🚀 Pentest Ai

Lançamento Oficial Open-Source e Base de Código Mantida por @kush-coder


💡 Sobre Este Projeto

Pentester de IA open-source que comprova cada descoberta. Oráculos de máquina reexecutam cada exploit; bugs verificados geram uma cápsula de prova que você mesmo pode reproduzir.

Este repositório é ativamente mantido e distribuído por @kush-coder como um lançamento oficial open-source.

✨ Destaques Principais

• 🛡️ Verificações de Integridade Verificadas: Passou por builds automatizados em sandbox, resolução de dependências e execuções de testes de integridade.
• 🚀 Pronto para Produção: Pegada leve otimizada para alta eficiência.
• 📦 Open Source Permissivo: Disponível para integração por desenvolvedores, modificações personalizadas e melhorias da comunidade.

🚀 Início Rápido e Instalação

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

📖 Documentação abrangente

Site · Início rápido · Bug bounty · Verificação · Documentação · Issues

O Pentest-AI é uma ferramenta de código aberto de pentesting com IA e bug bounty que mantém descobertas comprovadas separadas de suposições. Ela conecta um cliente de IA ou modelo a um fluxo de trabalho real de pentest: investigar aplicações web, descobrir e reproduzir vulnerabilidades e usar oráculos de máquina para verificar se um exploit realmente funciona. Uma descoberta que nenhum oráculo consegue provar permanece rotulada como candidata, e uma descoberta verificada carrega as requisições e respostas que a comprovaram.

Use-a via MCP (Claude Code, Codex, Cursor, VS Code), pela CLI ou em CI/CD. O modelo conduz a investigação; um oráculo independente decide se uma descoberta merece um veredito verificado, para que as suposições do modelo nunca cheguem disfarçadas de resultados.

Feito para bug bounty autorizado: um perfil por programa carrega seu escopo, sua taxa declarada e seu handle de pesquisador, uma execução de teste (dry run) mostra o plano antes de qualquer envio, e os rascunhos de relatório vêm apenas de descobertas verificadas. Ir para o fluxo de trabalho de bug bounty →

Teste apenas sistemas que você possui ou tem autorização explícita para avaliar. Leia a política de uso aceitável e os termos antes de executar um engajamento.

Início rápido

Recomendado: Codex ou Claude Code

Use Python 3.10 a 3.14 e instale o pipx primeiro. Execute pipx ensurepath e reabra seu terminal se necessário. O pipx isola as dependências do Pentest-AI e torna seus comandos disponíveis em todas as pastas.

pipx install ptai
ptai setup --mcp

Instale primeiro a CLI do seu cliente de IA. A configuração pergunta antes de conectar todos os clientes suportados detectados, incluindo tanto o Codex quanto o Claude Code quando instalados. Ela preserva os registros existentes. Reinicie seu cliente depois.

O assistente usa configurações de escopo do usuário. Ele não instala clientes, não faz login, não baixa modelos nem configura o Ollama. Seu cliente de IA fornece o modelo; nenhuma chave de API de modelo separada é exigida pelo servidor MCP. Use ptai setup --mcp --dry-run para visualizar as alterações. Consulte configuração de cliente único e por repositório para instruções do Codex .codex/config.toml e do Claude Code .mcp.json.

Para atualizações, use pipx upgrade ptai. Em um ambiente virtual já ativado, python -m pip install --upgrade ptai também é suportado; mantenha esse ambiente disponível após registrá-lo com seu cliente de IA.

Alternativa: Ollama e modelos locais

Instale o Pentest-AI como acima, mas ignore a configuração do MCP para esta rota. Instale e inicie o Ollama, depois baixe um modelo com suporte a chamada de ferramentas. Use ollama list para encontrar seu nome exato instalado.

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

No PowerShell:

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

Substitua os placeholders antes de executar. Um modelo local não precisa de chave de API na nuvem. A qualidade do modelo e a memória disponível afetam os resultados. Consulte o guia de modelos para a configuração do endpoint.

Experimente a demonstração incluída

Não é necessária chave de API nem alvo externo.

pipx install ptai
ptai demo

O demo testa uma aplicação vulnerável incluída no pacote, reproduz um achado a partir de sua cápsula de prova e verifica as rotas reforçadas. Inspecione o fluxo de trabalho de evidências antes de configurar um engajamento real.

Outros provedores de modelo

Para modelos de nuvem autônomos e dependências opcionais do scanner, consulte o guia de instalação e o guia de provedores. Mantenha as chaves de API fora do controle de código-fonte.

Automação de bug-bounty

O modo bug bounty é destinado a programas que permitem testes automatizados. Você escreve um perfil por programa com seu escopo, sua taxa declarada e seu identificador de pesquisador. --program então aplica tudo isso a cada requisição, e --dry-run imprime o plano sem enviar nada.

# ~/.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/

Em --program: