Автономный агент для пентеста на базе ИИ

AIRecon — это автономный агент для пентеста, который управляет любым OpenAI-совместимым шлюзом LLM (LiteLLM / vLLM / размещённый эндпоинт — или локальный шлюз, проксирующий локальный Ollama) с помощью Docker-песочницы Kali Linux, нативной интеграции с прокси Caido, структурированного конвейера RECON → ANALYSIS → EXPLOIT → REPORT и Textual TUI в реальном времени.

Независимость от бэкенда по дизайну. Направьте AIRecon на локальный шлюз (LiteLLM / vLLM или шлюз, проксирующий локальный Ollama) для полностью офлайн / приватной работы, либо на размещённый эндпоинт, совместимый с OpenAI/Anthropic/Gemini, для максимального качества рассуждений. Поддержка рассуждений автоматически определяется во время выполнения — без жёсткого программирования под каждую модель.

Airecon

Спонсор

Swiftproxy – надёжные резидентные прокси для веб-исследований с помощью ИИ

Swiftproxy предоставляет более 90 млн чистых резидентных IP в более чем 220 локациях, поддерживая HTTP(S)/SOCKS5, ротацию IP, Sticky Sessions и точное геотаргетинг. Это помогает рабочим процессам исследований и разведки на базе ИИ надёжно получать доступ к веб-сайтам из разных локаций, что делает его подходящим для веб-исследований, сбора данных, скрейпинга и доступа с учётом местоположения.

Доступно бесплатное тестирование, скидка 10% по промокоду PROXY90.

Почему AIRecon?

AIRecon общается с одним OpenAI-совместимым шлюзом, поэтому вы сами выбираете компромисс — запустить локальную модель для приватности и нулевой стоимости API или размещённую модель для максимального качества рассуждений. Один и тот же агент, конвейер, песочница и инструментарий работают в любом случае.

Возможность	AIRecon
Бэкенд	Любой OpenAI-совместимый шлюз (LiteLLM / vLLM / размещённый)
Полностью офлайн / без API-ключей	Да — при использовании локального шлюза (vLLM или шлюз → локальный Ollama)
Определение рассуждений	Автоматически во время выполнения (без жёсткого программирования по имени модели)
Интеграция с Caido	Нативная
Scope guard + журнал аудита	Да — отказ от целей вне области, логирование каждой команды
Обучение только на проверенном	Да — мозг накапливает подтверждённые находки, а не шум
Возобновление сессии (чат + вызовы инструментов)	Да
Локальная база знаний	~1,09 млн записей (опционально)

Приватность, когда она нужна — с локальным шлюзом разведданные о целях, вывод инструментов и отчёты никогда не покидают вашу машину.
Caido Native — встроенные инструменты: list, replay, automate (§FUZZ§), findings, scope, sitemap, intercept.
Полный стек — песочница Kali + автоматизация браузера + кастомный фаззер + фаззинг API Schemathesis + SAST Semgrep.
База знаний навыков — 57 встроенных файлов навыков, 289 автоматических сопоставлений ключевых слов → навыков. Расширяется с помощью airecon-skills — библиотеки навыков сообщества с 57 дополнительными CLI-плейбуками для CTF, bug bounty и пентеста.
Локальная база знаний по безопасности — опциональный airecon-dataset индексирует ~1,09 млн записей по безопасности (CVE, техники red team, разборы CTF, шаблоны nuclei, payload'ы bug bounty) в локальный SQLite FTS5. LLM автономно вызывает dataset_search перед попыткой незнакомых техник — обосновывая свои решения реальными проиндексированными данными.

Конвейер

RECON → ANALYSIS → EXPLOIT → REPORT

Каждая фаза имеет конкретные цели, рекомендуемые инструменты и критерии автоматического перехода. Принудительное соблюдение фаз является мягким — агент направляется, но никогда не блокируется. Контрольные точки выполняются каждые 5 (оценка фазы), 10 (самооценка) и 15 (сжатие контекста) итераций.

Память и обучение (что это на самом деле делает)

AIRecon не дообучает LLM. Его «обучение» — это локальная структурированная телеметрия, которая направляет выбор инструментов и помогает избегать повторения неудачных путей.

Локальное хранение (всё на диске, без облака):

База данных памяти SQLite по пути ~/.airecon/memory/airecon.db, хранящая сессии, находки, паттерны, разведданные о цели, использование инструментов, производительность моделей, использование навыков и обнаруженные цепочки атак.
Состояние адаптивного обучения по пути ~/.airecon/learning/global_learning.json (статистика производительности инструментов, паттерны стратегий, журнал наблюдений, обобщённые выводы).
Файлы памяти для каждой цели в каталоге ~/.airecon/memory/by_target/ при сохранении, содержащие эндпоинты, уязвимости, обходы WAF, чувствительные параметры и эндпоинты аутентификации.
Снимки памяти полезных нагрузок могут сохраняться в workspace/<target>/payload_memory.json при выполнении сохранения сессии.

Как это влияет на поведение:

При запуске сессии внедряется контекст памяти (разведданные о цели, похожие находки, изученные паттерны, надёжность инструментов).
Холодный старт: при отсутствии накопленной истории для обнаруженного стека AIRecon внедряет краткую справку из статического набора данных tech_correlations — таким образом, наборы данных используются как мозг с первой итерации.
Каждые intelligence_memory_recall_interval итераций (по умолчанию 4) изученные паттерны / знания холодного старта повторно внедряются на основе обнаруженных технологий; корреляция выполняется каждые intelligence_correlation_interval (по умолчанию 6).
Обучение только на проверенном: в кросс-сессионный мозг сохраняются только проверенные находки (или с высокой уверенностью), поэтому он накапливает подтверждённые знания, а не ложные срабатывания (intelligence_learn_only_verified, по умолчанию включено).
Адаптивное ранжирование инструментов использует историю успехов/неудач для упорядочивания инструментов и предложения стратегий; обучение в рамках сессии начинается уже после intelligence_adaptive_min_observations (по умолчанию 2) наблюдений.
Память полезных нагрузок (при включении) пропускает полезные нагрузки, которые многократно не срабатывали для одной и той же цели/параметра.

Требования к модели

AIRecon работает с любой моделью, которую предоставляет ваш шлюз (GPT, Claude, Gemini, Qwen, GLM, DeepSeek, локальные модели Ollama/vLLM, …). Важны две возможности:

airecon

Популярное

Описание