PentAGI

Penetration testing Artificial General Intelligence

커뮤니티에 참여하세요! 보안 연구자, AI 애호가, 그리고 윤리적 해커들과 함께 소통하세요. 지원을 받고, 인사이트를 공유하며, 최신 PentAGI 개발 소식을 확인하세요.

⠀

개요
기능
아키텍처
- 에이전트 감독
빠른 시작
로그인 후 PentAGI 사용 방법
API 접근
- LLM 제공자 구성
  - Ollama
  - OpenAI
  - Anthropic
  - Google AI (Gemini)
  - AWS Bedrock
  - DeepSeek
  - GLM
  - Kimi
  - Qwen
고급 설정
개발
LLM 에이전트 테스트
임베딩 구성 및 테스트
ftester를 사용한 함수 테스트
빌드
크레딧
라이선스

개요

PentAGI는 최첨단 인공지능 기술을 활용한 혁신적인 자동화 보안 테스트 도구입니다. 이 프로젝트는 침투 테스트를 위한 강력하고 유연한 솔루션이 필요한 정보 보안 전문가, 연구자, 그리고 애호가들을 위해 설계되었습니다.

PentAGI 개요 비디오를 시청할 수 있습니다:

기능

안전 및 격리. 모든 작업은 완전히 격리된 샌드박스 Docker 환경에서 수행됩니다.
완전 자율. AI 기반 에이전트가 침투 테스트 단계를 자동으로 결정하고 실행하며, 선택적 실행 모니터링과 지능형 작업 계획을 통해 신뢰성을 높입니다.
전문 침투 테스트 도구. nmap, metasploit, sqlmap 등을 포함한 20개 이상의 전문 보안 도구가 내장되어 있습니다.
스마트 메모리 시스템. 연구 결과와 성공적인 접근 방식을 장기적으로 저장하여 향후 사용에 활용합니다.
지식 그래프 통합. Neo4j를 사용하는 Graphiti 기반 지식 그래프를 통해 의미론적 관계 추적 및 고급 컨텍스트 이해를 지원합니다.
웹 인텔리전스. scraper를 통한 내장 브라우저로 웹 소스의 최신 정보를 수집합니다.
외부 검색 시스템. Tavily, Traversaal, Perplexity, DuckDuckGo, Google Custom Search, Sploitus Search 및 Searxng을 포함한 고급 검색 API와의 통합으로 포괄적인 정보 수집이 가능합니다.
전문가 팀. 연구, 개발, 인프라 작업을 위한 전문화된 AI 에이전트를 갖춘 위임 시스템으로, 선택적 실행 모니터링과 지능형 작업 계획을 통해 더 작은 모델에서도 최적의 성능을 제공합니다.
포괄적인 모니터링. 상세한 로깅 및 Grafana/Prometheus와의 통합으로 실시간 시스템 관찰이 가능합니다.
상세 보고. 취약점 보고서와 익스플로잇 가이드를 포함한 철저한 보고서를 생성합니다.
스마트 컨테이너 관리. 특정 작업 요구 사항에 따라 자동으로 Docker 이미지를 선택합니다.
현대적인 인터페이스. 시스템 관리 및 모니터링을 위한 깔끔하고 직관적인 웹 UI를 제공합니다.
포괄적인 API. 자동화 및 통합을 위한 Bearer 토큰 인증 방식의 완전한 기능을 갖춘 REST 및 GraphQL API를 제공합니다.
영구 저장소. 모든 명령과 출력은 pgvector 확장 기능이 포함된 PostgreSQL에 저장됩니다.
확장 가능한 아키텍처. 수평적 확장을 지원하는 마이크로서비스 기반 설계입니다.
자체 호스팅 솔루션. 배포와 데이터에 대한 완전한 통제권을 제공합니다.
유연한 인증. 10개 이상의 LLM 제공자(OpenAI, Anthropic, Google AI/Gemini, AWS Bedrock, Ollama, DeepSeek, GLM, Kimi, Qwen, 사용자 정의) 및 집계기(OpenRouter, DeepInfra)를 지원합니다. 로컬 프로덕션 배포에 대해서는 를 참조하세요.

현재 기능 범위

PentAGI는 현재 자율 및 어시스턴트-가이드 방식의 침투 테스트 플랫폼이며, 사전 정의된 캠페인이나 공격 계획을 가진 CALDERA 스타일의 Breach and Attack Simulation (BAS) 또는 적군 모의 제품이 아닙니다.
BAS와 유사한 에이전트-작성 공격 스크립트는 현재 구현된 기능이 아닌 개념적이거나 미래의 작업으로 간주되어야 합니다.
현재 흐름 보고 UI는 웹 보기, 클립보드 복사, Markdown 다운로드 및 PDF 다운로드를 지원합니다. JSON 흐름-보고 내보내기는 현재 지원되는 출력 형식으로 문서화되어 있지 않습니다.
제공자 유연성은 현재 내장 제공자 및 사용자 정의/OpenAI 호환 엔드포인트를 통해 사용 가능합니다. 사용자 정의 LLM 제공자 구성 및 vLLM + Qwen3.5-27B-FP8 가이드를 참조하세요.

아키텍처

시스템 컨텍스트```mermaid

flowchart TB classDef person fill:#08427B,stroke:#073B6F,color:#fff classDef system fill:#1168BD,stroke:#0B4884,color:#fff classDef external fill:#666666,stroke:#0B4884,color:#fff

pentester["👤 Security Engineer
(User of the system)"]

pentagi["✨ PentAGI
(Autonomous penetration testing system)"]

target["🎯 target-system
(System under test)"]
llm["🧠 llm-provider
(OpenAI/Anthropic/Ollama/Bedrock/Gemini/Custom)"]
search["🔍 search-systems
(Google/DuckDuckGo/Tavily/Traversaal/Perplexity/Sploitus/Searxng)"]
langfuse["📊 langfuse-ui
(LLM Observability Dashboard)"]
grafana["📈 grafana
(System Monitoring Dashboard)"]

pentester --> |Uses HTTPS| pentagi
pentester --> |Monitors AI HTTPS| langfuse
pentester --> |Monitors System HTTPS| grafana
pentagi --> |Tests Various protocols| target
pentagi --> |Queries HTTPS| llm
pentagi --> |Searches HTTPS| search
pentagi --> |Reports HTTPS| langfuse
pentagi --> |Reports HTTPS| grafana

class pentester person
class pentagi system
class target,llm,search,langfuse,grafana external

linkStyle default stroke:#ffffff,color:#ffffff

<details>
<summary><b>컨테이너 아키텍처</b> (클릭하여 펼치기)</summary>```mermaid
graph TB
    subgraph Core Services
        UI[Frontend UI<br/>React + TypeScript]
        API[Backend API<br/>Go + GraphQL]
        DB[(Vector Store<br/>PostgreSQL + pgvector)]
        MQ[Task Queue<br/>Async Processing]
        Agent[AI Agents<br/>Multi-Agent System]
    end

    subgraph Knowledge Graph
        Graphiti[Graphiti<br/>Knowledge Graph API]
        Neo4j[(Neo4j<br/>Graph Database)]
    end

    subgraph Monitoring
        Grafana[Grafana<br/>Dashboards]
        VictoriaMetrics[VictoriaMetrics<br/>Time-series DB]
        Jaeger[Jaeger<br/>Distributed Tracing]
        Loki[Loki<br/>Log Aggregation]
        OTEL[OpenTelemetry<br/>Data Collection]
    end

    subgraph Analytics
        Langfuse[Langfuse<br/>LLM Analytics]
        ClickHouse[ClickHouse<br/>Analytics DB]
        Redis[Redis<br/>Cache + Rate Limiter]
        MinIO[MinIO<br/>S3 Storage]
    end

    subgraph Security Tools
        Scraper[Web Scraper<br/>Isolated Browser]
        PenTest[Security Tools<br/>20+ Pro Tools<br/>Sandboxed Execution]
    end

    UI --> |HTTP/WS| API
    API --> |SQL| DB
    API --> |Events| MQ
    MQ --> |Tasks| Agent
    Agent --> |Commands| PenTest
    Agent --> |Queries| DB
    Agent --> |Knowledge| Graphiti
    Graphiti --> |Graph| Neo4j

    API --> |Telemetry| OTEL
    OTEL --> |Metrics| VictoriaMetrics
    OTEL --> |Traces| Jaeger
    OTEL --> |Logs| Loki

    Grafana --> |Query| VictoriaMetrics
    Grafana --> |Query| Jaeger
    Grafana --> |Query| Loki

    API --> |Analytics| Langfuse
    Langfuse --> |Store| ClickHouse
    Langfuse --> |Cache| Redis
    Langfuse --> |Files| MinIO

    classDef core fill:#f9f,stroke:#333,stroke-width:2px,color:#000
    classDef knowledge fill:#ffa,stroke:#333,stroke-width:2px,color:#000
    classDef monitoring fill:#bbf,stroke:#333,stroke-width:2px,color:#000
    classDef analytics fill:#bfb,stroke:#333,stroke-width:2px,color:#000
    classDef tools fill:#fbb,stroke:#333,stroke-width:2px,color:#000

    class UI,API,DB,MQ,Agent core
    class Graphiti,Neo4j knowledge
    class Grafana,VictoriaMetrics,Jaeger,Loki,OTEL monitoring
    class Langfuse,ClickHouse,Redis,MinIO analytics
    class Scraper,PenTest tools

엔터티 관계 (클릭하여 펼치기)

```mermaid erDiagram Flow ||--o{ Task : contains Task ||--o{ SubTask : contains SubTask ||--o{ Action : contains Action ||--o{ Artifact : produces Action ||--o{ Memory : stores

Flow {
    string id PK
    string name "Flow name"
    string description "Flow description"
    string status "active/completed/failed"
    json parameters "Flow parameters"
    timestamp created_at
    timestamp updated_at
}

Task {
    string id PK
    string flow_id FK
    string name "Task name"
    string description "Task description"
    string status "pending/running/done/failed"
    json result "Task results"
    timestamp created_at
    timestamp updated_at
}

SubTask {
    string id PK
    string task_id FK
    string name "Subtask name"
    string description "Subtask description"
    string status "queued/running/completed/failed"
    string agent_type "researcher/developer/executor"
    json context "Agent context"
    timestamp created_at
    timestamp updated_at
}

Action {
    string id PK
    string subtask_id FK
    string type "command/search/analyze/etc"
    string status "success/failure"
    json parameters "Action parameters"
    json result "Action results"
    timestamp created_at
}

Artifact {
    string id PK
    string action_id FK
    string type "file/report/log"
    string path "Storage path"
    json metadata "Additional info"
    timestamp created_at
}

Memory {
    string id PK
    string action_id FK
    string type "observation/conclusion"
    vector embedding "Vector representation"
    text content "Memory content"
    timestamp created_at
}

메모리 시스템 (클릭하여 확장)

```mermaid graph TB subgraph "Long-term Memory" VS[(Vector Store
Embeddings DB)] KB[Knowledge Base
Domain Expertise] Tools[Tools Knowledge
Usage Patterns] end

subgraph "Working Memory"
    Context[Current Context<br/>Task State]
    Goals[Active Goals<br/>Objectives]
    State[System State<br/>Resources]
end

subgraph "Episodic Memory"
    Actions[Past Actions<br/>Commands History]
    Results[Action Results<br/>Outcomes]
    Patterns[Success Patterns<br/>Best Practices]
end

Context --> |Query| VS
VS --> |Retrieve| Context

Goals --> |Consult| KB
KB --> |Guide| Goals

State --> |Record| Actions
Actions --> |Learn| Patterns
Patterns --> |Store| VS

Tools --> |Inform| State
Results --> |Update| Tools

VS --> |Enhance| KB
KB --> |Index| VS

classDef ltm fill:#f9f,stroke:#333,stroke-width:2px,color:#000
classDef wm fill:#bbf,stroke:#333,stroke-width:2px,color:#000
classDef em fill:#bfb,stroke:#333,stroke-width:2px,color:#000

class VS,KB,Tools ltm
class Context,Goals,State wm
class Actions,Results,Patterns em

</details>

<details>
<summary><b>체인 요약</b> (클릭하여 확장)</summary>

체인 요약 시스템은 이전 메시지를 선택적으로 요약하여 대화 컨텍스트의 증가를 관리합니다. 이는 토큰 제한 초과를 방지하면서 대화의 일관성을 유지하는 데 중요합니다.```mermaid
flowchart TD
    A[Input Chain] --> B{Needs Summarization?}
    B -->|No| C[Return Original Chain]
    B -->|Yes| D[Convert to ChainAST]
    D --> E[Apply Section Summarization]
    E --> F[Process Oversized Pairs]
    F --> G[Manage Last Section Size]
    G --> H[Apply QA Summarization]
    H --> I[Rebuild Chain with Summaries]
    I --> J{Is New Chain Smaller?}
    J -->|Yes| K[Return Optimized Chain]
    J -->|No| C

    classDef process fill:#bbf,stroke:#333,stroke-width:2px,color:#000
    classDef decision fill:#bfb,stroke:#333,stroke-width:2px,color:#000
    classDef output fill:#fbb,stroke:#333,stroke-width:2px,color:#000

    class A,D,E,F,G,H,I process
    class B,J decision
    class C,K output

</details> <a id="advanced-agent-supervision"></a> <details> <summary><b>고급 에이전트 감독</b> (확장하려면 클릭)</summary> PentAGI는 효율적인 작업 실행을 보장하고, 무한 루프를 방지하며, 멈춤 상태에서 지능적인 복구를 제공하기 위해 정교한 다층적 에이전트 감독 메커니즘을 포함합니다: ### 실행 모니터링 (베타) - **자동 멘토 개입**: 실행 패턴이 잠재적 문제를 나타낼 때 조언자 에이전트(멘토)가 자동으로 호출됩니다 - **패턴 탐지**: 동일한 도구 호출 (임계값: 5, 설정 가능) 및 총 도구 호출 (임계값: 10, 설정 가능)을 모니터링합니다 - **진행 상황 분석**: 에이전트가 하위 작업 목표를 향해 진행하는지 평가하고, 루프와 비효율성을 탐지합니다 - **대체 전략**: 현재 전략이 실패할 때 다른 접근 방식을 권장합니다 - **정보 검색 안내**: 재창조 대신 기존 솔루션을 검색하도록 제안합니다 - **향상된 응답 형식**: 도구 응답에는 `<original_result>` 및 `<mentor_analysis>` 섹션이 모두 포함됩니다 - **설정 가능**: `EXECUTION_MONITOR_ENABLED` (기본값: false)를 통해 활성화하고, `EXECUTION_MONITOR_SAME_TOOL_LIMIT` 및 `EXECUTION_MONITOR_TOTAL_TOOL_LIMIT`로 임계값을 사용자 지정할 수 있습니다 **최적 대상**: 소형 모델 (< 32B 매개변수), 지속적인 안내가 필요한 복잡한 공격 시나리오, 에이전트가 단일 접근 방식에 갇히는 것을 방지 **성능 영향**: 실행 시간과 토큰 사용량이 2-3배 증가하지만, Qwen3.5-27B-FP8 테스트 결과 **결과 품질이 2배 향상**됩니다 ### 지능형 작업 계획 (베타) - **자동 분할**: 전문가 에이전트가 작업을 시작하기 전에 계획자(계획 모드의 조언자)가 3-7개의 구체적이고 실행 가능한 단계를 생성합니다 - **컨텍스트 인식 계획**: 인리처 에이전트를 통해 전체 실행 컨텍스트를 분석하여 정보에 기반한 계획을 수립합니다 - **구조화된 할당**: 원래 요청은 실행 계획 및 지침과 함께 `<task_assignment>` 구조로 래핑됩니다 - **범위 관리**: 에이전트가 현재 하위 작업에만 집중하도록 하여 범위 확장을 방지합니다 - **향상된 지침**: 계획은 중요한 작업, 잠재적 함정 및 확인 지점을 강조합니다 - **설정 가능**: `AGENT_PLANNING_STEP_ENABLED` (기본값: false)를 통해 활성화 **최적 대상**: 32B 미만 매개변수 모델, 복잡한 침투 테스트 워크플로우, 정교한 작업의 성공률 향상 **향상된 조언자 구성**: 조언자 에이전트가 더 강력한 모델이나 향상된 설정을 사용할 때 특히 효과적입니다. 예: 최대 추론 모드로 동일한 기본 모델을 조언자에게 사용 (자세한 내용은 [`vllm-qwen3.5-27b-fp8.provider.yml`](https://github.com/vxcontrol/pentagi/blob/HEAD/examples/configs/vllm-qwen3.5-27b-fp8.provider.yml) 참조)하면 동일한 모델 아키텍처로 포괄적인 작업 분석과 전략적 계획이 가능합니다. **성능 영향**: 계획 오버헤드가 추가되지만 완료율이 크게 향상되고 중복 작업이 줄어듭니다 ### 도구 호출 제한 (항상 활성) - **하드 제한**: 감독 모드 상태와 관계없이 실행 폭주를 방지합니다 - **에이전트 유형별 차별화**: - 일반 에이전트 (Assistant, Primary Agent, Pentester, Coder, Installer): `MAX_GENERAL_AGENT_TOOL_CALLS` (기본값: 100) - 제한 에이전트 (Searcher, Enricher, Memorist, Generator, Reporter, Adviser, Reflector, Planner): `MAX_LIMITED_AGENT_TOOL_CALLS` (기본값: 20) - **우아한 종료**: Reflector가 제한에 가까워지면 에이전트를 적절한 완료로 안내합니다 - **리소스 보호**: 시스템 안정성을 보장하고 리소스 고갈을 방지합니다 ### Reflector 통합 (항상 활성) - **자동 수정**: LLM이 3번 시도 후에도 도구 호출을 생성하지 못하면 호출됩니다 - **전략적 안내**: 실패를 분석하고 에이전트를 적절한 도구 사용 또는 장벽 도구 (`done`, `ask`)로 안내합니다 - **복구 메커니즘**: 특정 실패 패턴에 따라 컨텍스트 기반 안내를 제공합니다 - **제한 적용**: 도구 호출 제한에 도달하면 우아한 종료를 조정합니다 ### 오픈 소스 모델 권장 사항 **32B 미만 매개변수 모델에 필수**: Qwen3.5-27B-FP8 테스트 결과, 소형 오픈 소스 모델의 경우 **실행 모니터링과 작업 계획을 모두 활성화하는 것이 필수적**입니다: - **품질 개선**: 감독 없이 실행한 기준선에 비해 결과가 2배 향상 - **루프 방지**: 무한 루프 및 중복 작업을 크게 줄임 - **공격 다양성**: 단일 접근 방식에 집착하는 대신 여러 공격 벡터를 탐색하도록 장려 - **에어갭 배포**: 로컬 LLM 추론으로 폐쇄 네트워크 환경에서 프로덕션 수준의 자율 침투 테스트 가능 **트레이드오프**: - 토큰 소비: 멘토/계획자 호출로 인해 2-3배 증가 - 실행 시간: 분석 및 계획 단계로 인해 2-3배 증가 - 결과 품질: 완전성, 정확성 및 공격 범위에서 2배 향상 - 모델 요구 사항: 조언자가 향상된 구성(더 높은 추론 매개변수, 더 강력한 모델 변형 또는 다른 모델)을 사용할 때 가장 효과적 **구성 전략**: 소형 모델에서 최적의 성능을 위해 조언자 에이전트를 향상된 설정으로 구성하십시오: - 최대 추론 모드에서 동일한 모델 사용 (예: [`vllm-qwen3.5-27b-fp8.provider.yml`](https://github.com/vxcontrol/pentagi/blob/HEAD/examples/configs/vllm-qwen3.5-27b-fp8.provider.yml)) - 또는 기본 모델은 유지하고 조언자에게 더 강력한 모델 사용 - 작업 복잡성과 모델 기능에 따라 모니터링 임계값 조정 </details> PentAGI의 아키텍처는 모듈식, 확장 가능 및 안전하게 설계되었습니다. 주요 구성 요소는 다음과 같습니다: 1. **핵심 서비스** - 프론트엔드 UI: 타입 안전성을 위한 TypeScript를 사용한 React 기반 웹 인터페이스 - 백엔드 API: 프로그램 액세스를 위한 Bearer 토큰 인증이 포함된 Go 기반 REST 및 GraphQL API - 벡터 저장소: 의미 검색 및 메모리 저장을 위한 PostgreSQL 및 pgvector - 작업 큐: 안정적인 운영을 위한 비동기 작업 처리 시스템 - AI 에이전트: 효율적인 테스트를 위한 전문 역할을 가진 다중 에이전트 시스템 2. **지식 그래프** - Graphiti: 의미 관계 추적 및 컨텍스트 이해를 위한 지식 그래프 API - Neo4j: 엔터티, 작업 및 결과 간의 관계를 저장하고 쿼리하기 위한 그래프 데이터베이스 - 종합적인 지식 기반 구축을 위한 에이전트 응답 및 도구 실행의 자동 캡처 3. **모니터링 스택** - OpenTelemetry: 통합 관측 가능성 데이터 수집 및 상관 관계 분석 - Grafana: 실시간 시각화 및 알림 대시보드 - VictoriaMetrics: 고성능 시계열 메트릭스 저장소 - Jaeger: 디버깅을 위한 종단 간 분산 추적 - Loki: 확장 가능한 로그 집계 및 분석 4. **분석 플랫폼** - Langfuse: 고급 LLM 관측 가능성 및 성능 분석 - ClickHouse: 열 기반 분석 데이터 웨어하우스 - Redis: 고속 캐싱 및 속도 제한 - MinIO: 아티팩트용 S3 호환 객체 스토리지 5. **보안 도구** - 웹 스크레이퍼: 안전한 웹 상호 작용을 위한 격리된 브라우저 환경 - 침투 테스트 도구: 20개 이상의 전문 보안 도구로 구성된 종합 제품군 - 샌드박스 실행: 모든 작업이 격리된 컨테이너에서 실행 6. **메모리 시스템** - 장기 메모리: 지식과 경험의 영구 저장 - 작업 메모리: 현재 작업을 위한 활성 컨텍스트 및 목표 - 일화 메모리: 이전 작업 및 성공 패턴 - 지식 베이스: 구조화된 도메인 전문성 및 도구 기능 - 컨텍스트 관리: 체인 요약을 사용하여 증가하는 LLM 컨텍스트 창을 지능적으로 관리 시스템은 격리 및 쉬운 배포를 위해 Docker 컨테이너를 사용하며, 핵심 서비스, 모니터링 및 분석을 위한 별도의 네트워크를 통해 적절한 보안 경계를 보장합니다. 각 구성 요소는 수평 확장이 가능하도록 설계되었으며, 프로덕션 환경에서 고가용성을 위해 구성할 수 있습니다. ## 빠른 시작 ### 시스템 요구 사항 - Docker 및 Docker Compose (또는 Podman - [Podman 구성](#running-pentagi-with-podman) 참조) - 최소 2 vCPU - 최소 4GB RAM - 20GB 여유 디스크 공간 - 이미지 및 업데이트 다운로드를 위한 인터넷 액세스 ### 설치 프로그램 사용 (권장) PentAGI는 간소화된 구성 및 배포를 위해 터미널 기반 UI를 갖춘 대화형 설치 프로그램을 제공합니다. 설치 프로그램은 시스템 확인, LLM 제공자 설정, 검색 엔진 구성 및 보안 강화를 안내합니다. **지원 플랫폼:** - **Linux**: amd64 [다운로드](https://pentagi.com/downloads/linux/amd64/installer-latest.zip) | arm64 [다운로드](https://pentagi.com/downloads/linux/arm64/installer-latest.zip) - **Windows**: amd64 [다운로드](https://pentagi.com/downloads/windows/amd64/installer-latest.zip) - **macOS**: amd64 (Intel) [다운로드](https://pentagi.com/downloads/darwin/amd64/installer-latest.zip) | arm64 (M 시리즈) [다운로드](https://pentagi.com/downloads/darwin/arm64/installer-latest.zip) **빠른 설치 (Linux amd64):**```bash # Create installation directory mkdir -p pentagi && cd pentagi # Download installer wget -O installer.zip https://pentagi.com/downloads/linux/amd64/installer-latest.zip # Extract unzip installer.zip # Run interactive installer ./installer

