lumoslab-innovation/openhunteraiRed team de IA local-first para segurança de aplicações web, API e LLM. Raciocínio no estilo de atacante, descobertas respaldadas por evidências e habilidades para agentes de codificação de IA.
Seu red team de IA local.
Raciocínio no estilo de atacante para segurança de aplicações web, API e LLM.
Início rápido · Skill de agente · Modelo de avaliação · Arquitetura · Documentação · Histórico de estrelas
O OpenHunterAI reúne escopo, atividade de varredura, achados e remediação em um único workspace local. Comece sem uma conta, conecte seus provedores de modelo e avalie aplicações públicas verificadas que você possui ou está autorizado a testar.
| Capacidade | O que você obtém |
|---|---|
| Workspace local | Sem cadastro; projetos e registros de varredura no seu banco de dados local |
| Escopo explícito | Verificação de domínio, planos determinísticos, portões de aprovação humana |
| Múltiplas fontes de sinal | Inspeção por navegador, recon, ZAP e um adaptador Nuclei |
| Investigação assistida por IA | Limites dos adaptadores OpenHack/Strix; traga seus próprios runtimes |
| Evidências e remediação | Achados sanitizados, lacunas de cobertura, orientação de correção, reteste manual |
| Fluxo de trabalho portátil | Uma skill para Codex, Claude Code, Gemini CLI, Grok Build e OMP |
Alpha. A cobertura de integração depende dos runtimes configurados. Um workspace saudável ou um relatório vazio não provam que um alvo é seguro.
O OpenHunterAI mantém o núcleo útil dos requisitos técnicos 48bf9036: avaliar o comportamento observável externamente sob a perspectiva de um atacante. O código-fonte não é necessário. Cada execução permanece restrita a um alvo público verificado e a um escopo aprovado.
flowchart LR
S["1. Lock scope"] --> M["2. Map surface"]
M --> B["3. Establish baseline"]
B --> H["4. Test bounded hypotheses"]
H --> E["5. Gate evidence"]
E --> R["6. Report and retest"]
| Estágio | Saída | Controle |
|---|---|---|
| Bloqueio de escopo | Host verificado, caminhos aprovados, plano de varredura | Autorização antes do início do trabalho |
| Mapeamento de superfície | Sinais de navegador e recon | Apenas superfície pública e dentro do escopo |
| Linha de base | Respostas normais e contexto de cobertura | Workers limitados e políticas de adaptador |
| Teste de hipóteses | Sinais de segurança candidatos | Sem ações destrutivas; validação sensível requer aprovação |
| Portão de evidências | Achado sanitizado e reproduzível | Separar sinais observados do julgamento do analista |
| Relatório e reteste | Orientação de correção, limitações, confirmação manual | Um humano é responsável pelas decisões de impacto e encerramento |
Descrições OpenAPI/Swagger, exemplos do Postman, capturas HTTP sanitizadas e contas de teste dedicadas podem ajudar a definir a superfície de teste acordada. A importação ou retenção automatizada de tráfego sensível bruto não é uma capacidade prometida.
Requer Git, Node.js 22+ e Docker com Compose v2.
git clone https://github.com/LumosLab-Innovation/OpenHunterAI.git
cd OpenHunterAI
node ops/local.mjs start
Abra localhost:3001. A primeira inicialização compila as imagens,
aplica as migrações do banco de dados e cria um .env.local privado com segredos gerados.
.env.local; execute node ops/local.mjs restart.| Comando | Propósito |
|---|---|
node ops/local.mjs status | Inspecionar serviços |
node ops/local.mjs logs public-api | Diagnosticar erros de API |
node ops/local.mjs stop | Parar; manter os volumes do banco de dados |
Incluído: inspeção por navegador, ZAP, recon e o adaptador Nuclei.
Traga separadamente: runtimes OpenHack e Strix.
Captura interativa opcional de login no alvo: node ops/local.mjs start --with-browser.
Antes de escanear, resolva o bloqueador da política de templates do Nuclei. O adaptador está empacotado, mas um pacote de templates revisado ainda não é fornecido.
Local significa que o workspace é executado na sua máquina, não permissão para escanear localhost/redes privadas. Mantenha suas portas em loopback. Configuração, configuração de modelo e solução de problemas →
Execute no repositório da aplicação que você deseja que seu agente avalie:
npx --yes skills add LumosLab-Innovation/OpenHunterAI --skill openhunter --agent codex claude-code gemini-cli grok --yes
Recarregue seu agente de codificação e então pergunte:
Use o OpenHunter para verificar meu workspace e preparar uma avaliação de segurança com escopo definido. Aguarde minha aprovação antes de iniciar uma varredura.
O OMP descobre a instalação compartilhada em .agents/skills por meio de seu provedor
Agents. A skill inclui um auxiliar de API somente leitura; a instalação não inicia
uma varredura. Compatibilidade de cliente →
flowchart LR
UI["Local workspace<br/>React + Vite"] --> API["Public API<br/>Scope + scan plan"]
API --> BUS["NATS<br/>Orchestrator + workers"]
BUS --> EVIDENCE["Internal API<br/>Findings + reporting"]
EVIDENCE --> DB[("Postgres")]
API <--> DB
API -->|"Activity + reports"| UI
A API pública constrói o plano; os workers em Go o executam por meio de adaptadores limitados. Os sinais passam pela política de achados antes de entrar nos relatórios. O relatório é um serviço de backend, não um worker de varredura separado.
Runtime e fluxo de dados · Mapeamento de workers · Configuração de integração