Flow {
    string id PK
    string name "Flow name"
    string description "Flow description"
    string status "active/completed/failed"
    json parameters "Flow parameters"
    timestamp created_at
    timestamp updated_at
}

Task {
    string id PK
    string flow_id FK
    string name "Task name"
    string description "Task description"
    string status "pending/running/done/failed"
    json result "Task results"
    timestamp created_at
    timestamp updated_at
}

SubTask {
    string id PK
    string task_id FK
    string name "Subtask name"
    string description "Subtask description"
    string status "queued/running/completed/failed"
    string agent_type "researcher/developer/executor"
    json context "Agent context"
    timestamp created_at
    timestamp updated_at
}

Action {
    string id PK
    string subtask_id FK
    string type "command/search/analyze/etc"
    string status "success/failure"
    json parameters "Action parameters"
    json result "Action results"
    timestamp created_at
}

Artifact {
    string id PK
    string action_id FK
    string type "file/report/log"
    string path "Storage path"
    json metadata "Additional info"
    timestamp created_at
}

Memory {
    string id PK
    string action_id FK
    string type "observation/conclusion"
    vector embedding "Vector representation"
    text content "Memory content"
    timestamp created_at
}

</details>

<details>
<summary><b>Взаимодействие с агентом</b> (нажмите, чтобы раскрыть)</summary>```mermaid
sequenceDiagram
    participant O as Orchestrator
    participant R as Researcher
    participant D as Developer
    participant E as Executor
    participant VS as Vector Store
    participant KB as Knowledge Base

    Note over O,KB: Flow Initialization
    O->>VS: Query similar tasks
    VS-->>O: Return experiences
    O->>KB: Load relevant knowledge
    KB-->>O: Return context

    Note over O,R: Research Phase
    O->>R: Analyze target
    R->>VS: Search similar cases
    VS-->>R: Return patterns
    R->>KB: Query vulnerabilities
    KB-->>R: Return known issues
    R->>VS: Store findings
    R-->>O: Research results

    Note over O,D: Planning Phase
    O->>D: Plan attack
    D->>VS: Query exploits
    VS-->>D: Return techniques
    D->>KB: Load tools info
    KB-->>D: Return capabilities
    D-->>O: Attack plan

    Note over O,E: Execution Phase
    O->>E: Execute plan
    E->>KB: Load tool guides
    KB-->>E: Return procedures
    E->>VS: Store results
    E-->>O: Execution status

subgraph "Working Memory"
    Context[Current Context<br/>Task State]
    Goals[Active Goals<br/>Objectives]
    State[System State<br/>Resources]
end

subgraph "Episodic Memory"
    Actions[Past Actions<br/>Commands History]
    Results[Action Results<br/>Outcomes]
    Patterns[Success Patterns<br/>Best Practices]
end

Context --> |Query| VS
VS --> |Retrieve| Context

Goals --> |Consult| KB
KB --> |Guide| Goals

State --> |Record| Actions
Actions --> |Learn| Patterns
Patterns --> |Store| VS

Tools --> |Inform| State
Results --> |Update| Tools

VS --> |Enhance| KB
KB --> |Index| VS

classDef ltm fill:#f9f,stroke:#333,stroke-width:2px,color:#000
classDef wm fill:#bbf,stroke:#333,stroke-width:2px,color:#000
classDef em fill:#bfb,stroke:#333,stroke-width:2px,color:#000

class VS,KB,Tools ltm
class Context,Goals,State wm
class Actions,Results,Patterns em

</details>

<details>
<summary><b>Цепочное резюмирование</b> (нажмите, чтобы развернуть)</summary>

Система цепочного резюмирования управляет ростом контекста беседы путем выборочного обобщения старых сообщений. Это критически важно для предотвращения превышения лимитов токенов при сохранении связности разговора.```mermaid
flowchart TD
    A[Input Chain] --> B{Needs Summarization?}
    B -->|No| C[Return Original Chain]
    B -->|Yes| D[Convert to ChainAST]
    D --> E[Apply Section Summarization]
    E --> F[Process Oversized Pairs]
    F --> G[Manage Last Section Size]
    G --> H[Apply QA Summarization]
    H --> I[Rebuild Chain with Summaries]
    I --> J{Is New Chain Smaller?}
    J -->|Yes| K[Return Optimized Chain]
    J -->|No| C

    classDef process fill:#bbf,stroke:#333,stroke-width:2px,color:#000
    classDef decision fill:#bfb,stroke:#333,stroke-width:2px,color:#000
    classDef output fill:#fbb,stroke:#333,stroke-width:2px,color:#000

    class A,D,E,F,G,H,I process
    class B,J decision
    class C,K output

</details>

<a id="advanced-agent-supervision"></a>
<details>
<summary><b>Продвинутый надзор за агентами</b> (нажмите, чтобы развернуть)</summary>

PentAGI включает сложные многоуровневые механизмы надзора за агентами, обеспечивающие эффективное выполнение задач, предотвращение бесконечных циклов и интеллектуальное восстановление из зависших состояний:

### Мониторинг выполнения (Beta)
- **Автоматическое вмешательство наставника**: Агент-советник (наставник) автоматически вызывается, когда шаблоны выполнения указывают на потенциальные проблемы
- **Обнаружение шаблонов**: Отслеживает идентичные вызовы инструментов (порог: 5, настраивается) и общее количество вызовов инструментов (порог: 10, настраивается)
- **Анализ прогресса**: Оценивает, продвигается ли агент к цели подзадачи, обнаруживает циклы и неэффективность
- **Альтернативные стратегии**: Рекомендует различные подходы, когда текущая стратегия не работает
- **Руководство по поиску информации**: Предлагает искать существующие решения вместо изобретения новых
- **Улучшенный формат ответов**: Ответы инструментов включают секции `<original_result>` и `<mentor_analysis>`
- **Настраиваемость**: Включить через `EXECUTION_MONITOR_ENABLED` (по умолчанию: false), настроить пороги через `EXECUTION_MONITOR_SAME_TOOL_LIMIT` и `EXECUTION_MONITOR_TOTAL_TOOL_LIMIT`

**Лучше всего для**: Меньшие модели (< 32B параметров), сложные сценарии атак, требующие постоянного руководства, предотвращение застревания агентов на одном подходе

**Влияние на производительность**: Увеличение времени выполнения и использования токенов в 2-3 раза, но обеспечивает **улучшение качества результатов в 2 раза** на основе тестирования с Qwen3.5-27B-FP8

### Интеллектуальное планирование задач (Beta)
- **Автоматическая декомпозиция**: Планировщик (советник в режиме планирования) генерирует 3-7 конкретных, выполнимых шагов до начала работы агентов-специалистов
- **Контекстно-зависимые планы**: Анализирует полный контекст выполнения через агента-обогатителя для создания информированных планов
- **Структурированное назначение**: Исходный запрос оборачивается в структуру `<task_assignment>` с планом выполнения и инструкциями
- **Управление объёмом**: Предотвращает расползание объёма, удерживая агентов в рамках только текущей подзадачи
- **Обогащённые инструкции**: Планы выделяют критические действия, потенциальные ловушки и точки проверки
- **Настраиваемость**: Включить через `AGENT_PLANNING_STEP_ENABLED` (по умолчанию: false)

**Лучше всего для**: Модели < 32B параметров, сложные рабочие процессы тестирования на проникновение, повышение вероятности успеха в сложных задачах

**Улучшенная конфигурация советника**: Работает особенно хорошо, когда агент-советник использует более сильную модель или расширенные настройки. Пример: использование той же базовой модели с максимальным режимом рассуждения для советника (см. [`vllm-qwen3.5-27b-fp8.provider.yml`](https://github.com/vxcontrol/pentagi/blob/main/examples/configs/vllm-qwen3.5-27b-fp8.provider.yml)) позволяет проводить всесторонний анализ задач и стратегическое планирование на одинаковой архитектуре модели.

**Влияние на производительность**: Добавляет накладные расходы на планирование, но значительно повышает процент завершения и сокращает избыточную работу

### Лимиты вызовов инструментов (всегда активны)
- **Жёсткие лимиты**: Предотвращают неконтролируемое выполнение независимо от режима надзора
- **Различие по типу агента**:
  - Общие агенты (Помощник, Основной агент, Тестер на проникновение, Разработчик, Установщик): `MAX_GENERAL_AGENT_TOOL_CALLS` (по умолчанию: 100)
  - Ограниченные агенты (Поисковик, Обогатитель, Запоминатель, Генератор, Репортёр, Советник, Отражатель, Планировщик): `MAX_LIMITED_AGENT_TOOL_CALLS` (по умолчанию: 20)
- **Корректное завершение**: Отражатель направляет агентов к правильному завершению при приближении к лимитам
- **Защита ресурсов**: Обеспечивает стабильность системы и предотвращает истощение ресурсов

### Интеграция Отражателя (всегда активна)
- **Автоматическая коррекция**: Вызывается, когда LLM не удаётся сгенерировать вызовы инструментов после 3 попыток
- **Стратегическое руководство**: Анализирует ошибки и направляет агентов к правильному использованию инструментов или барьерных инструментов (`done`, `ask`)
- **Механизм восстановления**: Предоставляет контекстное руководство в зависимости от конкретных шаблонов ошибок
- **Принудительное применение лимитов**: Координирует корректное завершение при достижении лимитов вызовов инструментов

### Рекомендации для моделей с открытым исходным кодом

**Обязательно для моделей < 32B параметров**:
Тестирование с Qwen3.5-27B-FP8 показывает, что включение как мониторинга выполнения, так и планирования задач **необходимо** для меньших моделей с открытым исходным кодом:
- **Улучшение качества**: В 2 раза лучшие результаты по сравнению с базовым выполнением без надзора
- **Предотвращение циклов**: Значительно сокращает бесконечные циклы и избыточную работу
- **Разнообразие атак**: Поощряет исследование нескольких векторов атак вместо фиксации на одном подходе
- **Автономные развёртывания**: Позволяет проводить автономное тестирование на проникновение промышленного уровня в замкнутых сетевых средах с локальным выводом LLM

**Компромиссы**:
- Потребление токенов: увеличение в 2-3 раза из-за вызовов наставника/планировщика
- Время выполнения: в 2-3 раза дольше из-за этапов анализа и планирования
- Качество результатов: в 2 раза улучшение полноты, точности и охвата атак
- Требования к модели: работает лучше всего, когда советник использует расширенную конфигурацию (более высокие параметры рассуждения, более сильная версия модели или другая модель)

**Стратегия конфигурации**:
Для оптимальной производительности с меньшими моделями настройте агента-советника с расширенными параметрами:
- Используйте ту же модель с максимальным режимом рассуждения (пример: [`vllm-qwen3.5-27b-fp8.provider.yml`](https://github.com/vxcontrol/pentagi/blob/main/examples/configs/vllm-qwen3.5-27b-fp8.provider.yml))
- Или используйте более сильную модель для советника, сохраняя базовую модель для других агентов
- Настройте пороги мониторинга в зависимости от сложности задачи и возможностей модели



</details>

Архитектура PentAGI спроектирована как модульная, масштабируемая и безопасная. Вот ключевые компоненты:

1. **Основные сервисы**
   - Пользовательский интерфейс: веб-интерфейс на React с TypeScript для типобезопасности
   - Бэкенд API: REST и GraphQL API на Go с аутентификацией через Bearer токен для программного доступа
   - Векторное хранилище: PostgreSQL с pgvector для семантического поиска и хранения памяти
   - Очередь задач: Система асинхронной обработки задач для надёжной работы
   - ИИ-агент: Многоагентная система со специализированными ролями для эффективного тестирования

2. **Граф знаний**
   - Graphiti: API графа знаний для отслеживания семантических связей и контекстного понимания
   - Neo4j: Графовая база данных для хранения и запросов связей между сущностями, действиями и результатами
   - Автоматический захват ответов агентов и выполнений инструментов для построения всеобъемлющей базы знаний

3. **Стек мониторинга**
   - OpenTelemetry: Унифицированный сбор и корреляция данных наблюдаемости
   - Grafana: Визуализация в реальном времени и панели оповещений
   - VictoriaMetrics: Высокопроизводительное хранилище метрик временных рядов
   - Jaeger: Сквозная распределённая трассировка для отладки
   - Loki: Масштабируемая агрегация и анализ логов