4. `.env` 파일에 필요한 API 키를 입력하세요.```bash # Required: At least one of these LLM providers OPEN_AI_KEY=your_openai_key ANTHROPIC_API_KEY=your_anthropic_key GEMINI_API_KEY=your_gemini_key # Optional: AWS Bedrock provider (enterprise-grade models) BEDROCK_REGION=us-east-1 # Choose one authentication method: BEDROCK_DEFAULT_AUTH=true # Option 1: Use AWS SDK default credential chain (recommended for EC2/ECS) # BEDROCK_BEARER_TOKEN=your_bearer_token # Option 2: Bearer token authentication # BEDROCK_ACCESS_KEY_ID=your_aws_access_key # Option 3: Static credentials # BEDROCK_SECRET_ACCESS_KEY=your_aws_secret_key # Optional: Ollama provider (local or cloud) # OLLAMA_SERVER_URL=http://ollama-server:11434 # Local server # OLLAMA_SERVER_URL=https://ollama.com # Cloud service # OLLAMA_SERVER_API_KEY=your_ollama_cloud_key # Required for cloud, empty for local # Optional: Chinese AI providers # DEEPSEEK_API_KEY=your_deepseek_key # DeepSeek (strong reasoning) # GLM_API_KEY=your_glm_key # GLM (Zhipu AI) # KIMI_API_KEY=your_kimi_key # Kimi (Moonshot AI, ultra-long context) # QWEN_API_KEY=your_qwen_key # Qwen (Alibaba Cloud, multimodal) # Optional: Local LLM provider (zero-cost inference) OLLAMA_SERVER_URL=http://localhost:11434 OLLAMA_SERVER_MODEL=your_model_name # Optional: Additional search capabilities DUCKDUCKGO_ENABLED=true DUCKDUCKGO_REGION=us-en DUCKDUCKGO_SAFESEARCH= DUCKDUCKGO_TIME_RANGE= SPLOITUS_ENABLED=true GOOGLE_API_KEY=your_google_key GOOGLE_CX_KEY=your_google_cx TAVILY_API_KEY=your_tavily_key TRAVERSAAL_API_KEY=your_traversaal_key PERPLEXITY_API_KEY=your_perplexity_key PERPLEXITY_MODEL=sonar-pro PERPLEXITY_CONTEXT_SIZE=medium # Searxng meta search engine (aggregates results from multiple sources) SEARXNG_URL=http://your-searxng-instance:8080 SEARXNG_CATEGORIES=general SEARXNG_LANGUAGE= SEARXNG_SAFESEARCH=0 SEARXNG_TIME_RANGE= SEARXNG_TIMEOUT= ## Graphiti knowledge graph settings GRAPHITI_ENABLED=true GRAPHITI_TIMEOUT=30 GRAPHITI_URL=http://graphiti:8000 GRAPHITI_MODEL_NAME=gpt-5-mini # Neo4j settings (used by Graphiti stack) NEO4J_USER=neo4j NEO4J_DATABASE=neo4j NEO4J_PASSWORD=devpassword NEO4J_URI=bolt://neo4j:7687 # Assistant configuration ASSISTANT_USE_AGENTS=false # Default value for agent usage when creating new assistants

HTML 출력이 보이면 스크래퍼가 올바르게 작동하고 있는 것입니다. #### Podman Rootful 모드 Podman을 rootful 모드(sudo 사용)로 실행 중인 경우, 수정 없이 기본 구성을 사용할 수 있습니다. 스크래퍼는 의도한 대로 포트 443에서 작동합니다. #### Docker 호환성 모든 Podman 구성은 Docker와 완전히 호환됩니다. 비권한 포트 접근 방식은 두 컨테이너 런타임에서 동일하게 작동합니다. ### Assistant 구성 PentAGI를 통해 Assistant의 기본 동작을 구성할 수 있습니다: | 변수 | 기본값 | 설명 | | ----------------------- | --------- | -------------------------------------------------------------------- | | `ASSISTANT_USE_AGENTS` | `false` | 새 Assistant 생성 시 에이전트 사용에 대한 기본값을 제어합니다 | `ASSISTANT_USE_AGENTS` 설정은 UI에서 새 Assistant를 생성할 때 "에이전트 사용" 토글의 초기 상태에 영향을 줍니다: - `false` (기본값): 새 Assistant는 에이전트 위임이 기본적으로 비활성화된 상태로 생성됩니다. - `true`: 새 Assistant는 에이전트 위임이 기본적으로 활성화된 상태로 생성됩니다. 사용자는 Assistant를 생성하거나 편집할 때 UI에서 "에이전트 사용" 버튼을 토글하여 언제든지 이 설정을 재정의할 수 있습니다. 이 환경 변수는 초기 기본 상태만 제어합니다. ## 로그인 후 PentAGI 사용 방법 스택이 실행되고 웹 UI에 로그인할 수 있게 되면, 가장 빠른 시작 방법은 Flows 워크플로우를 이용하는 것입니다. ### 1. 첫 번째 플로우 만들기 1. 사이드바에서 **Flows**를 엽니다. 2. **New Flow**를 클릭합니다. 3. 목표에 맞는 모드를 선택합니다: - **Automation**: PentAGI가 엔드투엔드로 수행할 테스트 목표에 대한 완전 자율 실행 - **Assistant**: 단계별로 조사를 진행하고자 할 때의 대화형 지원. 이 모드에서는 **Use Agents** 토글을 활성화하여 PentAGI가 더 복잡한 조사를 위해 특화된 하위 에이전트에 하위 작업을 위임하도록 할 수도 있습니다. 4. 이 플로우에 사용할 LLM 공급자를 선택합니다. 5. 메시지 상자에 대상과 목표를 자연어로 설명합니다. 좋은 첫 프롬프트에는 일반적으로 다음이 포함됩니다: - 대상 시스템 또는 URL - 원하는 평가 유형 - 범위 제한 또는 참여 규칙 - 취약점 보고서나 가설 검증과 같은 기대 결과 예시:```text Assess https://target.example for common web application vulnerabilities. Focus on authentication, file handling, and injection issues. Stay within the provided target only and summarize confirmed findings with reproduction steps.

def create_flow(self, provider, target): query = """ mutation CreateFlow($provider: String!, $input: String!) { createFlow(modelProvider: $provider, input: $input) { id title status } } """ response = requests.post( f"{self.base_url}/api/v1/graphql", json={ "query": query, "variables": { "provider": provider, "input": target } }, headers=self.headers ) return response.json() def get_flows(self): response = requests.get( f"{self.base_url}/api/v1/flows", headers=self.headers ) return response.json()

List all flows

flows = client.get_flows() print(f"Total flows: {len(flows['flows'])}")

</details>

<details>
<summary><b>TypeScript 클라이언트 예제</b></summary>```typescript
import axios, { AxiosInstance } from 'axios';

interface Flow {
  id: string;
  title: string;
  status: string;
  createdAt: string;
}

class PentAGIClient {
  private client: AxiosInstance;

  constructor(baseURL: string, apiToken: string) {
    this.client = axios.create({
      baseURL: `${baseURL}/api/v1`,
      headers: {
        'Authorization': `Bearer ${apiToken}`,
        'Content-Type': 'application/json',
      },
    });
  }

  async createFlow(provider: string, input: string): Promise<Flow> {
    const query = `
      mutation CreateFlow($provider: String!, $input: String!) {
        createFlow(modelProvider: $provider, input: $input) {
          id
          title
          status
          createdAt
        }
      }
    `;

    const response = await this.client.post('/graphql', {
      query,
      variables: { provider, input },
    });

    return response.data.data.createFlow;
  }

  async getFlows(): Promise<Flow[]> {
    const response = await this.client.get('/flows');
    return response.data.flows;
  }

  async getFlow(flowId: string): Promise<Flow> {
    const response = await this.client.get(`/flows/${flowId}`);
    return response.data;
  }
}

// Usage
const client = new PentAGIClient(
  'https://your-pentagi-instance:8443',
  'your_api_token_here'
);

// Create a new flow
const flow = await client.createFlow(
  'openai',
  'Perform penetration test on https://example.com'
);
console.log('Created flow:', flow);

// List all flows
const flows = await client.getFlows();
console.log(`Total flows: ${flows.length}`);

> [!NOTE] > **Claude 모델을 위한 Google Vertex AI** > > PentAGI는 현재 `.env`에서 Anthropic Claude를 위한 전용 Google Vertex AI 구성 경로를 제공하지 않습니다. 현재 별도의 Vertex AI API 키 필드가 없으며, 기존 Anthropic 변수(`ANTHROPIC_API_KEY`, `ANTHROPIC_SERVER_URL`)는 직접 Anthropic API를 대상으로 합니다. Claude에 대해 지원되는 경로는 다음과 같습니다: > > - **직접 Anthropic API**: `ANTHROPIC_API_KEY` 및 `ANTHROPIC_SERVER_URL` (위 참조). > - **AWS Bedrock**: `BEDROCK_*` 변수 ([AWS Bedrock 제공자 구성](#aws-bedrock-provider-configuration) 참조). > > 현재 Vertex AI를 사용해야 한다면, 가장 안전하게 지원되는 해결 방법은 Vertex AI 호출을 Chat Completions 형식으로 변환하면서 PentAGI가 의존하는 채팅 및 도구 호출 동작을 유지하는 OpenAI 호환 프록시 또는 게이트웨이를 통해 Vertex AI를 노출시킨 다음, `LLM_SERVER_URL`, `LLM_SERVER_KEY`, `LLM_SERVER_MODEL`을 통해 해당 게이트웨이로 Custom LLM 제공자를 지정하는 것입니다. 이 경로는 선택한 게이트웨이만큼만 신뢰할 수 있습니다. #### 지원되는 모델 PentAGI는 도구 호출, 스트리밍, 확장 사고, 적응형 사고 및 프롬프트 캐싱을 지원하는 10개의 Claude 모델을 지원합니다. `*`로 표시된 모델은 기본 구성에서 사용됩니다. **Claude 4 시리즈 - 최신 모델 (2025-2026)** | 모델 ID | 사고 | 출시일 | 가격 (입력/출력/캐시 읽기/쓰기) | 사용 사례 | | ------------------------ | ---- | ---------- | ------------------------------ | ----------------------------------------------- | | `claude-opus-4-6`* | ✅ | 2025년 5월 | $5.00/$25.00/$0.50/$6.25 | 자율 에이전트 및 코딩을 위한 가장 지능적인 모델. 복잡한 익스플로잇 개발, 다단계 공격 시뮬레이션을 위한 확장 + 적응형 사고 | | `claude-sonnet-4-6`* | ✅ | 2025년 8월 | $3.00/$15.00/$0.30/$3.75 | 적응형 사고를 갖춘 최고의 속도/지능 균형. 다단계 보안 평가, 지능형 취약점 분석, 실시간 위협 헌팅 | | `claude-haiku-4-5`* | ✅ | 2025년 10월| $1.00/$5.00/$0.10/$1.25 | 최첨단 지능에 가까운 가장 빠른 모델. 고빈도 스캐닝, 실시간 모니터링, 대량 자동화 테스트 | **레거시 모델 - 여전히 지원됨** | 모델 ID | 사고 | 출시일 | 가격 (입력/출력/캐시 읽기/쓰기) | 사용 사례 | | ------------------------ | ---- | ---------- | ------------------------------ | ----------------------------------------------- | | `claude-sonnet-4-5` | ✅ | 2025년 9월 | $3.00/$15.00/$0.30/$3.75 | 최첨단 추론 (4-6으로 대체됨). 정교한 침투 테스트, 고급 위협 분석 | | `claude-opus-4-5` | ✅ | 2025년 11월| $5.00/$25.00/$0.50/$6.25 | 궁극의 추론 (opus-4-6으로 대체됨). 중요 보안 연구, 제로데이 발견, 레드팀 운영 | | `claude-opus-4-1` | ✅ | 2025년 8월 | $15.00/$75.00/$1.50/$18.75 | 고급 추론 (대체됨). 복잡한 침투 테스트, 정교한 위협 모델링 | | `claude-sonnet-4-0` | ✅ | 2025년 5월 | $3.00/$15.00/$0.30/$3.75 | 고성능 추론 (대체됨). 복잡한 위협 모델링, 다중 도구 조정 | | `claude-opus-4-0` | ✅ | 2025년 5월 | $15.00/$75.00/$1.50/$18.75 | 1세대 Opus (대체됨). 다단계 익스플로잇 개발, 자율 침투 테스트 워크플로 | **더 이상 사용되지 않는 모델 - 최신 모델로 마이그레이션** | 모델 ID | 사고 | 출시일 | 가격 (입력/출력/캐시 읽기/쓰기) | 참고 사항 | | ---------------------------- | ---- | ---------- | ------------------------------ | -------------------------------------------- | | `claude-3-haiku-20240307` | ❌ | 2024년 3월 | $0.25/$1.25/$0.03/$0.30 | 2026년 4월 19일에 폐기 예정. claude-haiku-4-5로 마이그레이션 | **가격**: 100만 토큰당. 캐시 가격에는 읽기 및 쓰기 비용이 모두 포함됩니다. **확장 사고 구성**: - **최대 토큰 4096**: 생성기 (claude-opus-4-6): 복잡한 익스플로잇 개발에 대한 최대 추론 깊이 - **최대 토큰 2048**: 코더 (claude-sonnet-4-6): 균형 잡힌 코드 분석 및 취약점 연구 - **최대 토큰 1024**: 기본 에이전트, 어시스턴트, 리파이너, 어드바이저, 리플렉터, 서처, 인스톨러, 펜테스터: 특정 작업에 대한 집중 추론 - **확장 사고**: 모든 Claude 4.5+ 및 4.6 모델은 심층 추론 작업을 위한 구성 가능한 확장 사고 지원 **주요 기능**: - **확장 사고**: 모든 Claude 4.5+ 및 4.6 모델은 복잡한 보안 분석을 위한 구성 가능한 체인-오브-생각 추론 깊이 지원 - **적응형 사고**: Claude 4.6 시리즈 (Opus/Sonnet)는 작업 복잡성에 따라 추론 깊이를 동적으로 조정하여 최적의 성능 제공 - **프롬프트 캐싱**: 별도의 읽기/쓰기 가격 책정 (입력의 10% 읽기, 125% 쓰기)으로 상당한 비용 절감 - **확장 컨텍스트 창**: 최대 200K 토큰 표준, Claude Opus/Sonnet 4.6의 경우 최대 1M 토큰 (베타)으로 포괄적인 코드베이스 분석 지원 - **도구 호출**: 보안 도구 오케스트레이션을 위한 탁월한 정확도의 강력한 함수 호출 - **스트리밍**: 대화형 침투 테스트 워크플로를 위한 실시간 응답 스트리밍 - **안전 우선 설계**: 책임 있는 보안 테스트 관행을 보장하는 내장 안전 메커니즘 - **멀티모달 지원**: 최신 모델의 시각 기능으로 스크린샷 분석 및 UI 보안 평가 지원 - **헌법적 AI**: 신뢰할 수 있고 윤리적인 보안 지침을 제공하는 고급 안전 훈련 ### Google AI (Gemini) 제공자 구성 PentAGI는 Google AI API를 통해 Google의 Gemini 모델과 통합되어, 확장 사고 및 컨텍스트 캐싱을 갖춘 최첨단 멀티모달 추론 기능을 제공합니다. #### 구성 변수 | 변수 | 기본값 | 설명 | | --------------- | -------------------------------------------- | ----------------------- | | `GEMINI_API_KEY` | | Google AI 서비스용 API 키 | | `GEMINI_SERVER_URL` | `https://generativelanguage.googleapis.com` | Google AI API 엔드포인트 | #### 설정 예제```bash # Basic Gemini setup GEMINI_API_KEY=your_gemini_api_key GEMINI_SERVER_URL=https://generativelanguage.googleapis.com # Using with proxy GEMINI_API_KEY=your_gemini_api_key PROXY_URL=http://your-proxy:8080

#### 지원되는 모델 PentAGI는 도구 호출, 스트리밍 및 멀티모달 기능을 갖춘 21개의 AWS Bedrock 모델을 지원합니다. `*`로 표시된 모델은 기본 구성에 사용됩니다. | 모델 ID | 제공자 | 사고 | 멀티모달 | 가격(입력/출력) | 사용 사례 | | ------------------------------------------------ | --------------- | -------- | ---------- | -------------------- | --------------------------------------- | | `us.amazon.nova-2-lite-v1:0` | Amazon Nova | ❌ | ✅ | $0.33/$2.75 | 적응형 추론, 효율적인 사고 | | `us.amazon.nova-premier-v1:0` | Amazon Nova | ❌ | ✅ | $2.50/$12.50 | 복잡한 추론, 고급 분석 | | `us.amazon.nova-pro-v1:0` | Amazon Nova | ❌ | ✅ | $0.80/$3.20 | 균형 잡힌 정확성, 속도, 비용 | | `us.amazon.nova-lite-v1:0` | Amazon Nova | ❌ | ✅ | $0.06/$0.24 | 빠른 처리, 대량 작업 | | `us.amazon.nova-micro-v1:0` | Amazon Nova | ❌ | ❌ | $0.035/$0.14 | 초저지연, 실시간 모니터링 | | `us.anthropic.claude-opus-4-6-v1`* | Anthropic | ✅ | ✅ | $5.00/$25.00 | 최고 수준의 코딩, 엔터프라이즈 에이전트 | | `us.anthropic.claude-sonnet-4-6` | Anthropic | ✅ | ✅ | $3.00/$15.00 | 최첨단 지능, 엔터프라이즈 규모 | | `us.anthropic.claude-opus-4-5-20251101-v1:0` | Anthropic | ✅ | ✅ | $5.00/$25.00 | 다일간 소프트웨어 개발 | | `us.anthropic.claude-haiku-4-5-20251001-v1:0`* | Anthropic | ✅ | ✅ | $1.00/$5.00 | 최첨단 수준의 성능, 고속 | | `us.anthropic.claude-sonnet-4-5-20250929-v1:0`* | Anthropic | ✅ | ✅ | $3.00/$15.00 | 실제 에이전트, 뛰어난 코딩 | | `us.anthropic.claude-sonnet-4-20250514-v1:0` | Anthropic | ✅ | ✅ | $3.00/$15.00 | 균형 잡힌 성능, 프로덕션 준비 | | `us.anthropic.claude-3-5-haiku-20241022-v1:0` | Anthropic | ❌ | ❌ | $0.80/$4.00 | 가장 빠른 모델, 비용 효율적인 스캔 | | `cohere.command-r-plus-v1:0` | Cohere | ❌ | ❌ | $3.00/$15.00 | 대규모 운영, 우수한 RAG | | `deepseek.v3.2` | DeepSeek | ❌ | ❌ | $0.58/$1.68 | 긴 컨텍스트 추론, 효율성 | | `openai.gpt-oss-120b-1:0`* | OpenAI (OSS) | ✅ | ❌ | $0.15/$0.60 | 강력한 추론, 과학적 분석 | | `openai.gpt-oss-20b-1:0` | OpenAI (OSS) | ✅ | ❌ | $0.07/$0.30 | 효율적인 코딩, 소프트웨어 개발 | | `qwen.qwen3-next-80b-a3b` | Qwen | ❌ | ❌ | $0.15/$1.20 | 초장기 컨텍스트, 플래그십 추론 | | `qwen.qwen3-32b-v1:0` | Qwen | ❌ | ❌ | $0.15/$0.60 | 균형 잡힌 추론, 연구 사용 사례 | | `qwen.qwen3-coder-30b-a3b-v1:0` | Qwen | ❌ | ❌ | $0.15/$0.60 | 바이브 코딩, 자연어 우선 | | `qwen.qwen3-coder-next` | Qwen | ❌ | ❌ | $0.45/$1.80 | 도구 사용, 함수 호출 최적화 | | `mistral.mistral-large-3-675b-instruct` | Mistral | ❌ | ✅ | $4.00/$12.00 | 고급 멀티모달, 긴 컨텍스트 | | `moonshotai.kimi-k2.5` | Moonshot | ❌ | ✅ | $0.60/$3.00 | 하나의 모델에서 비전, 언어, 코드 | **가격**: 100만 토큰당. 사고/추론을 지원하는 모델은 추론 단계에서 추가 컴퓨팅 비용이 발생합니다. #### 테스트되었으나 호환되지 않는 모델 일부 AWS Bedrock 모델이 테스트되었으나 기술적 한계로 **지원되지 않습니다**: | 모델군 | 비호환 이유 | | ------------------------- | ----------------------------------------------------------------------------------------- | | **GLM (Z.AI)** | 도구 호출 형식이 Converse API와 호환되지 않음 (JSON 대신 문자열 필요) | | **AI21 Jamba** | 심각한 속도 제한 (1-2 요청/분)으로 신뢰할 수 있는 테스트 및 프로덕션 사용 불가 | | **Meta Llama 3.3/3.1** | 불안정한 도구 호출 결과 처리로 인해 다중 턴 워크플로에서 예기치 않은 오류 발생 | | **Mistral Magistral** | 모델이 도구 호출을 지원하지 않음 | | **Moonshot K2-Thinking** | 도구 호출 시 불안정한 스트리밍 동작, 프로덕션에서 신뢰할 수 없음 | | **Qwen3-VL** | 도구 호출 시 불안정한 스트리밍, 멀티모달 + 도구 조합이 간헐적으로 실패 | > [!IMPORTANT] > **속도 제한 및 할당량 관리** > > Claude 모델의 기본 AWS Bedrock 할당량은 **매우 제한적입니다** (신규 계정의 경우 분당 2-20개 요청). 프로덕션 침투 테스트의 경우: > > 1. 사용하려는 모델에 대해 AWS Service Quotas 콘솔을 통해 **할당량 증가 요청** > 2. **Amazon Nova 모델 사용** - 기본 할당량이 더 높고 성능 우수 > 3. 일관된 대량 테스트를 위해 **프로비저닝된 처리량 활성화** > 4. **사용량 모니터링** - AWS는 할당량 한도에서 적극적으로 제한 > > 할당량 증가 없이는 잦은 지연과 워크플로 중단이 예상됩니다. > [!WARNING] > **Converse API 요구 사항** > > PentAGI는 통합 모델 액세스를 위해 Amazon Bedrock **Converse API**를 사용합니다. 지원되는 모든 모델에는 다음이 필요합니다: > > - ✅ Converse/ConverseStream API 지원 > - ✅ 침투 테스트 워크플로를 위한 도구 사용 (함수 호출) > - ✅ 실시간 피드백을 위한 스트리밍 도구 사용 > > 모델 기능 확인: [AWS Bedrock Model Features](https://docs.aws.amazon.com/bedrock/latest/userguide/conversation-inference-supported-models-features.html) **주요 기능**: - **자동 프롬프트 캐싱**: 반복 컨텍스트에서 40-70% 비용 절감 (Claude 4.x 모델) - **확장 사고**: 복잡한 보안 분석을 위한 단계별 추론 (Claude, DeepSeek R1, OpenAI GPT) - **멀티모달 분석**: 종합적인 테스트를 위한 스크린샷, 다이어그램, 비디오 처리 (Nova, Claude, Mistral, Kimi) - **도구 호출**: 함수 호출을 통해 20개 이상의 침투 테스트 도구와 원활한 통합 - **스트리밍**: 대화형 보안 평가 워크플로를 위한 실시간 응답 스트리밍 ### DeepSeek 제공자 구성 PentAGI는 DeepSeek과 통합되어 경쟁력 있는 가격으로 강력한 추론, 코딩 기능 및 컨텍스트 캐싱을 갖춘 고급 AI 모델에 대한 액세스를 제공합니다. #### 구성 변수 | 변수 | 기본값 | 설명 | | --------------------- | -------------------------- | --------------------------------------------------- | | `DEEPSEEK_API_KEY` | | 인증을 위한 DeepSeek API 키 | | `DEEPSEEK_SERVER_URL` | `https://api.deepseek.com` | DeepSeek API 엔드포인트 URL | | `DEEPSEEK_PROVIDER` | | LiteLLM 통합을 위한 제공자 접두사 (선택 사항) | #### 구성 예제```bash # Direct API usage DEEPSEEK_API_KEY=your_deepseek_api_key DEEPSEEK_SERVER_URL=https://api.deepseek.com # With LiteLLM proxy DEEPSEEK_API_KEY=your_litellm_key DEEPSEEK_SERVER_URL=http://litellm-proxy:4000 DEEPSEEK_PROVIDER=deepseek # Adds prefix to model names (deepseek/deepseek-v4-flash) for LiteLLM

#### 지원되는 모델 PentAGI는 도구 호출, 스트리밍, 하이브리드 사고 모드 및 프롬프트 캐싱을 지원하는 13개의 GLM 모델을 지원합니다. `*`로 표시된 모델은 기본 구성에서 사용됩니다. 사고는 `extra_body.thinking.type` ("enabled"/"disabled")을 통해 제어됩니다. Kimi와 달리 GLM은 두 모드 모두에서 온도 설정에 대해 관대합니다. **GLM-5.x 시리즈 - 최신 세대 (200K 컨텍스트, 128K 최대 출력)** | 모델 ID | 사고 | 컨텍스트 | 최대 출력 | 가격 (입력/출력/캐시) | 사용 사례 | | ----------------- | ------- | ------- | ---------- | --------------------------------- | ------------------------------------------------------------------------------- | | `glm-5.1`* | ✅ 하이브리드 | 200K | 128K | $1.40/$4.40/$0.26 | 최신 플래그십: 8시간 지속 자율 실행, Claude Opus 4.6 정렬 (생성기/정제기/조언자/코더/페너테스터 기본값) | | `glm-5` | ✅ 하이브리드 | 200K | 128K | $1.00/$3.20/$0.20 | Agentic Engineering을 위한 기반, MoE 744B/40B 활성, Claude Opus 4.5 수준 코딩 | | `glm-5-turbo`* | ✅ 하이브리드 | 200K | 128K | $1.20/$4.00/$0.24 | OpenClaw-네이티브: 도구 호출, 지속 작업, 장기 실행 체인에 최적화 (primary_agent/assistant 기본값) | **GLM-4.7 시리즈 - 인터리브 사고가 포함된 프리미엄** | 모델 ID | 사고 | 컨텍스트 | 최대 출력 | 가격 (입력/출력/캐시) | 사용 사례 | | ------------------ | ------- | ------- | ---------- | --------------------------------- | ---------------------------------------------------- | | `glm-4.7` | ✅ 하이브리드 | 200K | 128K | $0.60/$2.20/$0.11 | 향상된 프로그래밍, 안정적인 다단계 추론 | | `glm-4.7-flashx` | ✅ 하이브리드 | 200K | 128K | $0.07/$0.40/$0.01 | 초저렴, 우선 GPU 제공, 단 낮은 RPM 제한 (고주파 사용 시 피할 것) | | `glm-4.7-flash` | ✅ 하이브리드 | 200K | 128K | 무료/무료/무료 | 무료 ~30B SOTA 모델, 1개의 동시 요청 | **GLM-4.6 시리즈 - 자동 사고가 포함된 균형 모델** | 모델 ID | 사고 | 컨텍스트 | 최대 출력 | 가격 (입력/출력/캐시) | 사용 사례 | | ---------- | ----- | ------- | ---------- | --------------------------------- | -------------------------------------------------- | | `glm-4.6` | ✅ 자동 | 200K | 128K | $0.60/$2.20/$0.11 | 균형 잡힌, 스트리밍 도구 호출, 토큰 효율적 | **GLM-4.5 시리즈 - 통합 추론/코딩/에이전트** | 모델 ID | 사고 | 컨텍스트 | 최대 출력 | 가격 (입력/출력/캐시) | 사용 사례 | | ----------------- | ------- | ------- | ---------- | --------------------------------- | -------------------------------------------------- | | `glm-4.5` | ✅ 자동 | 128K | 96K | $0.60/$2.20/$0.11 | 통합, MoE 355B/32B 활성 | | `glm-4.5-x` | ✅ 자동 | 128K | 96K | $2.20/$8.90/$0.45 | 초고속 프리미엄, 최저 지연시간 | | `glm-4.5-air`* | ✅ 자동 | 128K | 96K | $0.20/$1.10/$0.03 | 비용 효율적 MoE 106B/12B (simple/simple_json/reflector/searcher/enricher/installer 기본값) | | `glm-4.5-airx` | ✅ 자동 | 128K | 96K | $1.10/$4.50/$0.22 | 우선 GPU가 적용된 가속 Air | | `glm-4.5-flash` | ✅ 자동 | 128K | 96K | 무료/무료/무료 | 추론/코딩/에이전트 지원이 포함된 무료 모델 | **GLM-4 레거시 - 밀집 아키텍처** | 모델 ID | 사고 | 컨텍스트 | 최대 출력 | 가격 (입력/출력) | 사용 사례 | | -------------------------- | --- | ------- | ---------- | ----------------------- | -------------------------------------------- | | `glm-4-32b-0414-128k` | ❌ | 128K | 16K | $0.10/$0.10 | 초저예산 밀집 32B, 추론 없는 파싱 | **가격**: 백만 토큰당. 캐시 가격은 프롬프트 캐시 히트에 해당하며, 캐시 스토리지는 현재 Z.AI 프로모션에 따라 무료입니다. GLM-4-32B는 캐시를 지원하지 않습니다. **기본 에이전트 구성**: 전략: `glm-5.1` (최신 플래그십, 입력 $1.40)은 중요 추론용, `glm-5-turbo` (OpenClaw-네이티브, 에이전트 최적화)는 오케스트레이션용, `glm-4.5-air` (저렴한 MoE, 하이브리드 사고 및 신뢰할 수 있는 RPM)는 모든 유틸리티/설치 에이전트용. `glm-4.7-flashx`는 낮은 RPM 제한으로 인해 고주파에서 빈번한 429 오류를 유발하므로 기본값으로 사용하지 않음. | 에이전트 역할 | 기본 모델 | 사고 | 온도 | Top P | 최대 출력 | | ------------------------------ | ------------- | ------- | ----- | ----- | ---------- | | 생성기 / 정제기 | `glm-5.1` | 활성화 | 1.0 | 0.95 | 32768 | | 코더 | `glm-5.1` | 활성화 | 1.0 | 0.95 | 20480 | | 조언자 / 페너테스터 | `glm-5.1` | 활성화 | 1.0 | 0.95 | 16384 | | 기본 에이전트 / 어시스턴트 | `glm-5-turbo` | 활성화 | 1.0 | 0.95 | 16384 | | 설치자 | `glm-4.5-air` | 활성화 | 1.0 | 0.95 | 16384 | | 단순 / 반사기 | `glm-4.5-air` | 비활성화 | 0.6 | 0.9 | 8192 | | 검색기 / 보강기 / 단순 JSON | `glm-4.5-air` | 비활성화 | 0.6 | 0.9 | 4096 | > **온도에 대한 참고 사항**: GLM은 사고/비사고 모드 모두에서 `1.0`과 `0.6`을 수용합니다 (Z.AI 문서 기준). langchaingo의 `IsReasoningModel`은 `glm-4.5*`/`glm-4.6*`/`glm-4.7*` 접두사를 매칭하고 `createChatRequest`에서 온도를 1.0으로 강제 재정의합니다. 이는 GLM에 해롭지 않지만 (Kimi와 달리) YAML에서 해당 모델의 온도 값은 권고 사항으로만 간주됩니다. `glm-5`/`glm-5.1`/`glm-5-turbo`는 매칭되지 않으므로 명시적 값이 그대로 전달됩니다. **사고 모드**: - **하이브리드** (GLM-5.x, GLM-4.7): `extra_body.thinking.type`을 통한 명시적 전환 - **자동** (GLM-4.6, GLM-4.5 시리즈): 모델이 추론이 필요할 때를 자동으로 결정 - **보존된 사고** (Z.AI 코딩 기능): PentAGI의 모든 사고 가능 에이전트는 `extra_body.thinking.clear_thinking: false`도 전달하여 이전 어시스턴트 턴의 `reasoning_content`가 대화 전반에 걸쳐 유지되도록 합니다. 이는 표준 API 엔드포인트(`/api/paas/v4`)에서 필요하며, 코딩 플랜 엔드포인트에서는 기본적으로 활성화됩니다. 다중 턴 도구 호출 체인에서 추론 연속성과 캐시 적중률을 향상시킵니다. - 모든 사고 가능 에이전트는 방어적으로 `extra_body.tool_choice: auto`도 전달합니다. **주요 기능**: - **장기 작업**: GLM-5.1은 8시간 지속 자율 실행을 지원하여 복잡한 다단계 에이전트 워크플로에 이상적입니다. - **OpenClaw-네이티브 오케스트레이션**: GLM-5-Turbo는 도구 호출, 명령 수행 및 장기 실행 체인에 특별히 최적화되었습니다. - **프롬프트 캐싱**: 반복 컨텍스트에 대한 상당한 비용 절감 (캐시된 입력 가격 표시됨). - **초장기 컨텍스트**: GLM-5.x/4.7/4.6 시리즈의 경우 200K 토큰. - **MoE 아키텍처**: 효율적인 744B/40B 활성 (GLM-5/5.1), 355B/32B (GLM-4.5), 106B/12B (GLM-4.5-Air). - **도구 호출**: 기능 호출을 통한 20개 이상의 페너테스팅 도구와의 원활한 통합. - **스트리밍**: 스트리밍 도구 호출을 지원하는 실시간 스트리밍 (GLM-4.6+). - **다국어**: 뛰어난 중국어 및 영어 NLP 성능. - **무료 옵션**: 프로토타이핑 및 실험을 위한 GLM-4.7-Flash 및 GLM-4.5-Flash. **LiteLLM 통합**: `GLM_PROVIDER=zai`로 설정하여 LiteLLM 프록시와 함께 기본 PentAGI 구성을 사용할 때 모델 이름 접두사를 활성화합니다. 직접 API 사용 시 비워 둡니다. ### Kimi 제공자 구성 PentAGI는 Moonshot AI의 Kimi와 통합하여 방대한 코드베이스와 문서를 분석하는 데 완벽한 초장기 컨텍스트 모델과 멀티모달 기능을 제공합니다. #### 구성 변수 | 변수 | 기본값 | 설명 | | ------------------ | ------------------------------ | ----------------------------------------------- | | `KIMI_API_KEY` | | 인증을 위한 Kimi API 키 | | `KIMI_SERVER_URL` | `https://api.moonshot.ai/v1` | Kimi API 엔드포인트 URL (국제) | | `KIMI_PROVIDER` | | LiteLLM 통합을 위한 제공자 접두사 (선택 사항) | #### 구성 예시```bash # Direct API usage (international endpoint) KIMI_API_KEY=your_kimi_api_key KIMI_SERVER_URL=https://api.moonshot.ai/v1 # Alternative endpoint KIMI_SERVER_URL=https://api.moonshot.cn/v1 # China # With LiteLLM proxy KIMI_API_KEY=your_litellm_key KIMI_SERVER_URL=http://litellm-proxy:4000 KIMI_PROVIDER=moonshot # Adds prefix to model names (moonshot/kimi-k2.5) for LiteLLM

매개변수	환경 변수	기본값	설명
Preserve Last	`SUMMARIZER_PRESERVE_LAST`	`true`	마지막 섹션의 모든 메시지를 그대로 유지할지 여부
Use QA Pairs	`SUMMARIZER_USE_QA`	`true`	QA 쌍 요약 전략 사용 여부
Summarize Human in QA	`SUMMARIZER_SUM_MSG_HUMAN_IN_QA`	`false`	QA 쌍에서 사람 메시지 요약 여부
Last Section Size	`SUMMARIZER_LAST_SEC_BYTES`	`51200`	마지막 섹션의 최대 바이트 크기 (50KB)
Max Body Pair Size	`SUMMARIZER_MAX_BP_BYTES`	`16384`	단일 본문 쌍의 최대 바이트 크기 (16KB)
Max QA Sections	`SUMMARIZER_MAX_QA_SECTIONS`	`10`	보존할 최대 QA 쌍 섹션 수
Max QA Size	`SUMMARIZER_MAX_QA_BYTES`	`65536`	QA 쌍 섹션의 최대 바이트 크기 (64KB)
Keep QA Sections	`SUMMARIZER_KEEP_QA_SECTIONS`	`1`	요약 없이 유지할 최근 QA 섹션 수

매개변수	환경 변수	기본값	설명
Preserve Last	`ASSISTANT_SUMMARIZER_PRESERVE_LAST`	`true`	어시스턴트의 마지막 섹션에 있는 모든 메시지를 유지할지 여부
Last Section Size	`ASSISTANT_SUMMARIZER_LAST_SEC_BYTES`	`76800`	어시스턴트 마지막 섹션의 최대 바이트 크기 (75KB)
Max Body Pair Size	`ASSISTANT_SUMMARIZER_MAX_BP_BYTES`	`16384`	어시스턴트 컨텍스트에서 단일 본문 쌍의 최대 바이트 크기 (16KB)
Max QA Sections	`ASSISTANT_SUMMARIZER_MAX_QA_SECTIONS`	`7`	어시스턴트 컨텍스트에서 보존할 최대 QA 섹션 수
Max QA Size	`ASSISTANT_SUMMARIZER_MAX_QA_BYTES`	`76800`	어시스턴트 QA 섹션의 최대 바이트 크기 (75KB)
Keep QA Sections	`ASSISTANT_SUMMARIZER_KEEP_QA_SECTIONS`	`3`	요약 없이 보존할 최근 QA 섹션 수

변수	기본값	설명
`LLM_SERVER_URL`		사용자 지정 LLM API 엔드포인트의 기본 URL
`LLM_SERVER_KEY`		사용자 지정 LLM 제공자의 API 키
`LLM_SERVER_MODEL`		사용할 기본 모델 (제공자 구성에서 재정의 가능)
`LLM_SERVER_CONFIG_PATH`		에이전트별 모델을 위한 YAML 구성 파일 경로
`LLM_SERVER_PROVIDER`		모델 이름의 제공자 접두사 (예: LiteLLM 프록시의 경우 `openrouter`, `deepseek`)
`LLM_SERVER_LEGACY_REASONING`	`false`	API 요청에서 추론 형식 제어
`LLM_SERVER_PRESERVE_REASONING`	`false`	다중 턴 대화에서 추론 콘텐츠 유지 (일부 제공자에서 필요)

변수	기본값	설명
`OLLAMA_SERVER_URL`		Ollama 서버 또는 Ollama Cloud의 URL
`OLLAMA_SERVER_API_KEY`		Ollama Cloud 인증용 API 키
`OLLAMA_SERVER_MODEL`		추론에 사용할 기본 모델
`OLLAMA_SERVER_CONFIG_PATH`		사용자 지정 에이전트 구성 파일 경로
`OLLAMA_SERVER_PULL_MODELS_TIMEOUT`	`600`	모델 다운로드 타임아웃 (초)
`OLLAMA_SERVER_PULL_MODELS_ENABLED`	`false`	시작 시 모델 자동 다운로드
`OLLAMA_SERVER_LOAD_MODELS_ENABLED`	`false`	서버에서 사용 가능한 모델 조회

모델 ID	추론	가격 (입력/출력/캐시)	사용 사례
`gpt-5.2`*	✅	$1.75/$14.00/$0.18	향상된 추론 및 도구 통합을 갖춘 최신 플래그십, 자율 보안 연구
`gpt-5.2-pro`	✅	$21.00/$168.00/$0.00	뛰어난 에이전틱 코딩, 미션 크리티컬 보안 연구, 제로데이 발견을 위한 프리미엄 버전
`gpt-5.2-codex`	✅	$1.75/$14.00/$0.18	가장 진보된 코드 특화, 컨텍스트 압축, 강력한 사이버 보안 기능

모델 ID	추론	가격 (입력/출력/캐시)	사용 사례
`gpt-5`	✅	$1.25/$10.00/$0.13	고급 추론을 갖춘 최고의 에이전틱, 자율 보안 연구, 익스플로잇 체인 개발
`gpt-5.1`	✅	$1.25/$10.00/$0.13	적응형 추론을 갖춘 향상된 에이전틱, 균형 잡힌 침투 테스트 및 강력한 도구 조정
`gpt-5-pro`	✅	$15.00/$120.00/$0.00	주요 추론 개선, 환각 감소, 중요 보안 운영을 위한 프리미엄 버전
`gpt-5-mini`	✅	$0.25/$2.00/$0.03	속도와 지능의 균형을 효율적으로 맞춤, 자동 취약점 분석, 익스플로잇 생성
`gpt-5-nano`	✅	$0.05/$0.40/$0.01	고처리량 스캐닝, 정찰, 대량 취약점 탐지를 위한 가장 빠른 모델

모델 ID	추론	가격 (입력/출력/캐시)	사용 사례
`gpt-5.1-codex-max`	✅	$1.25/$10.00/$0.13	정교한 코딩을 위한 향상된 추론, 입증된 CVE 발견, 체계적인 익스플로잇 개발
`gpt-5.1-codex`	✅	$1.25/$10.00/$0.13	강력한 추론을 갖춘 표준 코드 최적화, 익스플로잇 생성, 취약점 분석
`gpt-5-codex`	✅	$1.25/$10.00/$0.13	기본 코드 특화, 취약점 스캐닝, 기본 익스플로잇 생성
`gpt-5.1-codex-mini`	✅	$0.25/$2.00/$0.03	소형 고성능, 4배 더 높은 용량, 신속한 취약점 탐지
`codex-mini-latest`	✅	$1.50/$6.00/$0.38	최신 소형 코드 모델, 자동 코드 리뷰, 기본 취약점 분석

모델 ID	추론	가격 (입력/출력/캐시)	사용 사례
`gpt-4.1`	❌	$2.00/$8.00/$0.50	뛰어난 함수 호출, 복잡한 위협 분석, 정교한 익스플로잇 개발을 갖춘 향상된 플래그십
`gpt-4.1-mini`*	❌	$0.40/$1.60/$0.10	개선된 효율성으로 균형 잡힌 성능, 일상적인 보안 평가, 자동 코드 분석
`gpt-4.1-nano`	❌	$0.10/$0.40/$0.03	초고속 경량, 대량 보안 스캐닝, 신속한 정찰, 지속적인 모니터링

모델 ID	추론	가격 (입력/출력/캐시)	사용 사례
`gpt-4o`	❌	$2.50/$10.00/$1.25	비전, 이미지 분석, 웹 UI 평가, 다중 도구 오케스트레이션을 갖춘 멀티모달 플래그십
`gpt-4o-mini`	❌	$0.15/$0.60/$0.08	강력한 함수 호출, 고빈도 스캐닝, 비용 효율적인 대량 작업을 갖춘 소형 멀티모달

모델 ID	추론	가격 (입력/출력/캐시)	사용 사례
`o4-mini`*	✅	$1.10/$4.40/$0.28	향상된 속도를 갖춘 차세대 추론, 체계적인 보안 평가, 체계적인 익스플로잇 개발
`o3`*	✅	$2.00/$8.00/$0.50	고급 추론 파워하우스, 다단계 공격 체인, 심층 취약점 분석
`o3-mini`	✅	$1.10/$4.40/$0.55	확장된 사고를 갖춘 소형 추론, 단계별 공격 계획, 논리적 취약점 체이닝
`o1`	✅	$15.00/$60.00/$7.50	최대 깊이의 최고 추론, 고급 침투 테스트, 새로운 익스플로잇 연구
`o3-pro`	✅	$20.00/$80.00/$0.00	가장 진보된 추론, o1-pro보다 80% 저렴, 제로데이 연구, 중요 보안 조사
`o1-pro`	✅	$150.00/$600.00/$0.00	이전 세대 프리미엄 추론, 철저한 보안 분석, 미션 크리티컬 과제

변수	기본값	설명
`ANTHROPIC_API_KEY`		Anthropic 서비스용 API 키
`ANTHROPIC_SERVER_URL`	`https://api.anthropic.com/v1`	Anthropic API 엔드포인트

모델 ID	생각	컨텍스트	가격 (입력/출력/캐시)	사용 사례
`gemini-3.1-pro-preview`*	✅	1M	$2.00/$12.00/$0.20	세련된 생각, 개선된 토큰 효율성을 갖춘 최신 플래그십, 소프트웨어 엔지니어링 및 에이전트 워크플로에 최적화
`gemini-3.1-pro-preview-customtools`	✅	1M	$2.00/$12.00/$0.20	bash 및 사용자 정의 도구(view_file, search_code) 우선순위 지정에 최적화된 사용자 정의 도구 엔드포인트
`gemini-3.1-flash-lite`*	✅	1M	$0.25/$1.50/$0.025	가장 비용 효율적인 안정적인 멀티모달 모델, 대량 에이전트 작업 및 지연 시간이 짧은 애플리케이션을 위한 최전선 성능

모델 ID	생각	컨텍스트	가격 (입력/출력/캐시)	사용 사례
`gemini-2.5-pro`	✅	1M	$1.25/$10.00/$0.125	복잡한 코딩 및 추론, 정교한 위협 모델링을 위한 최첨단
`gemini-2.5-flash`	✅	1M	$0.30/$2.50/$0.03	생각 예산을 갖춘 최초의 하이브리드 추론 모델, 대규모 평가를 위한 최고의 가격 대비 성능
`gemini-2.5-flash-lite`	✅	1M	$0.10/$0.40/$0.01	대규모 사용, 고처리량 스캐닝을 위한 가장 작고 비용 효율적인 모델

모델 ID	생각	컨텍스트	가격 (입력/출력/캐시)	사용 사례
`gemma-4-31b-it`	✅	256K	무료/무료/무료	가장 큰 오픈소스 Gemma 4 밀집 모델(~31B 매개변수), 멀티모달 텍스트+이미지, 140개 이상의 언어, 온프레미스 보안 운영
`gemma-4-26b-a4b-it`	✅	256K	무료/무료/무료	MoE 아키텍처(총 ~26B / 활성 ~3.8B 매개변수), 온프레미스 고처리량 스캐닝을 위한 소비자 GPU에서의 고효율 추론

변수	기본값	설명
`BEDROCK_REGION`	`us-east-1`	Bedrock 서비스의 AWS 리전
`BEDROCK_DEFAULT_AUTH`	`false`	AWS SDK 기본 자격 증명 체인 사용(환경, EC2 역할, ~/.aws/credentials) - 최고 우선순위
`BEDROCK_BEARER_TOKEN`		Bearer 토큰 인증 - 정적 자격 증명보다 우선
`BEDROCK_ACCESS_KEY_ID`		정적 자격 증명을 위한 AWS 액세스 키 ID
`BEDROCK_SECRET_ACCESS_KEY`		정적 자격 증명을 위한 AWS 비밀 액세스 키
`BEDROCK_SESSION_TOKEN`		임시 자격 증명을 위한 AWS 세션 토큰(선택 사항, 정적 자격 증명과 함께 사용)
`BEDROCK_SERVER_URL`		사용자 정의 Bedrock 엔드포인트(VPC 엔드포인트, 로컬 테스트)

에이전트 역할	기본 모델	사고	추론 노력	최대 출력	온도	상위 P
생성기 / 정제기	`deepseek-v4-pro`	활성화	높음	32768	(자동)	(자동)
코더	`deepseek-v4-pro`	활성화	높음	20480	(자동)	(자동)
기본 에이전트 / 어시스턴트 / 침투 테스터	`deepseek-v4-pro`	활성화	높음	16384	(자동)	(자동)
조언자 (멘토/플래너)	`deepseek-v4-pro`	활성화	높음	8192	(자동)	(자동)
설치기	`deepseek-v4-flash`	활성화	높음	12288	(자동)	(자동)
반사기 / 검색기 / 풍부화기	`deepseek-v4-flash`	비활성화	—	4096	0.5	0.9
심플 / 심플 JSON	`deepseek-v4-flash`	비활성화	—	2048	0.3	0.9

Model ID	사고	최대 출력	컨텍스트	가격 (입력/출력/캐시)	사용 사례
`deepseek-v4-flash`*	✅ 하이브리드	384K	1M	$0.14/$0.28/$0.0028	유틸리티 에이전트, 일반 대화, 빠른 도구 호출
`deepseek-v4-pro`*	✅ 하이브리드	384K	1M	$1.74/$3.48/$0.0145	고급 추론, 복잡한 논리, 보안 분석

변수	기본값	설명
`GLM_API_KEY`		GLM API 키 (인증용)
`GLM_SERVER_URL`	`https://api.z.ai/api/paas/v4`	GLM API 엔드포인트 URL (국제)
`GLM_PROVIDER`		LiteLLM 통합용 공급자 접두사 (선택 사항)

모델 ID	사고	멀티모달	컨텍스트	가격 (입력 Miss / 출력 / 캐시 적중)	사용 사례
`kimi-k2.6`*	✅ 하이브리드	✅	256K	$0.95 / $4.00 / $0.16	최신 플래그십: 네이티브 멀티모달, 더 강력한 코드, 개선된 명령 준수 (생성기/정제기/조언자/코더/펜테스터 기본값)
`kimi-k2.5`*	✅ 하이브리드	✅	256K	$0.60 / $3.00 / $0.10	이전 세대: 입력 36% 저렴, 동일 아키텍처 (기본/보조/설치기/유틸리티 기본값)

모델 ID	사고	멀티모달	컨텍스트	가격 (입력 / 출력)	사용 사례
`moonshot-v1-8k`	❌	❌	8K	$0.20 / $2.00	짧은 텍스트 생성, 초저가
`moonshot-v1-32k`	❌	❌	32K	$1.00 / $3.00	긴 텍스트 생성
`moonshot-v1-128k`	❌	❌	128K	$2.00 / $5.00	매우 긴 컨텍스트

모델 ID	사고	멀티모달	컨텍스트	가격 (입력 / 출력)	사용 사례
`moonshot-v1-8k-vision-preview`	❌	✅	8K	$0.20 / $2.00	비전 + 짧은 컨텍스트
`moonshot-v1-32k-vision-preview`	❌	✅	32K	$1.00 / $3.00	비전 + 중간 컨텍스트
`moonshot-v1-128k-vision-preview`	❌	✅	128K	$2.00 / $5.00	비전 + 긴 컨텍스트

pentagi

인기

PentAGI

목차

개요

기능

현재 기능 범위

아키텍처

시스템 컨텍스트```mermaid

글로벌 요약기 구성 옵션

어시스턴트 요약기 구성 옵션

요약기 환경 구성```bash

Default values for global summarizer logic

Default values for assistant summarizer logic

Add your user to the docker group

Log out and log back in, or activate the group immediately

Verify Docker access (should run without sudo)

현재 웹 설정 범위

여전히 서버에서 관리되는 항목

수동 설치

주요 보안 설정

스크래퍼 접근

액세스 자격 증명

웹 UI 계정

외부 네트워크에서 PentAGI 접근

구성 단계

Network binding - allow external connections

Public URL - use your actual server IP or hostname

Replace 192.168.1.100 with your server's IP address

CORS origins - list all URLs that will access PentAGI

Include localhost for local access AND your server IP for external access

Ubuntu/Debian with UFW

CentOS/RHEL with firewalld

Scraper configuration for Podman rootless

Test from within the pentagi container

2. 반복 작업을 위한 템플릿 사용

3. 실행 모니터링 및 출력 검토

4. 활성 플로우를 제어하기 위해 Assistant 보기 사용

5. 플로우 범위 파일 관리

API 액세스

API 토큰 생성

API 토큰 사용

GraphQL API example

REST API example

Swagger UI

API 클라이언트 생성

GraphQL 클라이언트

REST API 클라이언트

API 사용 예제

Usage

Create a new flow

List all flows

보안 모범 사례

토큰 관리

사용자 지정 LLM 제공자 구성

Ollama 제공자 구성

구성 변수

Ollama Cloud 구성

Free tier allows one model at a time

Using custom provider configuration

Mount custom configuration from host filesystem (in .env or docker-compose override)

로컬 Ollama 설정

Basic local Ollama setup

Production setup with auto-pull and model discovery

Using pre-built configurations from Docker image

or

or

지원되는 모델

Anthropic 제공자 구성

구성 변수

구성 예제```bash

Basic Anthropic setup

Using with proxy for secure environments

지원되는 모델

AWS Bedrock 공급자 구성

구성 변수

구성 예제```bash

Recommended: Default AWS SDK authentication (EC2/ECS/Lambda roles)

Bearer token authentication (AWS STS, custom auth)

Static credentials (development, testing)