Skip to content
KitploitKITPLOIT
FerramentasExploitsBlog
Log in
Enviar
FerramentasExploitsBlog
Enviar

Ferramentas de Hacking, PenTest e Cibersegurança para o seu Arsenal de Segurança!

Kitploit é um diretório de ferramentas de hacking, cibersegurança e pentesting. Descubra as últimas atualizações de projetos para encontrar vulnerabilidades, analisar sistemas, automatizar testes e fortalecer sua segurança.

FeedsContatoPrivacidade© 2026 Kitploit

Diretório de Ferramentas

Categorias

Ver todas as categorias
Loading categories
Ferramentas/GitHubGitHub/zju-llm-safety/trace
ExploraçãoScripting e AutomaçãoTestes de PenetraçãoAprendizado de MáquinaPapers e PesquisaRed TeamingSegurança de IAAtaque Adversário
GitHubzju-llm-safety/trace

TRACE

Framework de jailbreak agêntico para agentes baseados em LLM, utilizando decomposição de tarefas baseada em esquemas, estratégias de disfarce em múltiplas interações e auto-evolução adaptativa para sondar riscos de segurança emergentes.

412180há 1 mêsRevisado pelo Kitploit
Ver Repositório
Compartilhar

TRACE: Jailbreaking Agêntico Auto-Evolutivo e Adaptativo com Consciência de Tarefa

Implementação oficial de TRACE: Task-Aware Adaptive Self-Evolving Agentic Jailbreaking.

📖 Visão Geral

Agentes de modelos de linguagem de grande porte (LLMs) podem planejar autonomamente, invocar ferramentas, interagir com ambientes e executar fluxos de trabalho de longo horizonte. Isso introduz riscos de segurança além dos jailbreaks convencionais apenas de texto: mesmo quando instruções prejudiciais podem ser elicitadas, agentes alinhados ainda podem se recusar a executá-las, enquanto falhas de execução intermediárias podem interromper um fluxo de ataque que de outra forma seria bem-sucedido.

TRACE é um framework de jailbreaking agêntico projetado para enfrentar esses desafios por meio de decomposição de tarefas, interação multiturno orientada à execução e recuperação adaptativa.

O TRACE é composto por três componentes principais:

  • Decomposição de Tarefas Baseada em Esquemas. O TRACE desenvolve cerca de 20 esquemas de decomposição procedural que especificam operações-chave e suas dependências para diferentes tipos de tarefa. Uma tarefa prejudicial complexa é instanciada sob diferentes esquemas para gerar múltiplas sequências candidatas de subtarefas, que são avaliadas com base na nocividade e na dificuldade de execução.
  • Interação Multiturno Orientada à Execução. Para subtarefas que disparam recusas de execução, o TRACE constrói perfis estruturados de subtarefas e recupera estratégias orientadas à execução correspondentes de uma biblioteca de estratégias em evolução. Cada estratégia especifica metas intermediárias, estados de ambiente relevantes e chamadas de ferramentas necessárias, guiando o agente para concluir a subtarefa por meio de interação multiturno.
  • Recuperação Adaptativa e Evolução de Estratégias. Quando uma etapa intermediária falha, o TRACE localiza a subtarefa que falhou, preserva os estados de execução previamente concluídos, adapta a estratégia correspondente e retoma a execução sem reiniciar todo o fluxo de trabalho. O feedback de execução é ainda utilizado para evoluir continuamente a biblioteca de estratégias.

📊 Resultados Principais

Avaliamos o TRACE no AdvCUA e no AgentHazard, dois benchmarks de segurança de agentes que exigem execução ponta a ponta de tarefas de múltiplas etapas em ambientes interativos. Os experimentos abrangem dois frameworks de agentes, Codex e Claude Code, com múltiplos modelos subjacentes.

Framework de AgenteModelo SubjacenteAdvCUAAgentHazard
CodexGPT-5.50.620.97
CodexGemini-3.5-Flash0.650.99
CodexDeepSeek-V4-Pro0.811.00
Claude CodeClaude-Opus-4.80.540.97
Claude CodeGemini-3.5-Flash0.690.98
Claude CodeDeepSeek-V4-Pro0.880.99

O TRACE alcança consistentemente um forte desempenho de ataque em diferentes frameworks de agentes e modelos subjacentes, superando substancialmente as linhas de base anteriores na maioria das configurações. No AdvCUA, o TRACE alcança ASRs variando de 0.54 a 0.88. No AgentHazard, o TRACE alcança ASRs quase perfeitas em todas as configurações avaliadas, variando de 0.97 a 1.00.

🎬 Demonstrações

Duas demonstrações gravadas com Claude Code e Codex são fornecidas em assets/:

Agente AlvoDemonstração
Claude CodeClaude Code Demo
CodexCodex Demo

🛠️ Instalação

A especificação de ambiente fornecida tem como alvo Linux e Python 3.11.

git clone https://github.com/ZJU-LLM-Safety/TRACE.git
cd TRACE

conda env create -f environment.yml
conda activate trace

🚀 Uso

1. Configurar o acesso à API

Defina as credenciais e a URL base para um endpoint de Chat Completions compatível com OpenAI:

export OPENAI_API_KEY="<your-api-key>"
export OPENAI_BASE_URL="<your-api-base-url>"

2. Decomposição de Tarefas

Gerar sequências candidatas de subtarefas usando decomposição de tarefas guiada por esquema:

python improved_decomposer/improved_task_decomposer.py \
  --data_file_path /path/to/tasks.json \
  --output_file_path outputs/decompositions.jsonl \
  --model "<decomposition-model>" \
  --num_decompositions_per_task 5 \
  --use_schema_decompose

--use_schema_decompose ativa a geração de candidatos baseada em esquema.

3. Executar Experimentos

O exemplo a seguir usa o benchmark AdvCUA com o Codex:

python experiment/main.py \
  --dataset /path/to/benchmark_with_subtasks.jsonl \
  --config experiment/config/config.yaml \
  --lab-backend vrap \
  --compose-file /path/to/benchmark/docker-compose.yml \
  --attacker-model-path /path/to/attacker-model \
  --target-backend codex \
  --codex-model "<target-model>" \
  --responses-base-url "<target-responses-api-base-url>" \
  --responses-env-key OPENAI_API_KEY \
  --strategy-library outputs/experiment/strategy_library.json \
  --output outputs/experiment/results.jsonl

Para inspecionar as opções de linha de comando disponíveis:

python improved_decomposer/improved_task_decomposer.py --help
python experiment/main.py --help

📁 Estrutura do Repositório

CaminhoDescrição
improved_decomposer/Esquemas procedurais, geração de candidatos, validação e seleção
experiment/main.pyOrquestração de experimentos e feedback de execução
experiment/runtime/Componentes de runtime para modelos, estratégias e sequências de subtarefas
experiment/strategy_library/Armazenamento, recuperação, revisão e integração de feedback de estratégias
experiment/config/Configurações de experimentos e templates de prompts
agent_execution/Interfaces de agentes-alvo, gerenciamento de sessões, coleta de trajetórias e verificação
tools/Pontes de benchmark, adaptadores de API e diagnósticos
assets/Vídeos de demonstração do Claude Code e Codex
environment.ymlEspecificação do ambiente Conda

📝 Citação

Se você achar o TRACE útil em sua pesquisa, considere citá-lo:

@misc{zeng2026tracetaskawareadaptiveselfevolving,
      title={TRACE: Task-Aware Adaptive Self-Evolving Agentic Jailbreaking}, 
      author={Churui Zeng and Kedong Xiu and Weiwei Qi and Yuqi Hao and Chaochao Lu and Liang He and Zhan Qin and Tianhang Zheng},
      year={2026},
      eprint={2605.30883},
      archivePrefix={arXiv},
      primaryClass={cs.CR},
      url={https://arxiv.org/abs/2605.30883}, 
}
Baixar ferramenta

Mais Populares

Ver todos →

Descubra as ferramentas mais usadas pela nossa comunidade.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 O kit definitivo de OSINT: grafo de investigação, pontuação de confiança, famílias de alias, mapa, linha do tempo e relatórios. 49 módulos, mais de 400 sites, sem necessidade de chaves de API.

    806
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicativo de Execução em Um Toque GhostLock (CVE-2026-43499)

    523
  • 3

    ARTEX

    baarai/artex

    Plataforma autônoma de testes de penetração multiagente com LLM, com agentes planejador/executor, grafos de ativos e de exploração, registro de tráfego MITM e reteste de vulnerabilidades.

    441
  • 4

    redforge

    cybersecurity91/redforge

    Kit de ferramentas de red team do lado do navegador com 102 ferramentas offline para reconhecimento, geração de payloads, ataques a credenciais, criptografia, codificação e relatórios de engajamento.

    346
  • 5

    looking-glass

    anonghosty/looking-glass

    Plataforma CSIRT que ingere relatórios do Shadowserver no MongoDB e os reproduz como mapas interativos, análises, descobertas, avisos e painéis executivos.

    270
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    O sistema de ação para cibersegurança nativa em IA—onde a intenção se torna execução governada, a evidência se torna memória operacional, e cada operação melhora a próxima.

    264

Explore todas as ferramentas

Navegue pela nossa coleção de ferramentas

Ver todas as ferramentas →