4. **Аналитическая платформа**
   - Langfuse: Продвинутая наблюдаемость и аналитика производительности LLM
   - ClickHouse: Колоночное аналитическое хранилище данных
   - Redis: Высокоскоростное кэширование и ограничение частоты запросов
   - MinIO: S3-совместимое объектное хранилище для артефактов

5. **Инструменты безопасности**
   - Веб-скрапер: Изолированная среда браузера для безопасного взаимодействия с веб-ресурсами
   - Инструменты тестирования на проникновение: Комплексный набор из 20+ профессиональных инструментов безопасности
   - Изолированное выполнение: Все операции выполняются в изолированных контейнерах

6. **Системы памяти**
   - Долговременная память: Постоянное хранение знаний и опыта
   - Рабочая память: Активный контекст и цели для текущих операций
   - Эпизодическая память: Исторические действия и успешные шаблоны
   - База знаний: Структурированная предметная экспертиза и возможности инструментов
   - Управление контекстом: Интеллектуальное управление растущими контекстными окнами LLM с использованием цепной суммаризации

Система использует Docker-контейнеры для изоляции и простого развёртывания, с отдельными сетями для основных сервисов, мониторинга и аналитики для обеспечения надлежащих границ безопасности. Каждый компонент спроектирован для горизонтального масштабирования и может быть настроен для высокой доступности в производственных средах.

## Быстрый старт

### Системные требования

- Docker и Docker Compose (или Podman — см. [конфигурацию Podman](#running-pentagi-with-podman))
- Минимум 2 vCPU
- Минимум 4 ГБ ОЗУ
- 20 ГБ свободного дискового пространства
- Доступ в Интернет для загрузки образов и обновлений

### Использование установщика (рекомендуется)

PentAGI предоставляет интерактивный установщик с терминальным интерфейсом для упрощённой настройки и развёртывания. Установщик проводит через проверку системы, настройку LLM-провайдера, конфигурацию поисковой системы и усиление безопасности.

**Поддерживаемые платформы:**
- **Linux**: amd64 [скачать](https://pentagi.com/downloads/linux/amd64/installer-latest.zip) | arm64 [скачать](https://pentagi.com/downloads/linux/arm64/installer-latest.zip)
- **Windows**: amd64 [скачать](https://pentagi.com/downloads/windows/amd64/installer-latest.zip)
- **macOS**: amd64 (Intel) [скачать](https://pentagi.com/downloads/darwin/amd64/installer-latest.zip) | arm64 (M-серия) [скачать](https://pentagi.com/downloads/darwin/arm64/installer-latest.zip)

**Быстрая установка (Linux amd64):**```bash
# Create installation directory
mkdir -p pentagi && cd pentagi

# Download installer
wget -O installer.zip https://pentagi.com/downloads/linux/amd64/installer-latest.zip

# Extract
unzip installer.zip

# Run interactive installer
./installer

2. Скопируйте `.env.example` в `.env` или скачайте его:```bash
curl -o .env https://raw.githubusercontent.com/vxcontrol/pentagi/master/.env.example

4. Заполните необходимые ключи API в файле `.env`.```bash
# Required: At least one of these LLM providers
OPEN_AI_KEY=your_openai_key
ANTHROPIC_API_KEY=your_anthropic_key
GEMINI_API_KEY=your_gemini_key

# Optional: AWS Bedrock provider (enterprise-grade models)
BEDROCK_REGION=us-east-1
# Choose one authentication method:
BEDROCK_DEFAULT_AUTH=true                        # Option 1: Use AWS SDK default credential chain (recommended for EC2/ECS)
# BEDROCK_BEARER_TOKEN=your_bearer_token         # Option 2: Bearer token authentication
# BEDROCK_ACCESS_KEY_ID=your_aws_access_key      # Option 3: Static credentials
# BEDROCK_SECRET_ACCESS_KEY=your_aws_secret_key

# Optional: Ollama provider (local or cloud)
# OLLAMA_SERVER_URL=http://ollama-server:11434   # Local server
# OLLAMA_SERVER_URL=https://ollama.com           # Cloud service
# OLLAMA_SERVER_API_KEY=your_ollama_cloud_key    # Required for cloud, empty for local

