AI 搭載の自律型ペネトレーションテストエージェント

AIRecon は、セルフホストの Ollama LLM と Kali Linux Docker サンドボックス、ネイティブの Caido プロキシ統合、構造化された RECON → ANALYSIS → EXPLOIT → REPORT パイプライン、リアルタイムの Textual TUI を組み合わせた自律型ペネトレーションテストエージェントです。完全にオフラインで動作し、API キーは不要です。

Airecon

AIRecon が選ばれる理由

商用の API ベースモデル（OpenAI GPT-4、Claude、Gemini）は、セッションごとに数千回の LLM 呼び出しを必要とする再帰的な自律型 recon（偵察）ワークフローでは、法外なコストがかかります。

AIRecon は 100% ローカル・プライベート運用のために設計されています。

プライバシー最優先 — 対象のインテリジェンス、ツール出力、レポートがマシンの外部に漏れることはありません。
Caido ネイティブ — 5 つの組み込みツール: list（一覧）、replay（再送信）、automate（自動化、§FUZZ§）、findings（検出結果）、scope（スコープ）。
フルスタック — Kali サンドボックス + ブラウザ自動化 + カスタムファザー + Schemathesis API ファジング + Semgrep SAST。
スキル知識ベース — 57 個の組み込みスキルファイル、289 のキーワード→スキル自動マッピング。airecon-skills で拡張可能 — CTF、バグバウンティ、ペンテスト向けの 57 個の追加 CLI ベースのプレイブックを備えたコミュニティスキルライブラリです。
ローカルセキュリティ知識ベース — オプションの airecon-dataset は、約 109 万件のセキュリティレコード（CVE、レッドチーム手法、CTF writeup、nuclei テンプレート、バグバウンティペイロード）をローカルの SQLite FTS5 にインデックス化します。LLM は、馴染みのない手法を試みる前に dataset_search を自律的に呼び出し、実際にインデックス化されたデータに基づいて判断を下します。

パイプライン

RECON → ANALYSIS → EXPLOIT → REPORT

各フェーズには、具体的な目標、推奨ツール、自動遷移基準があります。フェーズの強制はソフトです — エージェントは誘導されますが、ブロックされることはありません。チェックポイントは 5 イテレーションごと（フェーズ評価）、10 イテレーションごと（自己評価）、15 イテレーションごと（コンテキスト圧縮）に実行されます。

メモリと学習（実際の動作）

AIRecon は LLM をファインチューニングしません。その「学習」は、ツール選択を導き、失敗した経路の繰り返しを避けるための、ローカルで構造化されたテレメトリです。

ローカル永続化（すべてディスク上、クラウドなし）:

~/.airecon/memory/airecon.db の SQLite メモリ DB。セッション、検出結果、パターン、対象インテル、ツール使用状況、モデルパフォーマンス、スキル使用状況、攻撃チェーン発見を保存します。
~/.airecon/learning/global_learning.json の適応型学習状態（ツールパフォーマンス統計、戦略パターン、観察ログ、蒸留された洞察）。
永続化時に ~/.airecon/memory/by_target/ 以下に対象ごとのメモリファイル（エンドポイント、脆弱性、WAF バイパス、機密パラメータ、認証エンドポイントを含む）。
セッションの永続化実行時に、ペイロードメモリスナップショットを workspace/<target>/payload_memory.json に保存できます。

動作への影響:

セッション開始時にメモリコンテキストが注入されます（対象インテル、類似の検出結果、学習済みパターン、ツールの信頼性）。
8 イテレーションごとに、検出された技術に基づいて学習済みパターンと類似の検出結果を再注入できます。
適応型ツールランキングは、過去の成功/失敗を使用してツールを並べ替え、戦略を提案します。
ペイロードメモリ（有効時）は、同じ対象/パラメータで繰り返し失敗したペイロードをスキップします。

モデル要件

AIRecon には、拡張思考（<think> ブロック）と信頼性の高いツール呼び出し機能を備えたモデルが必要です。機能は ollama show メタデータによって自動検出されます。

⚠️ ツール呼び出しのサポートは必須です。 モデルはネイティブの関数/ツール呼び出しをサポートしている必要があります。この機能がないモデルは、ツール（http_observe、execute、ブラウザ操作など）を一切実行できず、AIRecon は完全に機能しません。

推奨最小: 8B〜9B パラメータ。 8B 未満のモデルは技術的には使用可能ですが、強く推奨されません — ツール出力の幻覚、CVE の捏造、スコープルールの無視、信頼性の低いツール呼び出しを頻繁に発生させます。

モデルサイズの目安:

≥32B: 完全な recon パイプラインに信頼性あり、ツール呼び出しの精度も良好
8B〜14B: 単純なタスクに使用可能。ツール呼び出しエラーと幻覚が 20〜40% 発生することを想定
<8B: 技術的には動作するが、信頼性の低い結果を生成 — 本格的なテストには推奨されない

