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
airecon — AIRecon — это автономный агент кибербезопасности, который сочетает самостоятельно размещаемую большую языковую модель (Ollama) с Docker-песочницей Kali Linux и TUI-интерфейсом Textual. Он предназначен для автоматизации оценки защищённости, тестирования на проникновение и разведки для программ bug bounty — без каких-либо API-ключей и облачной зависимости. | Kitploit
Инструменты/GitHubGitHub/pikpikcu/airecon
РазведкаСканеры уязвимостейЭксплуатацияСбор информацииВеб-безопасностьТестирование на ПроникновениеОбучение и ОбразованиеRed TeamingБезопасность ИИ
GitHubpikpikcu/airecon

airecon

Репозиторий
9381561520 дней назадПроверено Kitploit

Популярное

Смотреть все →

Откройте для себя самые используемые инструменты нашего сообщества.

Изучить все инструменты

Просмотрите нашу коллекцию инструментов

Смотреть все инструменты →

Описание

AIRecon — это автономный агент кибербезопасности, который сочетает самостоятельно размещаемую большую языковую модель (Ollama) с Docker-песочницей Kali Linux и TUI-интерфейсом Textual. Он предназначен для автоматизации оценки защищённости, тестирования на проникновение и разведки для программ bug bounty — без каких-либо API-ключей и облачной зависимости.

Поделиться

AIRecon

Автономный агент тестирования на проникновение на базе ИИ

Ask DeepWiki Docs

AIRecon — это автономный агент тестирования на проникновение, который сочетает локально размещённую Ollama LLM с Docker-песочницей Kali Linux, нативной интеграцией прокси Caido, структурированным пайплайном RECON → ANALYSIS → EXPLOIT → REPORT и Textual TUI в реальном времени — полностью офлайн, без необходимости в API-ключах.

Airecon


Почему AIRecon?

Коммерческие API-модели (OpenAI GPT-4, Claude, Gemini) становятся непозволительно дорогими для рекурсивных автономных сценариев разведки, которые могут требовать тысяч вызовов LLM за сеанс.

AIRecon создан на 100% для локальной, приватной работы.

ВозможностьAIReconОблачные агенты
Требуются API-ключиНетДа
Данные цели отправляются в облакоНетДа
Работает офлайнДаНет
Интеграция CaidoВстроеннаяОтсутствует
Возобновление сеансаДаЗависит от реализации
Локальная база знаний~1,09 млн записейОтсутствует
  • Конфиденциальность в приоритете — Разведданные о цели, вывод инструментов и отчёты никогда не покидают ваш компьютер.
  • Встроенная интеграция Caido — 5 встроенных инструментов: list, replay, automate (§FUZZ§), findings, scope.
  • Полный стек — песочница Kali + автоматизация браузера + собственный фаззер + API-фаззинг Schemathesis + Semgrep SAST.
  • База знаний навыков — 57 встроенных файлов навыков, 289 автоматических сопоставлений «ключевое слово → навык». Дополняется airecon-skills — библиотекой навыков сообщества с 57 дополнительными плейбуками на основе CLI 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, полезные нагрузки для bug bounty) в локальную SQLite FTS5. LLM автономно вызывает dataset_search перед попыткой применить незнакомые техники — обосновывая свои решения реальными проиндексированными данными.

Пайплайн

RECON → ANALYSIS → EXPLOIT → REPORT

Каждая фаза имеет конкретные цели, рекомендуемые инструменты и автоматические критерии перехода. Соблюдение фаз — мягкое: 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 выполняет тонкую настройку LLM. Его «обучение» — это локальная структурированная телеметрия, которая направляет выбор инструментов и позволяет избегать повторения неудачных путей.

Локальное хранение (всё на диске, без облака):

  • SQLite-база памяти в ~/.airecon/memory/airecon.db, хранящая сеансы, находки, паттерны, разведданные о целях, использование инструментов, производительность моделей, использование навыков и обнаруженные цепочки атак.
  • Состояние адаптивного обучения в ~/.airecon/learning/global_learning.json (статистика производительности инструментов, паттерны стратегий, журнал наблюдений, сжатые выводы).
  • Файлы памяти по каждой цели в ~/.airecon/memory/by_target/, если сохранение включено; содержат конечные точки, уязвимости, обходы WAF, чувствительные параметры и конечные точки аутентификации.
  • Снимки памяти полезных нагрузок могут сохраняться в workspace/<target>/payload_memory.json при сохранении сеанса.

Как это влияет на поведение:

  • При запуске сеанса внедряется контекст памяти (разведданные о цели, похожие находки, изученные паттерны, надёжность инструментов).
  • Каждые 8 итераций изученные паттерны и похожие находки могут повторно внедряться на основе обнаруженных технологий.
  • Адаптивный рейтинг инструментов использует историю успехов/неудач для упорядочивания инструментов и предложения стратегий.
  • Память полезных нагрузок (если включена) пропускает полезные нагрузки, которые многократно не срабатывали для одной и той же цели/параметра.

Требования к моделям

AIRecon требует модель с расширенным мышлением (блоки <think>) и надёжными возможностями вызова инструментов. Возможности автоматически определяются через метаданные ollama show.

⚠️ Поддержка вызова инструментов ОБЯЗАТЕЛЬНА. Модель должна поддерживать нативные вызовы функций/инструментов. Модели без этой возможности не смогут выполнять никакие инструменты (http_observe, execute, browser actions и т.д.), что сделает AIRecon полностью неработоспособным.

Рекомендуемый минимум: 8B–9B параметров. Модели меньше 8B технически работоспособны, но настоятельно не рекомендуются — они часто галлюцинируют вывод инструментов, выдумывают CVE, игнорируют правила скоупа и генерируют ненадёжные вызовы инструментов.

МодельКомандаVRAMПримечания
Qwen3.5 122Bollama pull qwen3.5:122b48+ GBЛучшее качество, максимальная надёжность
Qwen3.5 35Bollama pull qwen3.5:35b20 GBРекомендуется большинству пользователей
Qwen3.5 35bollama pull qwen3.5:35b-a3b16 GBMoE — меньше VRAM
Qwen3.5 9Bollama pull qwen3.5:9b6 GBМинимально рабочая — ожидайте частых ошибок

Рекомендации по размеру модели:

  • ≥32B: Надёжна для полных пайплайнов разведки, хорошая точность вызова инструментов
  • 8B–14B: Пригодна для простых задач, ожидайте 20–40% ошибок вызова инструментов и галлюцинаций
  • <8B: Технически работает, но даёт ненадёжные результаты — не рекомендуется для серьёзного тестирования

Известные проблемы: DeepSeek R1 генерирует неполные вызовы функций. Модели < 8B не имеют надёжной поддержки вызова инструментов.


Запуск Ollama в Google Colab (ограниченное оборудование)

Если у вас нет GPU или объём локальной VRAM ниже минимального, вы можете запустить Ollama на бесплатном GPU T4 в Google Colab и подключить AIRecon через публичный туннель.

Откройте блокнот: Open In Colab

Как это работает:

Google Colab GPU                     Your Local Machine
┌─────────────────────────┐          ┌──────────────────────────┐
│  Ollama (qwen3.5:9b)    │◄────────►│  AIRecon TUI             │
│  cloudflared tunnel     │  HTTPS   │  ollama_url: tunnel URL  │
└─────────────────────────┘          └──────────────────────────┘

Шаги:

  1. Откройте ссылку Colab выше и выберите Runtime → Change runtime type → T4 GPU
  2. Запустите все ячейки сверху вниз (в первый раз занимает ~5–10 минут)
  3. Скопируйте фрагмент конфигурации, выведенный в ячейке 6, в ~/.airecon/config.yaml:
Скачать инструмент