# Optional: Chinese AI providers
# DEEPSEEK_API_KEY=your_deepseek_key             # DeepSeek (strong reasoning)
# GLM_API_KEY=your_glm_key                       # GLM (Zhipu AI)
# KIMI_API_KEY=your_kimi_key                     # Kimi (Moonshot AI, ultra-long context)
# QWEN_API_KEY=your_qwen_key                     # Qwen (Alibaba Cloud, multimodal)

# Optional: Local LLM provider (zero-cost inference)
OLLAMA_SERVER_URL=http://localhost:11434
OLLAMA_SERVER_MODEL=your_model_name

# Optional: Additional search capabilities
DUCKDUCKGO_ENABLED=true
DUCKDUCKGO_REGION=us-en
DUCKDUCKGO_SAFESEARCH=
DUCKDUCKGO_TIME_RANGE=
SPLOITUS_ENABLED=true
GOOGLE_API_KEY=your_google_key
GOOGLE_CX_KEY=your_google_cx
TAVILY_API_KEY=your_tavily_key
TRAVERSAAL_API_KEY=your_traversaal_key
PERPLEXITY_API_KEY=your_perplexity_key
PERPLEXITY_MODEL=sonar-pro
PERPLEXITY_CONTEXT_SIZE=medium

# Searxng meta search engine (aggregates results from multiple sources)
SEARXNG_URL=http://your-searxng-instance:8080
SEARXNG_CATEGORIES=general
SEARXNG_LANGUAGE=
SEARXNG_SAFESEARCH=0
SEARXNG_TIME_RANGE=
SEARXNG_TIMEOUT=

## Graphiti knowledge graph settings
GRAPHITI_ENABLED=true
GRAPHITI_TIMEOUT=30
GRAPHITI_URL=http://graphiti:8000
GRAPHITI_MODEL_NAME=gpt-5-mini

# Neo4j settings (used by Graphiti stack)
NEO4J_USER=neo4j
NEO4J_DATABASE=neo4j
NEO4J_PASSWORD=devpassword
NEO4J_URI=bolt://neo4j:7687

# Assistant configuration
ASSISTANT_USE_AGENTS=false         # Default value for agent usage when creating new assistants

7. Запустите стек PentAGI:```bash
curl -O https://raw.githubusercontent.com/vxcontrol/pentagi/master/docker-compose.yml
docker compose up -d

> [!IMPORTANT]
> - Замените `192.168.1.100` на фактический IP-адрес вашего сервера
> - НЕ используйте `0.0.0.0` в `PUBLIC_URL` или `CORS_ORIGINS` — используйте фактический IP-адрес
> - Включите как localhost, так и IP вашего сервера в `CORS_ORIGINS` для гибкости

2. **Пересоздайте контейнеры**, чтобы применить изменения:```bash
docker compose down
docker compose up -d --force-recreate

Вы должны увидеть `0.0.0.0:8443->8443/tcp` или `:::8443->8443/tcp`.

Если вы видите `127.0.0.1:8443->8443/tcp`, переменная окружения не была подхвачена. В этом случае напрямую отредактируйте `docker-compose.yml` строку 31:```yaml
ports:
  - "0.0.0.0:8443:8443"

5. **Доступ к PentAGI:**

- **Локальный доступ:** `https://localhost:8443`
- **Сетевой доступ:** `https://your-server-ip:8443`

> [!NOTE]
> При доступе через IP-адрес вам потребуется принять предупреждение о самоподписанном SSL-сертификате в браузере.

---

### Запуск PentAGI с Podman

PentAGI полностью поддерживает Podman в качестве альтернативы Docker. Однако при использовании **Podman в бескорневом режиме (rootless)** сервис сборщика (scraper) требует специальной настройки, так как бескорневые контейнеры не могут привязывать привилегированные порты (порты ниже 1024).

#### Конфигурация Podman без root-прав

Конфигурация сборщика по умолчанию использует порт 443 (HTTPS), который является привилегированным. Для бескорневого Podman перенастройте сборщик на непривилегированный порт:

**1. Отредактируйте `docker-compose.yml`** - измените сервис `scraper` (примерно строка 199):```yaml
scraper:
  image: vxcontrol/scraper:latest
  restart: unless-stopped
  container_name: scraper
  hostname: scraper
  expose:
    - 3000/tcp  # Changed from 443 to 3000
  ports:
    - "${SCRAPER_LISTEN_IP:-127.0.0.1}:${SCRAPER_LISTEN_PORT:-9443}:3000"  # Map to port 3000
  environment:
    - MAX_CONCURRENT_SESSIONS=${LOCAL_SCRAPER_MAX_CONCURRENT_SESSIONS:-10}
    - USERNAME=${LOCAL_SCRAPER_USERNAME:-someuser}
    - PASSWORD=${LOCAL_SCRAPER_PASSWORD:-somepass}
  logging:
    options:
      max-size: 50m
      max-file: "7"
  volumes:
    - scraper-ssl:/usr/src/app/ssl
  networks:
    - pentagi-network
  shm_size: 2g

> [!ВАЖНО]
> Ключевые изменения для Podman:
> - Используйте **HTTP** вместо HTTPS для `SCRAPER_PRIVATE_URL`
> - Используйте порт **3000** вместо 443
> - Измените внутренний `expose` на `3000/tcp`
> - Обновите привязку портов, указав `3000` вместо `443`

**3. Пересоздайте контейнеры:**```bash
podman-compose down
podman-compose up -d --force-recreate

Если вы видите HTML-вывод, значит, скрапер работает корректно.

#### Корневой режим Podman

Если вы запускаете Podman в корневом режиме (с sudo), вы можете использовать конфигурацию по умолчанию без изменений. Скрапер будет работать на порту 443, как и предполагается.

#### Совместимость с Docker

Все конфигурации Podman остаются полностью совместимыми с Docker. Подход с непривилегированным портом работает одинаково на обоих средах выполнения контейнеров.

### Конфигурация ассистента

PentAGI позволяет настроить поведение ассистентов по умолчанию:

| Переменная            | По умолчанию | Описание                                                                   |
| --------------------- | ------------ | -------------------------------------------------------------------------- |
| `ASSISTANT_USE_AGENTS` | `false`      | Управляет значением по умолчанию для использования агентов при создании новых ассистентов |

Настройка `ASSISTANT_USE_AGENTS` влияет на начальное состояние переключателя "Use Agents" при создании нового ассистента в интерфейсе:
- `false` (по умолчанию): новые ассистенты создаются с отключенным делегированием агентов по умолчанию
- `true`: новые ассистенты создаются с включенным делегированием агентов по умолчанию

Обратите внимание, что пользователи всегда могут изменить этот параметр, переключив кнопку "Use Agents" в интерфейсе при создании или редактировании ассистента. Эта переменная окружения управляет только начальным состоянием по умолчанию.

## Как использовать PentAGI после входа

Как только стек запущен и вы можете войти в веб-интерфейс, самый быстрый способ начать — это через рабочий процесс Flows.

### 1. Создайте свой первый поток

1. Откройте **Flows** на боковой панели.
2. Нажмите **New Flow**.
3. Выберите режим, соответствующий вашей цели:
   - **Automation**: полностью автономное выполнение для цели тестирования, которую вы хотите поручить PentAGI от начала до конца
   - **Assistant**: интерактивная помощь с обратной связью, когда вы хотите вести расследование шаг за шагом. В этом режиме вы также можете включить переключатель **Use Agents**, чтобы позволить PentAGI делегировать подзадачи специализированным субагентам для более сложных расследований.
4. Выберите провайдера LLM, которого вы хотите использовать для этого потока.
5. Опишите цель и задачу на естественном языке в окне сообщения.

Хорошие первые запросы обычно включают:

- целевую систему или URL
- тип оценки, который вы хотите
- любые ограничения области или правила взаимодействия
- ожидаемый результат, например, отчет об уязвимости или подтверждение гипотезы

Пример:```text
Assess https://target.example for common web application vulnerabilities. Focus on authentication, file handling, and injection issues. Stay within the provided target only and summarize confirmed findings with reproduction steps.

