Skip to content
KitploitKITPLOIT
ИнструментыЭксплойтыБлог
Log in
Отправить
ИнструментыЭксплойтыБлог
Отправить

Инструменты для хакинга, пентеста и кибербезопасности — ваш арсенал защиты!

Kitploit — это каталог инструментов для хакинга, кибербезопасности и пентестинга. Находите последние обновления проектов для поиска уязвимостей, анализа систем, автоматизации тестирования и усиления вашей безопасности.

ЛентыКонтактыКонфиденциальность© 2026 Kitploit

Каталог инструментов

Категории

Все категории
Loading categories
seclab-taskflow-agent — Многоагентный фреймворк с поддержкой MCP для декларативных агентных рабочих процессов на основе YAML, используемый для аудита кода с помощью ИИ, триажа уязвимостей и исследований в области безопасности с интеграцией CodeQL. | Kitploit
Инструменты/GitHubGitHub/githubsecuritylab/seclab-taskflow-agent
Статический анализСканеры уязвимостейСтатический анализ кода (SAST)Анализ уязвимостейАнализ КодаСкриптинг и автоматизацияТестирование на ПроникновениеУтилиты и фреймворки
Машинное Обучение
Обучение и Образование
Обратная Разработка с Помощью ИИ
Безопасность ИИ
GitHubgithubsecuritylab/seclab-taskflow-agent

seclab-taskflow-agent

Многоагентный фреймворк с поддержкой MCP для декларативных агентных рабочих процессов на основе YAML, используемый для аудита кода с помощью ИИ, триажа уязвимостей и исследований в области безопасности с интеграцией CodeQL.

Репозиторий
2874212512 дней назадПроверено Kitploit
Поделиться

Агент Taskflow GitHub Security Lab

Агент Taskflow Security Lab — это мультиагентный фреймворк с поддержкой MCP для декларативных агентных рабочих процессов на основе YAML.

Он построен на базе OpenAI Agents SDK, использует Pydantic для валидации грамматики и Jinja2 для рендеринга шаблонов.

Основные концепции

Агент Taskflow использует грамматику на основе YAML, напоминающую GitHub Workflow, для выполнения серии задач с помощью набора агентов.

Его главное преимущество — это CLI-инструмент, который позволяет пользователям быстро определять и создавать сценарии агентных рабочих процессов без необходимости писать какой-либо код.

Агенты определяются через персоналии, которые получают задачу для выполнения, имея в распоряжении набор инструментов.

Агенты могут взаимодействовать для выполнения последовательностей задач через так называемые taskflow.

Подробный обзор грамматики taskflow можно найти здесь, а примеры taskflow — здесь.

Архитектура

┌─────────────────────────────────────────────────────┐
│                   CLI (cli.py)                      │
│  Typer-based entry point: -p, -t, -l, -g, -m, --resume, --lint│
└─────────────────────┬───────────────────────────────┘
                      │
┌─────────────────────▼───────────────────────────────┐
│              Runner (runner.py)                     │
│  Taskflow execution loop, model resolution,         │
│  template rendering, session checkpointing          │
└─────────────────────┬───────────────────────────────┘
                      │
┌─────────────────────▼───────────────────────────────┐
│          MCP Lifecycle (mcp_lifecycle.py)           │
│  Server connection, cleanup, process management     │
└─────────────────────┬───────────────────────────────┘
                      │
┌─────────────────────▼───────────────────────────────┐
│            Agent (agent.py)                         │
│  TaskAgent wrapper, hooks, OpenAI Agents SDK bridge │
└─────────────────────────────────────────────────────┘

Supporting modules:
  models.py          — Pydantic v2 grammar models (validation)
  session.py         — Task-level checkpoint / resume
  available_tools.py — YAML resource loader with caching
  template_utils.py  — Jinja2 template environment
  mcp_utils.py       — MCP client parameter resolution
  mcp_transport.py   — MCP transport implementations (stdio, streamable)
  mcp_prompt.py      — System prompt construction
  prompt_parser.py   — Legacy prompt argument parser
  capi.py            — AI API endpoint and token management
  path_utils.py      — Platform-aware data/log directories

Типы API

Агент поддерживает оба API OpenAI: Chat Completions и Responses. Тип API можно настроить глобально или для каждой модели отдельно в файле model_config:

seclab-taskflow-agent:
  version: "1.0"
  filetype: model_config
api_type: chat_completions        # default for all models
models:
  gpt_default: gpt-4.1
  gpt_responses: gpt-5.1
model_settings:
  gpt_responses:
    api_type: responses           # override for this model
    endpoint: https://api.githubcopilot.com
    token: CAPI_TOKEN             # env var name containing the API key

Для каждой модели model_settings может включать:

  • api_type — "chat_completions" (по умолчанию) или "responses"
  • endpoint — переопределение базового URL API для этой модели
  • token — имя переменной окружения, содержащей ключ API

Бэкенды

Runner может управлять тремя SDK через общий интерфейс:

  • openai_agents (по умолчанию) — OpenAI Agents Python SDK. Поддерживает передачу управления между несколькими персонами (handoffs), оба значения api_type — chat_completions и responses, temperature, parallel_tool_calls, exclude_from_context, а также MCP через stdio, SSE и streamable HTTP.
  • copilot_sdk — GitHub Copilot Python SDK. Поддерживает потоковую передачу, reasoning_effort, MCP через stdio/SSE/HTTP и управление разрешениями для каждого инструмента. SDK самостоятельно выбирает сетевой протокол для каждой модели, поэтому поле api_type в YAML не учитывается; передача управления между несколькими персонами, temperature и parallel_tool_calls также недоступны. Taskflow, использующие неподдерживаемые поля, завершаются ошибкой при загрузке с BackendCapabilityError, указывающей проблемное поле.
  • anthropic_sdk — Anthropic Python SDK, работающий с нативным Messages API (/v1/messages). Поддерживает потоковую передачу, вызов инструментов через MCP и адаптивное мышление с настраиваемым reasoning.effort (low, medium, high, max). Передача управления не поддерживается. Предназначен для использования с Anthropic-эндпоинтом CAPI; аутентификация использует Authorization: Bearer (а не x-api-key).

Приоритет выбора (от высшего к низшему):

  1. backend: для конкретной задачи в блоке model_settings самой задачи (переопределяет значение уровня модели для этой одной задачи; см. _resolve_task_model()).
  2. backend: для конкретной модели в model_settings конфигурации модели (позволяет смешивать бэкенды в одном taskflow).
  3. Поле backend: на верхнем уровне документа конфигурации модели (глобальное значение по умолчанию).
  4. Переменная окружения SECLAB_TASKFLOW_BACKEND.
  5. openai_agents.
seclab-taskflow-agent:
  version: "1.0"
  filetype: model_config
models:
  code_analysis: claude-opus-4.7
  general_tasks: gpt-5.4-mini
model_settings:
  code_analysis:
    api_type: messages
    backend: anthropic_sdk
    reasoning:
      effort: high
  general_tasks:
    api_type: responses
    backend: openai_agents

Трансляция ошибок и повторные попытки

Каждый адаптер бэкенда транслирует собственные исключения SDK в нейтральную иерархию в sdk/errors.py, чтобы runner применял политику повторных попыток без импорта какого-либо SDK. Добавление бэкенда означает и трансляцию его ошибок; test_every_backend_adapter_translates_transport_failures проверяет это по всему реестру.

Транспортные сбои требуют явной обработки, и их легко упустить. Вендорные SDK оборачивают httpx только вокруг вызова, отправляющего запрос, а при стриминге он возвращается, как только приходят заголовки ответа, тогда как тело итерируется позже. Поэтому соединение, оборвавшееся посреди тела, проявляется как голая ошибка httpx, не относящаяся ни к собственной иерархии SDK, ни к встроенным исключениям. sdk/_transport.py перечисляет те из них, что подлежат повтору, и каждый адаптер сопоставляет их с BackendTransportError. Набор перечисляется явно, а не перехватывается httpx.TransportError целиком, потому что LocalProtocolError означает, что запрос был некорректным, а UnsupportedProtocol детерминирован.

У повторных попыток единственный владелец: ветка, в _deploy_with_transport_retry. Это единственный уровень, который сбрасывает состояние захвата между попытками, поэтому результат инструмента, записанный до сбоя, не может быть опубликован дважды или стать именованным выходом задачи, и он повторяет только ту ветку, что завершилась сбоем, а не соседние, которые могли уже записать во внешние системы. Повторы ограничены TASK_RETRY_LIMIT с линейной задержкой от TASK_RETRY_BACKOFF.

Скачать инструмент

Популярное

Смотреть все →

Откройте для себя самые используемые инструменты нашего сообщества.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Полный набор инструментов OSINT: граф расследования, оценка достоверности, семейства псевдонимов, карта, временная шкала и отчёты. 49 модулей, более 400 сайтов, API-ключи не требуются.

    755
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Приложение GhostLock с запуском в один клик (CVE-2026-43499)

    510
  • 3

    ARTEX

    baarai/artex

    Платформа автономного тестирования на проникновение на основе мультиагентной LLM с агентами-планировщиками и агентами-исполнителями, графами активов и исследования, записью MITM-трафика и повторной проверкой уязвимостей.

    415
  • 4

    redforge

    cybersecurity91/redforge

    Браузерный инструментарий для red team с 102 офлайн-инструментами для разведки, генерации полезной нагрузки, атак на учётные данные, криптографии, кодирования и отчётности по проектам.

    343
  • 5

    antifox

    antifox-ai/antifox

    Мультиагентная платформа автономного тестирования на проникновение на базе ИИ, которая выполняет разведку, обнаружение поверхности атаки, валидацию эксплуатации и подготовку отчётов с подтверждающими доказательствами.

    259
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Система действий для кибербезопасности на базе ИИ — где намерение превращается в управляемое исполнение, доказательства становятся оперативной памятью, а каждая операция улучшает следующую.

    258

Изучить все инструменты

Просмотрите нашу коллекцию инструментов

Смотреть все инструменты →