既知の問題: DeepSeek R1 は不完全な関数呼び出しを生成します。8B 未満のモデルは信頼性の高いツール呼び出しをサポートしていません。

Google Colab での Ollama の実行（限定的なハードウェア）

GPU がない場合や、ローカルの VRAM が最小要件を下回る場合は、無料の Google Colab T4 GPU で Ollama を実行し、パブリックトンネル経由で AIRecon を接続できます。

ノートブックを開く:

仕組み:

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

手順:

上記の Colab リンクを開き、ランタイム → ランタイムのタイプを変更 → T4 GPU を選択します
すべてのセルを上から下に実行します（初回は約 5〜10 分かかります）
セル 6 で表示された設定スニペットを ~/.airecon/config.yaml にコピーします:

ollama_url: "https://xxxx.trycloudflare.com"   # printed by Cell 6
ollama_model: "qwen3.5:9b"
ollama_timeout: 300.0
ollama_chunk_timeout: 300.0
ollama_num_ctx: 32768
ollama_num_ctx_small: 16384

AIRecon を通常どおり起動します: airecon start

Colab GPU → 利用可能なモデル:

制限事項:

Colab セッションは最長 12 時間（無料）/ 24 時間（Pro）です — 再接続するとトンネル URL が変わります
T4 + qwen3.5:9b は最小構成です — ローカルの 35B+ モデルよりも応答が遅く、ツール呼び出しエラーが多くなります
長時間の自律セッションには不向きです（ディープ recon がセッション制限を超える可能性があります）
Colab ノートブックは scripts/airecon_colab.ipynb にあります。セルフホストや変更も可能です

インストール

前提条件: Python 3.12+、Docker 20.10+、Ollama（実行中）、git、curl

ワンラインインストール（推奨）

curl -fsSL https://raw.githubusercontent.com/pikpikcu/airecon/refs/heads/main/scripts/install.sh | bash

このスクリプトはリモートモードとローカルモードを自動検出し、Poetry がなければ（公式インストーラー経由で — システムパッケージとの競合なし）インストールし、wheel をビルドして ~/.local/bin にインストールします。

手動インストール（ソースから）

git clone https://github.com/pikpikcu/airecon.git
cd airecon
./install.sh

# Add to ~/.bashrc or ~/.zshrc if needed
export PATH="$HOME/.local/bin:$PATH"

airecon --version

設定

設定ファイル: ~/.airecon/config.yaml（初回実行時に自動生成）。AIRecon は、カスタムの ~ パスを使用する場合も含め、存在しない場合は ~/.airecon/ を作成します。

# ======================================
# Ollama Connection
# ======================================
# Ollama API endpoint. REQUIRED — must be set. For local: http://127.0.0.1:11434. For remote: http://IP:11434
ollama_url: "http://127.0.0.1:11434"
# Model to use. 122B for best reasoning (requires 60GB+ VRAM). For 12GB VRAM: use qwen2.5:7b or smaller. For 8GB VRAM: use qwen2.5:1.8b.
ollama_model: "qwen3.5:122b"
# Total request timeout (seconds). 180s = 3 min. Stable for most models. Increase to 300s for slow remote servers or 122B models.
ollama_timeout: 180.0

# ======================================
# Ollama Model Settings
# ======================================
# Context window size. 65536 = 64K (stable for 12GB VRAM with 8B models). 131072 = 128K requires 30GB+ VRAM. Set -1 for server default.
ollama_num_ctx: 65536
# Context for CTF/summary mode. 32768 = 32K (stable for 12GB VRAM). Reduced from 64K for stability with 8B+ models.
ollama_num_ctx_small: 32768
# LLM output randomness. 0.0=deterministic, 0.15=recommended (strict), 0.3=creative. Does NOT affect thinking mode — controls output diversity only.
ollama_temperature: 0.15
# Max tokens to generate. 16384 = 16K (stable for 12GB VRAM). 32K requires more VRAM.
ollama_num_predict: 16384
# Enable extended thinking mode (for Qwen3.5+/Qwen2.5+). When enabled, model generates <think> reasoning blocks before answering.
ollama_enable_thinking: true
# Thinking intensity: low|medium|high|adaptive. For 12GB VRAM: use 'low' or 'medium'. 'high' may cause OOM with 8B models. Low=only deep tools, Medium=ANALYSIS+deep tools, High=most iterations (high VRAM only).
ollama_thinking_mode: low
# Protect first N tokens from KV eviction. 4096 = 4K (reduced for 12GB VRAM stability). 8K for larger VRAM.
ollama_num_keep: 4096

# ======================================
# Proxy Server
# ======================================
# Host to bind proxy server. 127.0.0.1 = localhost only.
proxy_host: 127.0.0.1
# Port for proxy server. Default 3000.
proxy_port: 3000

# ======================================
# Timeouts
# ======================================
# Docker command timeout (seconds). 900s = 15 min for long scans (nmap, nuclei).
command_timeout: 900.0

# ======================================
# Docker Sandbox
# ======================================
# Container memory limit. '16g' = 16GB (stable for 32GB+ RAM host, 18GB image + Chromium). Prevents OOM kills. Set to '12g' for 32GB RAM, '8g' for 16GB systems, '4g' for 8GB systems.
docker_memory_limit: 16g

# ======================================
# Deep Recon
# ======================================
# Auto-start deep recon on session start.
deep_recon_autostart: true
# Recon execution mode: standard|full. standard=respect user scope, full=auto-expand simple target prompts into comprehensive recon.
agent_recon_mode: standard

# ======================================
# Safety
# ======================================
# Allow destructive tests (e.g., DELETE requests). Default: False for safety.
allow_destructive_testing: false

リモート Ollama（LAN サーバーまたは Google Colab トンネル）:

ollama_url: "http://192.168.1.100:11434"   # LAN server
ollama_model: "qwen3.5:35b"

# or via Colab tunnel (see "Running Ollama on Google Colab" section above):
ollama_url: "https://xxxx.trycloudflare.com"
ollama_model: "qwen3.5:9b"
ollama_timeout: 300.0
ollama_chunk_timeout: 300.0

MCP 統合

AIRecon は外部の MCP サーバーに接続し、そのツールを mcp_<server> ツールとして動的に公開できます。

設定ファイル: ~/.airecon/mcp.json

設定例:

{
  "mcpServers": {
    "hexstrike": {
      "command": "python3",
      "args": [
        "/path/hexstrike-ai/hexstrike_mcp.py",
        "--server",
        "http://127.0.0.1:8888"
      ],
      "env": {
        "PYTHONUNBUFFERED": "1"
      },
      "enabled": true
    },
    "xssgen": {
      "command": "python3",
      "args": [
        "/path/xssgen/xss_client.py",
        "--server",
        "http://127.0.0.1:8000"
      ],
      "env": {
        "PYTHONUNBUFFERED": "1"
      },
      "enabled": true
    },
    "recon": {
      "transport": "sse",
      "url": "https://example.com/mcp",
      "enabled": true,
      "headers": {
        "Authorization": "Bearer xxxxx"
      }
    }
  }
}

チャットでの MCP ツールの使用:

ツール名の形式: mcp_<server>
アクション: list_tools、search_tools、call_tool

例:

{"name": "mcp_acme", "arguments": {"action": "list_tools"}}

知識ベース（airecon-dataset）

airecon-dataset は、HuggingFace からセキュリティデータセットをダウンロードし、ローカルの SQLite FTS5 データベースにインデックス化するオプションのコンパニオンです。インストール後、LLM は dataset_search ツールを介してそれらを自律的にクエリします。

仕組み: dataset_search は tools.json の標準エージェントツールです。LLM がいつ呼び出すかを決定します — AIRecon が自動的にトリガーすることはありません。システムプロンプトは、馴染みのない手法を試みる前に知識ベースをクエリするようエージェントに指示します。

git clone https://github.com/pikpikcu/airecon-dataset.git
cd airecon-dataset && python install.py

含まれるデータセット（合計約 109 万件、100% オフライン）:

エージェントクエリの例（LLM によって自律的に呼び出されます）:

dataset_search: {"query": "log4j RCE exploitation chain"}
dataset_search: {"query": "SSRF bypass cloud metadata", "category": "bug-bounty"}
dataset_search: {"query": "nuclei template XSS detection"}
dataset_search: {"query": "CVE 2021 44228", "category": "vulnerability"}

結果は各 500 文字に制限されます。CVE ID の特殊文字（ダッシュ、角括弧）は自動的にサニタイズされます。

使用方法

airecon start                          # start TUI
airecon start --session <session_id>  # resume session

プロンプト例:

# Full pipeline
full recon on example.com
pentest https://api.example.com

# Specific tasks
find subdomains of example.com
scan ports on 10.0.0.1
check for XSS on https://example.com/search
test SQL injection on https://example.com/api/login parameter: username
run schemathesis on https://example.com/openapi.json

# Authenticated testing
login to https://example.com/login with [email protected] / password123 then test for IDOR
test https://app.example.com with TOTP: JBSWY3DPEHPK3PXP

# Multi-agent
spawn an XSS specialist on https://example.com/search
run parallel recon on: example.com, sub.example.com, api.example.com

