kush-coder/autopilot-pentest-aiОфициальная сборка и проверенный релиз | Открытый AI-пентестер, который доказывает каждую находку. Машинные оракулы повторно запускают каждый эксплойт; подтверждённые уязвимости поставляются с капсулой доказательства, которую вы можете воспроизвести сами.
Официальный открытый релиз и поддерживаемая кодовая база от @kush-coder
Открытый AI-пентестер, который доказывает каждую находку. Машинные оракулы повторно запускают каждый эксплойт; для подтверждённых уязвимостей формируется капсула доказательства, которую вы можете воспроизвести самостоятельно.
Этот репозиторий активно поддерживается и распространяется @kush-coder как официальный открытый релиз.
# Clone your official repository
git clone https://github.com/kush-coder/autopilot-pentest-ai.git
cd autopilot-pentest-ai
Сайт · Быстрый старт · Bug bounty · Верификация · Документация · Issues
Pentest-AI — это открытый ИИ-инструмент для пентестинга и bug bounty, который отделяет доказанные находки от догадок. Он подключает ИИ-клиент или модель к реальному процессу пентестинга: исследованию веб-приложений, обнаружению и воспроизведению уязвимостей и использованию машинных оракулов для проверки того, действительно ли работает эксплойт. Находка, которую не может подтвердить ни один оракул, остаётся помеченной как кандидат, а верифицированная находка несёт в себе запросы и ответы, которые её доказали.
Используйте его через MCP (Claude Code, Codex, Cursor, VS Code), из CLI или в CI/CD. Модель ведёт исследование; независимый оракул решает, заслуживает ли находка вердикта «верифицирована», поэтому догадки модели никогда не подаются как результаты.
Создан для авторизованного bug bounty: один профиль на программу содержит её scope, заявленную ставку и ваш исследовательский хэндл, пробный запуск показывает план до отправки чего-либо, а черновики отчётов создаются только из верифицированных находок. Перейти к процессу bug bounty →
Тестируйте только системы, которыми вы владеете или на оценку которых у вас есть явное разрешение. Прочитайте политику допустимого использования и условия перед началом работы.
Используйте Python 3.10–3.14 и сначала установите pipx. Выполните pipx ensurepath и при необходимости перезапустите терминал. pipx изолирует зависимости Pentest-AI и делает его команды доступными во всех папках.
pipx install ptai
ptai setup --mcp
Сначала установите CLI вашего AI-клиента. Программа установки запрашивает подтверждение перед подключением всех обнаруженных поддерживаемых клиентов, включая Codex и Claude Code, если они установлены. Она сохраняет существующие регистрации. После этого перезапустите ваш клиент.
Мастер использует пользовательские настройки. Он не устанавливает клиентов, не выполняет вход, не загружает модели и не настраивает Ollama. Модель предоставляет ваш AI-клиент; отдельный API-ключ для модели MCP-серверу не требуется. Используйте ptai setup --mcp --dry-run, чтобы предварительно просмотреть изменения. Инструкции по настройке для одного клиента и для отдельного репозитория (Codex .codex/config.toml и Claude Code .mcp.json) см. в разделе single-client and per-repository setup.
Для обновления используйте pipx upgrade ptai. В уже активированном виртуальном окружении также поддерживается python -m pip install --upgrade ptai; сохраняйте это окружение доступным после его регистрации в вашем AI-клиенте.
Установите Pentest-AI как описано выше, но пропустите настройку MCP для этого варианта.
Установите и запустите Ollama, затем загрузите модель
с поддержкой вызова инструментов. Используйте ollama list, чтобы узнать её точное установленное имя.
export PENTEST_AI_LLM_PROVIDER=ollama
export PENTEST_AI_MODEL="your-installed-model"
ptai start https://your-authorized-target.example --no-sync
В PowerShell:
$env:PENTEST_AI_LLM_PROVIDER = "ollama"
$env:PENTEST_AI_MODEL = "your-installed-model"
ptai start https://your-authorized-target.example --no-sync
Замените заполнители перед запуском. Локальной модели не требуется облачный API-ключ. Качество модели и доступная память влияют на результаты. См. руководство по моделям для настройки эндпоинта.
API-ключ или внешняя цель не требуются.
pipx install ptai
ptai demo
Демонстрация тестирует встроенное уязвимое приложение, воспроизводит находку из его proof capsule и проверяет защищённые маршруты. Изучите рабочий процесс работы с доказательствами, прежде чем настраивать реальное взаимодействие.
Для автономных облачных моделей и дополнительных зависимостей сканера см. руководство по установке и руководство по провайдерам. Не храните API-ключи в системе контроля версий.
Режим bug bounty предназначен для программ, которые разрешают автоматизированное тестирование. Вы пишете один
профиль на программу с её областью действия, заявленной ставкой и вашим исследовательским идентификатором.
Затем --program применяет всё это к каждому запросу, а --dry-run выводит план без отправки чего-либо.
# ~/.pentest-ai/programs/acme.toml
platform = "hackerone"
handle = "acme"
researcher = "your-h1-username" # sent on every request in X-Bug-Bounty
rps = 5.0 # the rate the program states
scope = ["*.acme.com", "api.acme.com"]
excluded = ["status.acme.com"]
scanners_allowed = true
allow_race = false
ptai start https://api.acme.com --program acme --dry-run # sends nothing
ptai start https://api.acme.com --program acme --auto-auth
ptai bounty-report <engagement-id> --program acme --output-dir drafts/
В режиме --program: