Skip to content
KitploitKITPLOIT
ツールエクスプロイトブログ
Log in
提出
ツールエクスプロイトブログ
提出

ハッキング、侵入テスト、サイバーセキュリティツールをあなたのセキュリティアーセナルに!

Kitploitはハッキング、サイバーセキュリティ、ペネトレーションテストのツールディレクトリです。最新のプロジェクトアップデートを見つけて、脆弱性の発見、システム分析、テストの自動化、セキュリティの強化を行いましょう。

フィードお問い合わせプライバシー© 2026 Kitploit

ツールディレクトリ

カテゴリ

すべてのカテゴリを見る
Loading categories
autopi — ツールを使用するLLMエージェントに対する多様な攻撃を見つけるため、プロンプトインジェクション手法を網羅的に試し、失敗した試行を改良する、分類体系に導かれた適応型レッドチーミングフレームワーク。 | Kitploit
ツール/GitHubGitHub/stevendamianakis/autopi
ペネトレーションテストフレームワーク脆弱性分析エクスプロイト機械学習論文と研究レッドチーミングAIセキュリティ敵対的攻撃
GitHubstevendamianakis/autopi

autopi

ツールを使用するLLMエージェントに対する多様な攻撃を見つけるため、プロンプトインジェクション手法を網羅的に試し、失敗した試行を改良する、分類体系に導かれた適応型レッドチーミングフレームワーク。

リポジトリを見る
11日前未レビュー

人気

すべて見る →

コミュニティで最も使われているツールを見つけましょう。

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 究極のOSINTツールキット:調査グラフ、信頼度スコアリング、エイリアスファミリー、マップ、タイムライン、レポート。49個のモジュール、400以上のサイト、APIキー不要。

    945
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    GhostLock ワンタップ実行アプリ(CVE-2026-43499)

    555
  • 3

    redforge

    cybersecurity91/redforge

    ブラウザ側のレッドチームツールキット。偵察、ペイロード生成、認証情報攻撃、暗号、エンコーディング、エンゲージメントレポート向けの102のオフラインツールを備えています。

    350
  • 4

    ARTEX

    baarai/artex

    プランナー/ワーカーエージェント、資産グラフと探索グラフ、MITMトラフィック記録、脆弱性の再テストを備えたLLMマルチエージェント自律ペネトレーションテストプラットフォーム。

    339
  • 5

    looking-glass

    anonghosty/looking-glass

    ShadowserverレポートをMongoDBに取り込み、インタラクティブなマップ、分析、調査結果、アドバイザリ、エグゼクティブダッシュボードとして再生するCSIRTプラットフォーム。

    338
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    AIネイティブなサイバーセキュリティのためのアクションシステム。意図がガバナンスされた実行に変わり、証拠が運用記憶となり、すべての操作が次の操作を改善する。

    292

すべてのツールを探索

ツールコレクションを閲覧

すべてのツールを見る →
共有

AutoPI ロゴ

AutoPI

論文のコード
AutoPI: Taxonomy-Guided Adaptive Red Teaming for Prompt Injection in LLM Agents

ウェブサイト クイックスタート 引用

AutoPI は、ツールを使用する LLM エージェント向けの適応型レッドチーマーです。単にエージェントを頻繁に破るだけでなく、エージェントを破る多様な方法を見つけるために構築されています。各シナリオにおいて、攻撃者 LLM がプロンプトインジェクションの分類体系のすべてのサブテクニックに対して間接プロンプトインジェクションを作成し、その後、LLM ジャッジからのフィードバックを用いて失敗したものを改良します。

AutoPI のアーキテクチャ。エンジンは 3 つのフェーズを保持する。任意の固定シードによる初期化、分類体系を網羅する探索、失敗したインジェクションを洗練する悪用。エンジンはプロンプトを生成器 LLM に送り、生成器が 1 つのインジェクションを書き出す。アダプタがインジェクションを配置し、ベンチマークの環境でターゲットエージェントを 1 回実行し、そのチェッカーが結果を報告する。失敗した試行のトランスクリプトはジャッジ LLM に送られ、その診断がエンジンに返される。

