
Um harness determinístico e manual para agentes autônomos de LLM ofensivos, impondo autorização, escopo e portões de evidência para garantir testes de penetração reproduzíveis e honestos.
📖 Leia o manual online: siga as lições desde a sua primeira execução de fixture até um agente com limites claros.

SEGURANÇA AUTÔNOMA / O MANUAL DE CAMPO DO CONSTRUTOR
Leia o site · Comece o curso · Execute o laboratório · Conecte seu modelo · A sequência de construção
Um manual prático para construir agentes de segurança autônomos com limites explícitos sobre o que um modelo pode decidir. Aprenda a transformar observações em um plano, admitir apenas ações permitidas, vincular descobertas a evidências e prestar contas do trabalho que não pôde ser concluído.
O modelo permanece probabilístico. A aplicação hospedeira detém a autorização, as ações permitidas, os registros de evidências e a aceitação. Reproduzir entradas e políticas congeladas pode reproduzir essas decisões de controle; isso não torna repetível um alvo ativo ou uma resposta do modelo.
Você deve estar confortável lendo Python, JSON e HTTP básicos. Siga a rota principal desde a primeira execução até a aplicação montada. A lição de despacho aponta para um breve contrato de seleção de linha de base; os controladores adaptativos são opcionais após a construção principal. Ao longo do caminho, você edita arquivos iniciais e executa verificações que falham até que seu código funcione. O curso funciona offline, sem chave de API ou conexão com alvo.
O site de leitura apresenta as lições em ordem, com navegação, diagramas e busca. Use o guia do site para construí-lo ou visualizá-lo localmente.
A partir de uma cópia local deste repositório:
python3 -m venv .venv
source .venv/bin/activate
python3 -m pip install -r requirements.txt
python3 -m harness.demo --out /tmp/harness-report.json
diff -u harness/report.json /tmp/harness-report.json
python3 -m pytest tests/test_harness.py
Esta release é verificada em CPython 3.14. Versões anteriores do Python não fazem parte da evidência de release; se você usar uma delas, execute a sequência completa de verificação abaixo antes de confiar no resultado.
Quando o relatório corresponde ao exemplo versionado, o diff não imprime nada. Abra o relatório e acompanhe o achado do cabeçalho desde a severidade proposta até a severidade governada. Em seguida, inspecione o raise rejeitado e o raise permitido do marcador sintético. Ambos os achados ainda exigem revisão humana.
Leia o manifesto de entrada, a implementação e os testes adversariais ao lado do relatório de exemplo. Você concluiu esta introdução quando consegue explicar por que uma ação foi permitida, por que um raise foi recusado e o que as contagens de cobertura do relatório realmente medem.
O laboratório de harness padrão não faz nenhuma requisição de rede e não chama nenhum modelo. Seu predicado de prova é sintético, seu host e adaptadores são confiáveis, e todo achado é marcado como exigindo revisão humana. O laboratório não implementa o fluxo de aceitação ou assinatura de relatório de uma pessoa. Uma citação literal estabelece integridade de citação, não explorabilidade. Menos chamadas de modelo e menos retrabalho são objetivos de design, não economias medidas pelo corpus.
Seu modelo fornece propostas. A aplicação mantém a política e o estado, verifica cada proposta, executa as ações de fixture permitidas e registra o resultado. Este repositório fornece a aplicação e os exercícios; você fornece a conexão com o modelo.
your model -> JSON proposal -> application checks -> fixture tool -> evidence + report
|
reject or stop
Execute o aplicativo montado com seu transporte de modelo falso primeiro:
python3 -m examples.app_agent --out /tmp/agent-report.json --store /tmp/agent-memory.db
python3 -m pytest tests/test_app_agent_example.py -q
Inspecione os status das propostas e as evidências em /tmp/agent-report.json. Em seguida, siga Conecte seu próprio modelo para usar um modelo local ou escrever um wrapper de transporte. A ponte de modelo mais antiga continua sendo um exercício de conexão menor com um formato de proposta diferente. Ambos os exemplos mantêm as ações de ferramentas em fixtures, inclusive quando um modelo real fornece a resposta.
O guia indica o que substituir, o JSON a retornar, as verificações a manter, o relatório esperado e o trabalho restante antes de adicionar ferramentas ao vivo.
O diagrama combina os controles do laboratório com a conexão de propostas. A ponte de modelo exercita a admissão de ações e a captura de evidências; o laboratório padrão demonstra separadamente a governança de achados. Nenhum dos dois é um agente de segurança ao vivo completo.
Qualquer diagrama abre em tamanho real quando você clica nele; em uma tela estreita, você também pode rolá-lo lateralmente.