
Детерминированный каркас и руководство для автономных offensive LLM-агентов, обеспечивающие соблюдение авторизации, границ области и контрольных точек сбора доказательств для воспроизводимого и честного тестирования на проникновение.
📖 Читайте руководство онлайн: пройдите уроки от первого запуска фикстуры до агента с чёткими ограничениями.

AUTONOMOUS SECURITY / THE BUILDER'S FIELD MANUAL
Открыть сайт · Начать курс · Запустить лабораторию · Подключить свою модель · Последовательность сборки
Практическое руководство по созданию автономных агентов безопасности с явными ограничениями на то, что может решать модель. Узнайте, как превращать наблюдения в план, допускать только разрешённые действия, привязывать находки к доказательствам и отчитываться о работе, которую не удалось завершить.
Модель остаётся вероятностной. Хост-приложение отвечает за авторизацию, разрешённые действия, записи доказательств и приёмку. Воспроизведение замороженных входных данных и политики позволяет воспроизвести эти управляющие решения; это не делает живую цель или ответ модели повторяемыми.
Вам следует уверенно читать базовый Python, JSON и HTTP. Пройдите основной маршрут от первого запуска до собранного приложения. Урок о диспетчеризации указывает на краткий контракт выбора базовой линии; адаптивные контроллеры необязательны после основной сборки. По пути вы редактируете стартовые файлы и запускаете проверки, которые падают, пока ваш код не заработает. Курс работает офлайн без API-ключа и подключения к цели.
Сайт с материалами представляет уроки по порядку, с навигацией, диаграммами и поиском. Используйте руководство по сайту, чтобы собрать его или просмотреть локально.
Из локальной копии этого репозитория:
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
Этот релиз проверен на CPython 3.14. Более ранние версии Python не входят в доказательную базу релиза; если вы используете одну из них, выполните полную последовательность проверок, приведённую ниже, прежде чем полагаться на результат.
Когда отчёт совпадает с зафиксированным примером, diff ничего не выводит. Откройте отчёт и проследите заголовочную находку от предложенной серьёзности до её управляемой серьёзности. Затем изучите отклонённое повышение и разрешённое повышение синтетического маркера. Обе находки по-прежнему требуют проверки человеком.
Прочитайте манифест входных данных, реализацию и состязательные тесты рядом с примером отчёта. Вы освоили это введение, когда сможете объяснить, почему действие было разрешено, почему повышение было отклонено и что на самом деле измеряют счётчики покрытия в отчёте.
Лаборатория harness по умолчанию не выполняет сетевых запросов и не вызывает моделей. Её предикат доказательства синтетический, её хост и адаптеры считаются доверенными, и каждая находка помечена как требующая проверки человеком. Лаборатория не реализует рабочий процесс принятия человеком или подписания отчёта. Дословная цитата подтверждает целостность цитирования, а не эксплуатируемость. Меньшее число вызовов модели и меньше переделок — это цели проектирования, а не экономия, измеренная корпусом.
Ваша модель предоставляет предложения. Приложение хранит политику и состояние, проверяет каждое предложение, выполняет разрешённые действия с фикстурами и записывает результат. Этот репозиторий даёт вам приложение и упражнения; подключение модели обеспечиваете вы.
your model -> JSON proposal -> application checks -> fixture tool -> evidence + report
|
reject or stop
Сначала запустите собранное приложение с его поддельным транспортом модели:
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
Проверьте статусы предложений и доказательства в /tmp/agent-report.json. Затем следуйте инструкциям Подключите свою модель, чтобы использовать локальную модель или написать транспортную обёртку. Более старый мост модели остаётся меньшим упражнением по подключению с другим форматом предложений. Оба примера выполняют действия инструментов на фикстурах, в том числе когда реальная модель предоставляет ответ.
В руководстве указано, что заменить, какой JSON возвращать, какие проверки сохранить, какой отчёт ожидается и какая работа остаётся перед добавлением живых инструментов.
Диаграмма объединяет средства контроля лаборатории с подключением предложений. Мост модели отрабатывает допуск действий и фиксацию доказательств; лаборатория по умолчанию отдельно демонстрирует управление находками. Ни то, ни другое не является полноценным действующим агентом безопасности.
Любая диаграмма открывается в полном размере по щелчку; на узком экране её также можно прокручивать вбок.