mastyf.ai

Segurança de perímetro para sua IA.

Aplicação em tempo de execução, controle de políticas e trilha de auditoria completa para cada ação de IA.

Site · Início rápido · Política · Painel · GitHub

O problema

Agentes de IA podem ler seus arquivos, enviar código, consultar bancos de dados, executar comandos shell e chamar APIs externas. Eles fazem isso de forma autônoma, em velocidade de máquina.

Os controles de segurança tradicionais não foram criados para isso.

O Mastyf.ai atua como uma camada de segurança de perímetro para IA. Ele intercepta cada chamada de ferramenta, avalia-a de acordo com suas políticas de segurança usando análise de enxame multiagente e bloqueia ações maliciosas ou não autorizadas antes que sejam executadas.

Cada decisão é aplicada, registrada e auditável.

O que ele impede

Início rápido

Compilar a partir do código-fonte

Clone o repositório e execute o script de configuração.

Requisitos:

• Git
• Linux (o script de configuração instala o Nix automaticamente, se necessário)

git clone https://github.com/mastyf-ai/mastyf.ai.git
cd mastyf.ai
chmod +x setup.sh
./setup.sh

O script de configuração automaticamente:

• Instala o Nix (se necessário)
• Ativa os flakes do Nix
• Cria o ambiente de desenvolvimento
• Instala todas as dependências do projeto
• Reconstrói pacotes nativos
• Compila o projeto inteiro
• Adiciona um alias mastyf conveniente

Após a conclusão da instalação, inicie o proxy e o painel:

node dist/cli.js start

Ou simplesmente use o alias depois de abrir um novo terminal:

mastyf

O painel estará disponível em:

• Painel: http://localhost:4000

Testar a instalação

Se o painel estiver em execução, verifique a ponte HTTP:

curl -X POST http://localhost:4000/mcp -H "Content-Type: application/json" -d '{"jsonrpc":"2.0","id":"1","method":"tools/list","params":{}}'

Painel

Visibilidade total de cada ação que sua IA realiza.

Não exponha a porta 4000 publicamente sem ativar a autenticação do painel. A configuração de desenvolvimento local padrão tem DASHBOARD_AUTH_DISABLED=true.

Como a aplicação funciona

Cada chamada de ferramenta passa por três camadas antes de chegar à sua infraestrutura.

Camada 1 – Detecção de padrões Varredura baseada em regex para injeção, caminhos perigosos, segredos vazados, comandos shell e truques de codificação. É executada em microssegundos, sem dependências externas.

Camada 2 – Validação de esquema Rejeita payloads malformados, argumentos superdimensionados e violações de JSON-RPC antes que cheguem à avaliação de política.

Camada 3 – Revisão semântica Um LLM local opcional (Ollama) ou modelo em nuvem avalia chamadas limítrofes que passam pelas verificações de padrão. Recorre a heurísticas se nenhum modelo estiver configurado.

Qualquer coisa que falhe é bloqueada. A ferramenta nunca é executada. Tudo é registrado.

Política

Suas regras estão em default-policy.yaml. Você é o dono delas. O mastyf.ai as aplica.

policy:
  mode: block
  default_action: pass
  unicode_strict: true
  rules:
    - name: block-sensitive-paths
      action: block
      argPatterns:
        - field: path
          patterns: ['^/etc/', '/\.ssh', '/\.aws/credentials']

    - name: rate-limit-tool-calls
      action: block
      maxCallsPerMinute: 120

    - name: block-shell-injection
      action: block
      patterns: ['rm\s+-rf', 'curl\s', 'wget\s', '`[^`]+`']

Distribua com segurança usando três modos de aplicação:

Modelos pré-construídos para HIPAA, PCI-DSS, GxP e residência de dados estão em policy-templates/.

Arquitetura

O mastyf.ai executa dois enxames coordenados. O CI Swarm ataca sua política antes do código ser enviado. O Runtime Swarm aplica e aprende com cada chamada de ferramenta ao vivo em produção. Quatro loops de feedback os conectam, tornando o sistema cada vez mais difícil de contornar.

flowchart TB

  AI["🤖 AI Clients\nCursor · Claude Desktop · Cline"]

  subgraph CI["🔵 CI Swarm (PR + Nightly)"]
    direction LR
    Scout["🔍 Scout Agent\nSAST, deps, config scan"]
    Corpus["📋 Corpus Agent\n228 fixtures eval"]
    Evasion["⚡ Evasion Agent\n120+ probes + generate new"]
    Parity["🔄 Parity Agent\nNode vs Python"]
    ProxyA["🖥️ Proxy Agent\nLive stdio MCP tests"]
    Report["📊 Report Agent\nsecurity-swarm/latest.json"]
    Scout --> Corpus --> Evasion --> Parity --> ProxyA --> Report
  end

  subgraph Runtime["🟢 Runtime Swarm (Production Proxy)"]
    direction LR
    BG["🛡️ BlockGuard\nsync policy"]
    IL["📈 InstantLearner\nper-block stats + suggestions"]
    SA["🧠 SemanticAuditor\nasync LLM, optional"]
    PS["🔗 PatternSynthesizer\nbatch suggestions"]
    Cal["⚙️ Calibrator\nlabels + thresholds"]
    BG --> IL --> PS --> Cal
    BG --> SA --> PS
  end

  Tools["🗄️ MCP Tools\nfilesystem · GitHub · databases · APIs"]

  AI -->|"every tool call"| BG
  BG -->|"✅ allowed"| Tools
  Report -->|"🔁 Loop A: bypasses to corpus"| Corpus
  Cal -->|"🔁 Loop B: blocks to rules"| BG
  Cal -->|"🔁 Loop C: labels to LLM"| SA
  Report -->|"🔁 Loop D: CI metrics weekly"| Cal

  style CI fill:#EFF6FF,stroke:#3B82F6,stroke-width:2px,color:#1E3A5F
  style Runtime fill:#F0FDF4,stroke:#22C55E,stroke-width:2px,color:#14532D
  style Scout fill:#DBEAFE,stroke:#3B82F6,color:#1E40AF
  style Corpus fill:#DBEAFE,stroke:#3B82F6,color:#1E40AF
  style Evasion fill:#DBEAFE,stroke:#3B82F6,color:#1E40AF
  style Parity fill:#DBEAFE,stroke:#3B82F6,color:#1E40AF
  style ProxyA fill:#DBEAFE,stroke:#3B82F6,color:#1E40AF
  style Report fill:#DBEAFE,stroke:#3B82F6,color:#1E40AF
  style BG fill:#BBF7D0,stroke:#16A34A,color:#14532D
  style IL fill:#BBF7D0,stroke:#16A34A,color:#14532D
  style SA fill:#BBF7D0,stroke:#16A34A,color:#14532D
  style PS fill:#BBF7D0,stroke:#16A34A,color:#14532D
  style Cal fill:#BBF7D0,stroke:#16A34A,color:#14532D
  style AI fill:#FEF3C7,stroke:#F59E0B,stroke-width:2px,color:#78350F
  style Tools fill:#FEF3C7,stroke:#F59E0B,stroke-width:2px,color:#78350F

Gates canônicos: 228/228 corpus, 0 bypasses, 100% parity

CI Swarm

Executa em cada PR e noturnamente. Seis agentes trabalham em sequência, cada um endurecendo o que o anterior encontrou.

Runtime Swarm

Executa dentro do proxy de produção em cada chamada de ferramenta.

Loops de feedback

O proxy suporta cinco transportes: stdio, HTTP, SSE, HTTP streaming e WebSocket.

Para implantações empresariais com Redis, Postgres e Kubernetes, veja docs/ENTERPRISE_DEPLOYMENT.md.

Threat Lab

O Threat Lab observa o tráfego ao vivo e usa um LLM local para propor novos casos de teste de ataque quando detecta padrões suspeitos. Nada é aplicado automaticamente. Você revisa e aprova cada sugestão no painel antes que ela se torne uma regra.

Descobertas aprovadas alimentam de volta o corpus de ataques do CI para testes de regressão contínuos.

ollama serve
ollama pull qwen3:8b

export OLLAMA_BASE_URL=http://127.0.0.1:11434
export MASTYF_AI_LLM_PROVIDER=ollama
export MASTYF_AI_LLM_MODEL=qwen3:8b

pnpm dashboard:proxy

Pontuações de confiança de pacotes MCP

Antes de instalar qualquer servidor MCP do npm, verifique sua pontuação de confiança em https://www.mastyf.ai/certified. As pontuações cobrem exposição a CVEs, risco de typo-squat, sinais do mantenedor e padrões de ataque conhecidos. Gratuito, sem necessidade de conta.

Comandos comuns

Solução de problemas

Saiba mais

• Enterprise deployment (Redis, Postgres, Helm)
• Defense pipeline in depth
• Security Swarm and CI red teaming
• Real-world MCP integration examples
• Core detection engine