Skip to content
KitploitKITPLOIT
FerramentasBlog
Enviar
FerramentasBlog
Enviar

Ferramentas de Hacking, PenTest e Cibersegurança para o seu Arsenal de Segurança!

Kitploit é um diretório de ferramentas de hacking, cibersegurança e pentesting. Descubra as últimas atualizações de projetos para encontrar vulnerabilidades, analisar sistemas, automatizar testes e fortalecer sua segurança.

··Feeds·Contato·Privacidade·© 2026 Kitploit

Diretório de Ferramentas

Categorias

Ver todas as categorias
Loading categories
Ferramentas/GitHubGitHub/bishopfox/raink
Análise de VulnerabilidadesAprendizado de MáquinaSegurança de IA
GitHubbishopfox/raink

raink

Use LLMs para ranqueamento de documentos

Ver Repositório
17863há 1 anoRevisado pelo Kitploit

Mais Populares

Ver todos →

Descubra as ferramentas mais usadas pela nossa comunidade.

Explore todas as ferramentas

Navegue pela nossa coleção de ferramentas

Ver todas as ferramentas →
Compartilhar

logo
Use LLMs para classificação de documentos.

Descrição

Há poder na IA no sentido de que você pode "jogar um problema para ela" e obter algum resultado, sem sequer definir completamente o problema. Por exemplo, dê a ela um monte de diffs de código e um aviso de segurança, e pergunte: "Qual desses diffs parece mais provável de corrigir o bug de segurança?" No entanto, nem sempre é tão fácil:

  • não determinismo: nem sempre responde com o mesmo resultado
  • janela de contexto: não é possível passar todos os dados de uma vez, é preciso dividi-los
  • restrições de saída: às vezes não retorna todos os dados que você pediu para revisar
  • subjetividade na pontuação: tem muita dificuldade em atribuir uma pontuação numérica a um item individual

Construímos o raink para contornar esses problemas e resolver problemas gerais de classificação que, de outra forma, são difíceis para LLMs processarem. Consulte nossa postagem no blog raink: Use LLMs for Document Ranking para mais contexto sobre essa técnica, e nossa palestra Patch Perfect: Harmonizing with LLMs to Find Security Vulns para ver como aplicamos o raink a problemas de segurança ofensiva.

Começando

Instalação

root@kitploit:~
git clone https://github.com/bishopfox/raink
cd raink
go install

Configuração

Defina sua variável de ambiente OPENAI_API_KEY.

Baixar ferramenta

Uso

root@kitploit:~
raink  -h
Usage of raink:
  -f string
    	Input file
  -p string
    	Initial prompt
  -r int
    	Number of runs (default 10)
  -s int
    	Batch size (default 10)

Compara 100 sentenças em menos de 2 minutos.

root@kitploit:~
raink \
    -f testdata/sentences.txt \
    -r 10 \
    -s 10 \
    -p 'Rank each of these items according to their relevancy to the concept of "time".' |
    jq -r '.[:10] | map(.value)[]' |
    nl

   1  The train arrived exactly on time.
   2  The old clock chimed twelve times.
   3  The clock ticked steadily on the wall.
   4  The bell rang, signaling the end of class.
   5  The rooster crowed at the break of dawn.
   6  She climbed to the top of the hill to watch the sunset.
   7  He watched as the leaves fell one by one.
   8  The stars twinkled brightly in the clear night sky.
   9  He spotted a shooting star while stargazing.
  10  She opened the curtains to let in the morning light.

Material complementar

Veja também

  • raink: Use LLMs para Classificação de Documentos
  • Patch Perfect: Harmonizando com LLMs para Encontrar Vulnerabilidades de Segurança
  • Modelos de Linguagem de Grande Porte são Classificadores de Texto Eficazes com Prompting de Classificação por Pares
  • Apresentando o Rerank 3.5: Busca de IA Precisa

A fazer

  • paralelizar chamadas openai para cada execução
  • economizar tempo usando ids de hash mais curtos
  • garantir que cada execução aleatória seja dividida uniformemente em grupos para que cada um seja incluído/exposto
  • permitir especificar um diretório de entrada (onde cada arquivo é um objeto distinto)
  • alertar se a janela de contexto recebida for muito grande
  • alguns lotes perto do final de uma execução (9?) são pequenos por algum motivo
  • executar o modo de lote da openai
  • calcular automaticamente o tamanho ideal do lote?
  • explorar a classificação por "torneio" versus exposição completa a cada vez
  • adicionar parâmetro para taxa de refinamento
  • adicionar link do blog
  • suportar modelos que não sejam da OpenAI
  • adicionar sinalizador booleano de refinamento

Licença

Este projeto está licenciado sob a Licença MIT.