  • カバレッジを考慮。 スイープは分類体系のすべてのサブテクニックを試すため、成功例はターゲットがどの構文に引っかかるかを示し、単にその頻度を示すだけではありません。
  • ブラックボックスかつトレーニング不要。 AutoPI は入力の送信とトランスクリプトおよび結果の読み取りのみを行います。最初の試行の前にトレーニングするものは何もありません。
  • 操縦可能。 探索戦略は、4 つの構成要素を任意の順序と数で記述した短い YAML ファイルです。
  • あらゆるベンチマーク、あらゆるモデル。 1 つのエンジンが小さなアダプタを介して AgentDojo と IPI Arena 上で動作し、ターゲット、生成器、ジャッジはすべてプレーンな LLM エンドポイントです。

仕組み

1 つのシナリオの攻撃空間のスケッチ。色付きの領域には、テクニックごとに 1 つずつ、機能するインジェクションが含まれる。破線の探索ホップは分類体系を網羅し、あらゆる領域の近くに着地する。短い悪用ステップは失敗したものを洗練し、成功に近づく。強いシードは領域のそばから始まり、弱いシードはそれらすべてから遠く離れた場所から始まる。

機能するインジェクションは稀であり、テクニックごとに 1 つずつ、領域内に存在すると推測されています。AutoPI は 3 つのフェーズで探索を行い、戦略はこれらのフェーズをスキップ、サイズ変更、繰り返し、または並べ替えることができます。

  1. 初期化 — 任意の固定シードインジェクションを用い、生成器の呼び出しなしで試行します。
  2. 探索 — 分類体系のスイープを行います。生成器はすべてのサブテクニックに対して 1 行の短いインジェクションを書き出します。
  3. 悪用 — 局所的な洗練を通じて行います。失敗した行は、なぜ失敗したかについてのジャッジの診断に導かれながら、同じ構文のバリアントへと改良されます。

クイックスタート

同梱の AgentDojo とともに AutoPI をインストールします。Python 3.11 を推奨します。

git clone https://github.com/stevendamianakis/autopi
cd autopi
python3.11 -m venv .venv && source .venv/bin/activate
pip install -e . -e benchmarks/agentdojo

ターゲットとジェネレーターを、ポート8000で動作するvLLMなどのOpenAI互換サーバーに向け、949件すべてのAgentDojoシナリオでFull戦略を実行します:

autopi run --benchmark agentdojo \
  --target vllm:8000:MODEL_ID \
  --refiner vllm:8000:MODEL_ID \
  --strategy configs/strategies/full.yaml \
  --logdir runs/agentdojo-full

--dry-run を追加すると、モデルを呼び出さずに設定を確認し、シナリオを一覧表示できます。各実行では、 解決された設定と各シナリオのすべての試行が --logdir フォルダに書き込まれます。コード内では、 ジェネレーターはリファイナーと呼ばれます。

ホスト型モデルとロールごとの設定

configs/models.example.yaml のコピー内で各モデルに一度ずつ名前を付け、その名前を渡します。API キーは 環境変数から読み取られ、ファイルには保存されません。

cp configs/models.example.yaml configs/models.local.yaml
autopi run --benchmark agentdojo --models-config configs/models.local.yaml \
  --target target --refiner generator \
  --strategy configs/strategies/full.yaml --logdir runs/agentdojo-full

プロバイダーは openai-compatible(任意の URL)、openai、anthropic、google、ollama であり、anthropic:MODEL_ID のような短い指定はファイルなしで動作します。モデル設定では、デコード設定、思考モード、およびサーバー側のツールパーサーが削除したテキストの復元について説明しています。

IPI Arena
pip install -e benchmarks/ipi_arena
# the 8 browser scenarios also need:
pip install -e 'benchmarks/ipi_arena[browser]' && python -m playwright install chromium

autopi run --benchmark ipiarena --models-config configs/models.local.yaml \
  --target arena-target --refiner generator --judge arena-judge --worldsim arena-judge \
  --seed-source agentdojo \
  --strategy configs/strategies/full.yaml --logdir runs/ipiarena-full

