Agente Autônomo de Teste de Penetração com IA

O AIRecon é um agente autônomo de teste de penetração que combina um Ollama LLM auto-hospedado com um sandbox Docker Kali Linux, integração nativa com proxy Caido, um pipeline estruturado RECON → ANALYSIS → EXPLOIT → REPORT e uma TUI Textual em tempo real — completamente offline, sem necessidade de chaves de API.

---

Por que AIRecon?

Modelos comerciais baseados em API (OpenAI GPT-4, Claude, Gemini) tornam-se proibitivamente caros para fluxos de trabalho de reconhecimento autônomo e recursivo que podem exigir milhares de chamadas LLM por sessão.

O AIRecon é construído 100% para operação local e privada.

Característica	AIRecon	Agentes baseados em nuvem
Chaves de API necessárias	Não	Sim
Dados do alvo enviados para a nuvem	Não	Sim
Funciona offline	Sim	Não
Integração Caido	Nativa	Nenhuma
Retomada de sessão	Sim	Varia
Base de conhecimento local	~1.09M registros	Nenhum

• Privacidade em Primeiro Lugar — Inteligência sobre o alvo, saídas de ferramentas e relatórios nunca saem da sua máquina.
• Caido Nativo — 5 ferramentas integradas: list, replay, automate (§FUZZ§), findings, scope.
• Stack Completo — Sandbox Kali + automação de navegador + fuzzer personalizado + fuzzing de API Schemathesis + Semgrep SAST.
• Base de Conhecimento de Habilidades — 57 arquivos de habilidades integrados, 289 mapeamentos automáticos de palavra-chave → habilidade. Estendido por airecon-skills — uma biblioteca comunitária de habilidades com 57 playbooks adicionais baseados em CLI para CTF, bug bounty e pentest.
• Base de Conhecimento de Segurança Local — Opcional airecon-dataset indexa ~1.09M registros de segurança (CVEs, técnicas de red team, writeups de CTF, templates nuclei, payloads de bug bounty) em bancos de dados SQLite FTS5 locais. O LLM chama dataset_search autonomamente antes de tentar técnicas desconhecidas — fundamentando suas decisões em dados reais indexados.

---

Pipeline

RECON → ANALYSIS → EXPLOIT → REPORT

Cada fase tem objetivos específicos, ferramentas recomendadas e critérios de transição automáticos. A aplicação das fases é suave — o agente é guiado, mas nunca bloqueado. Os checkpoints são executados a cada 5 (avaliação de fase), 10 (autoavaliação) e 15 (compressão de contexto) iterações.

---

Memória e Aprendizado (O Que Realmente Faz)

O AIRecon não ajusta finamente o LLM. Seu 'aprendizado' é telemetria local e estruturada que orienta a escolha de ferramentas e evita repetir caminhos que falharam.

Persistência local (tudo em disco, sem nuvem):

• Banco de dados SQLite de memória em ~/.airecon/memory/airecon.db armazenando sessões, descobertas, padrões, inteligência do alvo, uso de ferramentas, desempenho do modelo, uso de habilidades e descobertas de cadeias de ataque.
• Estado de aprendizado adaptativo em ~/.airecon/learning/global_learning.json (estatísticas de desempenho de ferramentas, padrões de estratégia, registro de observações, insights destilados).
• Arquivos de memória por alvo em ~/.airecon/memory/by_target/ quando persistidos, contendo endpoints, vulnerabilidades, bypasses WAF, parâmetros sensíveis e endpoints de autenticação.
• Snapshots de memória de payloads podem ser salvos em workspace/<target>/payload_memory.json quando a persistência de sessão é executada.

Como isso afeta o comportamento:

• No início da sessão, o contexto de memória é injetado (inteligência do alvo, descobertas semelhantes, padrões aprendidos, confiabilidade das ferramentas).
• A cada 8 iterações, padrões aprendidos e descobertas semelhantes podem ser reinjetados com base na tecnologia detectada.
• A classificação adaptativa de ferramentas usa sucesso/falha histórica para ordenar ferramentas e sugerir estratégias.
• A memória de payloads (quando ativada) ignora payloads que falharam repetidamente para o mesmo alvo/parâmetro.

---

Requisitos do Modelo

O AIRecon requer um modelo com pensamento estendido (blocos <think>) e capacidades confiáveis de chamada de ferramenta. As capacidades são detectadas automaticamente via metadados do ollama show.

⚠️ Suporte a chamada de ferramentas é OBRIGATÓRIO. O modelo deve suportar chamada nativa de função/ferramenta. Modelos sem essa capacidade serão incapazes de executar qualquer ferramenta (http_observe, execute, ações de navegador, etc.), tornando o AIRecon completamente não funcional.

Mínimo recomendado: 8B-9B parâmetros. Modelos abaixo de 8B são tecnicamente utilizáveis, mas fortemente desencorajados — eles frequentemente alucinam saídas de ferramentas, inventam CVEs, ignoram regras de escopo e produzem chamadas de ferramenta não confiáveis.

Modelo	Pull	VRAM	Notas
Qwen3.5 122B	ollama pull qwen3.5:122b	48+ GB	Melhor qualidade, mais confiável
Qwen3.5 35B	ollama pull qwen3.5:35b	20 GB	Recomendado para a maioria dos usuários
Qwen3.5 35b	ollama pull qwen3.5:35b-a3b	16 GB	MoE — menor VRAM
Qwen3.5 9B	ollama pull qwen3.5:9b	6 GB	Mínimo viável — espere erros frequentes

Orientação de tamanho do modelo:

• ≥32B: Confiável para pipelines completos de reconhecimento, boa precisão de chamada de ferramenta
• 8B-14B: Utilizável para tarefas simples, espere 20-40% de erros de chamada de ferramenta e alucinações
• <8B: Tecnicamente funciona, mas produz resultados não confiáveis — não recomendado para testes sérios

Problemas conhecidos: DeepSeek R1 produz chamadas de função incompletas. Modelos < 8B não possuem suporte confiável de chamada de ferramenta.

---

Executando Ollama no Google Colab (Hardware Limitado)

Se você não tem uma GPU ou sua VRAM local está abaixo do mínimo, você pode executar o Ollama em uma GPU T4 gratuita do Google Colab e conectar o AIRecon a ela através de um túnel público.

Abra o notebook:

Como funciona:

Google Colab GPU                     Your Local Machine
┌─────────────────────────┐          ┌──────────────────────────┐
│  Ollama (qwen3.5:9b)    │◄────────►│  AIRecon TUI             │
│  cloudflared tunnel     │  HTTPS   │  ollama_url: tunnel URL  │
└─────────────────────────┘          └──────────────────────────┘

Passos: