programを指定すると、それがすべてのリクエストに適用され、--dry-runを指定すると何も送信せずに計画を出力します。

# ~/.pentest-ai/programs/acme.toml
platform = "hackerone"
handle = "acme"
researcher = "your-h1-username"   # sent on every request in X-Bug-Bounty
rps = 5.0                         # the rate the program states
scope = ["*.acme.com", "api.acme.com"]
excluded = ["status.acme.com"]
scanners_allowed = true
allow_race = false

ptai start https://api.acme.com --program acme --dry-run    # sends nothing
ptai start https://api.acme.com --program acme --auto-auth
ptai bounty-report <engagement-id> --program acme --output-dir drafts/

--program の指定時:

すべてのリクエストは、外部ツールを含め、プログラムのレートに従います。レートの割り当てを守れないツールはスキップされ、スキャンはその旨を報告します。
スコープはプロファイルからのみ取得されます。スコープ外のリクエストは拒否され、除外設定はワイルドカードより優先されます。
各リクエストには、X-Bug-Bounty ヘッダー、またはプログラムが指定するヘッダー(PTAI_BOUNTY_HEADER_NAME)に、あなたの研究者ハンドルが付与されます。
gobuster や ffuf などのワードリストツールは使用されません。ただし、2つの組み込みディスカバリプローブが、推定パスのリスト(約500リクエスト)を試行します。
ターゲットを枯渇させたりクラッシュさせたりするために構築されたペイロードは送信されません。他のユーザーのアカウントや共有状態を変更するプローブは実行されません。レースコンディションのバーストは、プロファイルで allow_race = true が設定されている場合にのみ実行されます。
429 と Retry-After は尊重されます。速度が低下したターゲットにはより低いレートが適用され、劣化した状態が続く場合は理由を記録してスキャンを停止します。
スキャナーを禁止しているプログラムでは、スキャンによってセーフハーバーが無効になる可能性があるため、yes の入力が必要です。

ptai bounty-report は、オラクルで検証済みの検出結果のみからレポートを起草し、再現手順はオラクル自身のリクエストから取得します。各項目を手動で再現し、ご自身で提出してください。ptai bounty import は、プログラムがエクスポートしたスコープファイルを、プロファイルの許可エントリと除外エントリに変換します。

実時間はリクエスト数をレートで割った値です。当社のテストアプリケーションでは、3 rps でのフルパスは約8,700リクエストで51分かかり、10 rps のパスで見つかるすべての critical と high を検出します。10 rps では約6,600リクエストで11分でした(低速プローブが低レートで完了する余裕ができる前に測定)。

到着時点で計測したところ、3 rps でも 10 rps でも、外部ツールが送信したリクエストを含め、宣言されたレートを超えた秒はありませんでした。

バグバウンティ完全ガイド →

検証の仕組み

オラクルがエクスプロイトを再実行し、コントロールを確認した後にのみ、候補は検証済みになります。

候補を見つける。 プローブまたはスキャナーが、調査する価値のある挙動を特定します。
再現し、コントロールを確認する。 名前付きオラクルがエクスプロイトを再実行し、その弱点を示さないはずのコントロールと比較します。
証拠を保持する。 検証済みの検出結果には、オラクル、送信したリクエスト、判定したレスポンスが記録されます。ptai retest はターゲットを再スキャンし、ptai diff は変更点を表示します。ptai demo はポータブルなプルーフカプセルを表示し、ptai replay がそれを再確認します。

例えば、信頼済みヘッダーバイパスは、攻撃ヘッダー付きで特権コンテンツを返し、ヘッダーなしではアクセスを拒否しなければなりません。すべてのリクエストに HTTP 200 で応答するサーバーは、十分な証拠にはなりません。

モデルは検証済みの判定を下すことはできません。 サードパーティ製スキャナーの出力は、オラクルが独立して証明するまで未検証のままです。サポートされた検証レシピがない検出結果は候補のままです。

検証済みの判定は、テストされた条件に適用されます。アプリケーション全体が安全であることを意味するものではありません。プルーフカプセルは署名されていません。信頼の仕組みは、チェックを再実行することです。

検証設計を読む

できること

ワークフロー	Pentest-AI が提供するもの
Web アプリケーションの調査	インジェクション、アクセス制御、リクエスト処理、その他のアプリケーション弱点に対するプローブ
バグバウンティ案件の実施	スキャンをプログラムのスコープとレートに従わせ、検証済みの検出結果からレポートを起草(ガイド)
AI クライアント経由での作業	案件、調査、検証のための MCP ツール
検出結果の再現	オラクルの結果と再生可能なプルーフカプセル
修正の確認	記録されたチェックを更新後のターゲットに対して再実行
チームへの報告	既存のエンジニアリングワークフロー向けのレポートと SARIF 出力
案件データをローカルに保持	検出結果は SQLite でお使いのマシンに保存

人気

autopilot-pentest-ai