# Caido
replay request #1234 with a modified Authorization header
use Caido to fuzz the username parameter in request #45 with §FUZZ§ markers

ワークスペース

workspace/<target>/
      ├── command/         # system-managed logs
      ├── output/          # Raw tool outputs (nmap, httpx, nuclei, subfinder, ...)
      ├── tools/           # AI-generated exploit scripts (.py, .sh)
      └── vulnerabilities/ # Verified vulnerability reports (.md)

セッションは ~/.airecon/sessions/<session_id>.json に永続化されます — サブドメイン、ポート、テクノロジー、URL、脆弱性（Jaccard 重複排除）、認証トークン、完了済みフェーズ。

トラブルシューティング

Ollama OOM / HTML エラーページ — 長時間のセッションや VRAM 上限に近い大きなモデルで最も頻繁に発生します。

sudo systemctl restart ollama

{ "ollama_num_ctx": 32768, "ollama_num_ctx_small": 16384, "ollama_num_predict": 8192 }

エージェントのループ/停止 — 通常は推論の失敗が原因です。より大きなモデルを試すか、ollama_temperature を < 0.2 に減らしてください。

Docker サンドボックスが起動しない:

docker build -t airecon-sandbox airecon/containers/kali/

Caido の接続拒否 — Caido は AIRecon の前に起動している必要があります。デフォルト: 127.0.0.1:48080。

インストール後に PATH が見つからない:

export PATH="$HOME/.local/bin:$PATH" && source ~/.zshrc

Star 履歴

コントリビューション

Issue と PR は歓迎します。バグを報告する場合は、ログ、設定、再現手順を最小限含めてください。

責任ある使用

AIRecon は承認されたセキュリティテスト専用です。常に明示的な許可を取得し、適用される法律とプログラムのスコープに従ってください。

ライセンス

LICENSE を参照してください。

API キーが必要	いいえ	あり
対象データがクラウドに送信される	いいえ	あり
オフラインで動作	はい	いいえ
Caido 統合	ネイティブ	なし
セッション再開	はい	さまざま
ローカル知識ベース	約 109 万件	なし

Qwen3.5 122B	`ollama pull qwen3.5:122b`	48+ GB	最高品質、最も信頼性が高い
Qwen3.5 35B	`ollama pull qwen3.5:35b`	20 GB	ほとんどのユーザーに推奨
Qwen3.5 35b	`ollama pull qwen3.5:35b-a3b`	16 GB	MoE — 低 VRAM
Qwen3.5 9B	`ollama pull qwen3.5:9b`	6 GB	最小構成 — 頻繁なエラーが発生する可能性あり

T4	15 GB	`qwen3.5:9b`	無料
L4	22 GB	`qwen3.5:35b-a3b` (MoE)	Pro
A100	40 GB	`qwen3.5:35b`	Pro+
H100	80 GB	`qwen3.5:122b`	Pro+

`ollama_temperature`	`0.15`	0.1〜0.2 に維持してください。値が大きいと幻覚の原因になります。
`ollama_num_ctx`	`131072`	VRAM が限られている場合は `32768` に減らしてください。
`ollama_keep_alive`	`"60m"`	モデルを VRAM に保持する時間。
`deep_recon_autostart`	`true`	ベアドメイン入力が自動的に完全な recon に拡張されます。
`allow_destructive_testing`	`false`	攻撃的なモードを有効化（SQLi の確認、RCE チェーン）。
`command_timeout`	`900.0`	Docker 内のシェルコマンドあたりの最大秒数。
`vuln_similarity_threshold`	`0.7`	脆弱性の Jaccard 重複排除しきい値。

Pentest Agent (ChatML)	322,433	CVE ベースの悪用ワークフロー（MITRE/NVD/ExploitDB）
CTF SaTML 2024	190,657	実際の攻撃/防御 CTF インタラクションデータ
CTF Instruct	141,182	Pwn、Web、暗号、フォレンジック、リバースエンジニアリング
Cybersecurity CVE	124,732	CVE 分析、CVSS、悪用コンテキスト
SQL Injection Q&A	50,632	会話形式の SQLi — 検出、バイパス、悪用
Cybersecurity Fenrir	83,918	攻撃/防御の命令ペア
Red Team Offensive	78,430	横移動、権限昇格、回避
Cybersecurity Q&A	53,199	幅広いセキュリティ知識
StackExchange RE	20,641	バイナリ解析、逆アセンブル、デバッグ、マルウェア
Nuclei Templates	23,180	Nuclei YAML テンプレート生成
NVD Security Instructions	2,063	深刻度と修復策を含む構造化 CVE 分析
APT Privilege Escalation	1,000	APT 戦術を伴う Linux 権限昇格テクニック
Bug Bounty & Pentest	146	ペイロード、バイパス手法、レポートテンプレート

airecon

人気