IPI Arenaには41のシナリオがあります:18のツール使用、15のコーディング、8のブラウザです。シナリオは、そのすべての基準が合格した場合にのみ壊れたものとしてカウントされ、--ipi-ignore-concealmentを指定すると代わりにアクションのみのメトリクスが選択されます。ターゲットはネイティブのツール呼び出しを使用し、ブラウザシナリオには画像対応のターゲットが必要です。ベンチマークにはシードが同梱されていないため、--seed-source agentdojo、--seed-file、またはシードブロックのない戦略を使用してください。

その他のオプション
  • --mode 3はデフォルトかつ論文の設定であり、生成器にユーザータスクとインジェクションの目標を示します。モード1と2は目標を見せないテンプレートを書き、モード2はユーザータスクも参照します。
  • --no-judge、--no-context、--no-legitimizeは、3つの適応メカニズムのうち1つを無効にします。
  • --seed-fileは別のシードを使用し、--no-seedはスイープから開始します。
  • --taxonomy-pathは同じファイルレイアウトを持つ別のタクソノミーをスイープします。
  • --no-early-stopは最初の成功後も継続し、カバレッジ実行に使用します。
  • --shardと--num-shardsは実行をワーカー間に分割し、--resumeは中断された実行を継続します。

autopi run --helpはすべてのオプションを一覧表示します。

検索戦略

戦略とは、ブロックの順序付きリスト、シナリオごとの試行予算、および停止ルールです。configs/strategies/内の3つのファイルは、論文のAutoPI-Full、AutoPI-Seed-Exploit、AutoPI-L1です。これらは例であり、制限ではありません:

ファイルブロック試行回数目標
full.yamlseed、L1スイープ、失敗した各行の3バリアント529カバレッジ
seed-exploit.yamlseed、seedの600バリアント601強力なseedによるASR
l1.yamlseed、L1スイープ133低コスト
# configs/strategies/full.yaml
version: 1
budget: 529
stop: first_success
blocks:
  - kind: seed
  - kind: sweep
    id: exploration
    level: 1
    order: priority
  - kind: sweep_exploit
    source: exploration
    reps: 3

ブロックは省略、並べ替え、繰り返しが可能で、各スイープは独自のタクソノミーサブセット、順序、組み合わせレベル、上限を取ります。詳細は戦略ガイドを参照してください。

タクソノミー

AutoPIはデフォルトのタクソノミーとしてPIAtlasを搭載しています。6クラス、34テクニック、131の名前付きサブテクニックに加え、サブテクニックを持たないテクニックが1つあるため、フルスイープは132ユニットになります。同じJSONレイアウトの他のタクソノミーであれば、コードを変更することなく置き換え可能です。--taxonomy-pathでそのファイルを渡してください。

ログには、各行がどのサブテクニック向けに生成されたかが記録されます。これはプロベナンス(由来情報)であり、インジェクションのラベルではないため、実行後に成功したインジェクションにラベルを付ける論文のカバレッジ指標として報告しないでください。

ベンチマークの追加

エンジンはベンチマークをインポートしません。アダプターがエンジンに名前と2つのメソッドを提供します:

class MyBenchmark:
    name = "my-benchmark"

    def iter_points(self):
        """Yield the scenarios to attack, each with its user task and injection goal."""

    def run(self, point, injection_text):
        """Place the injection, run the target once, and return the outcome and the transcript."""

AutoPIの拡張では、プロトコル全体とPython APIについて説明しています。

リポジトリのレイアウト
パス内容
src/autopi/エンジン: ストラテジー、生成器と判定器のプロンプト、シード、タクソノミー、モデルクライアント、アダプター、実行ハーネス
configs/ストラテジーファイルとモデル設定の例
benchmarks/AutoPIが実行するAgentDojoとIPI Arenaのソースとそのライセンス。THIRD_PARTY.mdには上流のリビジョンと少数のローカル変更が記載されています
docs/ストラテジー、モデル、拡張、リリースノート、検証
tests/エンジンのテスト
examples/両方のベンチマークを実行するサンプルスクリプト
scripts/ローカルvLLMサーバー用のランチャー
ツールをダウンロード