### Исследование и тестирование API

PentAGI предоставляет интерактивную документацию для исследования и тестирования конечных точек API:

#### GraphQL Playground

Получите доступ к GraphQL Playground по адресу `https://your-pentagi-instance:8443/api/v1/graphql/playground`

1. Нажмите на вкладку **HTTP Headers** в нижней части
2. Добавьте свой заголовок авторизации:   ```json
   {
     "Authorization": "Bearer YOUR_API_TOKEN"
   }

**Настройка платного тарифа (мультимодельная конфигурация с предварительной настройкой)**

Для платных тарифов, поддерживающих несколько одновременных моделей, используйте предварительно настроенную конфигурацию Ollama Cloud:```bash
# Using pre-built Ollama Cloud configuration (included in Docker image)
OLLAMA_SERVER_URL=https://ollama.com
OLLAMA_SERVER_API_KEY=your_ollama_cloud_api_key
OLLAMA_SERVER_CONFIG_PATH=/opt/pentagi/conf/ollama-cloud.provider.yml

Переменная окружения `PENTAGI_OLLAMA_SERVER_CONFIG_PATH` указывает на ваш файл конфигурации хоста, сопоставляя его с `/opt/pentagi/conf/ollama.provider.yml` внутри контейнера.

**Пример пользовательской конфигурации** (`my-ollama-config.yml`):```yaml
primary_agent:
  model: "qwen3-coder-next:cloud"
  temperature: 1.0
  top_p: 0.9
  max_tokens: 32768
  reasoning:
    effort: high

coder:
  model: "qwen3-coder:32b"
  temperature: 1.0
  max_tokens: 20480

**Рекомендации по производительности:**

- **Model Discovery** (`OLLAMA_SERVER_LOAD_MODELS_ENABLED=true`): Добавляет задержку запуска 1-2 с при запросе к API Ollama
- **Auto-pull** (`OLLAMA_SERVER_PULL_MODELS_ENABLED=true`): Первый запуск может занять несколько минут на скачивание моделей
- **Pull timeout** (`OLLAMA_SERVER_PULL_MODELS_TIMEOUT=900`): Тайм-аут загрузки: 15 минут в секундах
- **Static Config**: Отключите оба флага и укажите модели в файле конфигурации для максимально быстрого запуска

#### Создание пользовательских моделей Ollama с расширенным контекстом

PentAGI требует модели с большим окном контекста, чем стандартные конфигурации Ollama. Вам необходимо создать пользовательские модели с увеличенным параметром `num_ctx` с помощью Modelfiles. В то время как типичные рабочие процессы агента потребляют около 64K токенов, PentAGI использует размер контекста 110K для запаса надёжности и обработки сложных сценариев тестирования на проникновение.

**Важно**: Параметр `num_ctx` может быть установлен только во время создания модели через Modelfile - его нельзя изменить после создания модели или переопределить во время выполнения.

##### Пример: Qwen3 32B FP16 с расширенным контекстом

Создайте Modelfile с именем `Modelfile_qwen3_32b_fp16_tc`:```dockerfile
FROM qwen3:32b-fp16
PARAMETER num_ctx 110000
PARAMETER temperature 0.3
PARAMETER top_p 0.8
PARAMETER min_p 0.0
PARAMETER top_k 20
PARAMETER repeat_penalty 1.1

##### Пример: QwQ 32B FP16 с расширенным контекстом

Создайте Modelfile с именем `Modelfile_qwq_32b_fp16_tc`:```dockerfile
FROM qwq:32b-fp16
PARAMETER num_ctx 110000
PARAMETER temperature 0.2
PARAMETER top_p 0.7
PARAMETER min_p 0.0
PARAMETER top_k 40
PARAMETER repeat_penalty 1.2

> **Примечание**: Модель QwQ 32B FP16 требует приблизительно **71,3 ГБ VRAM** для инференса. Убедитесь, что ваша система имеет достаточный объём памяти GPU перед попыткой использования этой модели.

Эти пользовательские модели упоминаются в предварительно созданных файлах конфигурации провайдера (`ollama-qwen332b-fp16-tc.provider.yml` и `ollama-qwq32b-fp16-tc.provider.yml`), которые включены в Docker-образ по пути `/opt/pentagi/conf/`.

### Конфигурация провайдера OpenAI

PentAGI интегрируется с всеобъемлющей линейкой моделей OpenAI, включающей продвинутые возможности рассуждения с расширенной цепочкой мыслей, агентные модели с улучшенной интеграцией инструментов и специализированные кодовые модели для инженерии безопасности.

#### Переменные конфигурации

| Переменная            | По умолчанию                 | Описание                        |
| --------------------- | ---------------------------- | ------------------------------- |
| `OPEN_AI_KEY`         |                              | API-ключ для сервисов OpenAI    |
| `OPEN_AI_SERVER_URL`  | `https://api.openai.com/v1`  | Конечная точка API OpenAI       |

#### Примеры конфигурации```bash
# Basic OpenAI setup
OPEN_AI_KEY=your_openai_api_key
OPEN_AI_SERVER_URL=https://api.openai.com/v1

# Using with proxy for enhanced security
OPEN_AI_KEY=your_openai_api_key
PROXY_URL=http://your-proxy:8080

> [!NOTE]
> **Google Vertex AI для моделей Claude**
>
> PentAGI в настоящее время не предоставляет выделенного пути конфигурации Google Vertex AI для Anthropic Claude в `.env`. На данный момент нет отдельного поля для ключа API Vertex AI, а существующие переменные Anthropic (`ANTHROPIC_API_KEY`, `ANTHROPIC_SERVER_URL`) нацелены на прямой API Anthropic. Поддерживаемые маршруты для Claude:
>
> - **Прямой API Anthropic**: `ANTHROPIC_API_KEY` и `ANTHROPIC_SERVER_URL` (см. выше).
> - **AWS Bedrock**: переменные `BEDROCK_*` (см. [Конфигурация провайдера AWS Bedrock](#aws-bedrock-provider-configuration)).
>
> Если вам нужно использовать Vertex AI сегодня, самый безопасный поддерживаемый обходной путь — предоставить Vertex AI через OpenAI-совместимый прокси или шлюз, который преобразует вызовы Vertex AI в формат Chat Completions, сохраняя поведение чата и вызова инструментов, на которое полагается PentAGI, а затем направить пользовательского провайдера LLM на этот шлюз с помощью `LLM_SERVER_URL`, `LLM_SERVER_KEY` и `LLM_SERVER_MODEL`. Надежность этого пути зависит только от выбранного шлюза.

#### Поддерживаемые модели

PentAGI поддерживает 10 моделей Claude с вызовом инструментов, потоковой передачей, расширенным мышлением, адаптивным мышлением и кэшированием подсказок. Модели, отмеченные `*`, используются в конфигурации по умолчанию.

**Серия Claude 4 — Новейшие модели (2025–2026)**

| Идентификатор модели      | Мышление | Дата выпуска | Цена (Ввод/Вывод/Кэш Чт/Зп) | Назначение                                  |
| ------------------------- | -------- | ------------ | --------------------------- | ------------------------------------------- |
| `claude-opus-4-6`*        | ✅        | Май 2025     | $5.00/$25.00/$0.50/$6.25   | Самая интеллектуальная модель для автономных агентов и кодирования. Расширенное + адаптивное мышление для разработки сложных эксплойтов, многоэтапного моделирования атак |
| `claude-sonnet-4-6`*      | ✅        | Авг 2025     | $3.00/$15.00/$0.30/$3.75   | Лучший баланс скорости и интеллекта с адаптивным мышлением. Многофазные оценки безопасности, интеллектуальный анализ уязвимостей, охота за угрозами в реальном времени |
| `claude-haiku-4-5`*       | ✅        | Окт 2025     | $1.00/$5.00/$0.10/$1.25    | Самая быстрая модель с интеллектом, близким к передовому. Высокочастотное сканирование, мониторинг в реальном времени, массовое автоматизированное тестирование |

**Устаревшие модели — всё ещё поддерживаются**

| Идентификатор модели      | Мышление | Дата выпуска | Цена (Ввод/Вывод/Кэш Чт/Зп) | Назначение                                  |
| ------------------------- | -------- | ------------ | --------------------------- | ------------------------------------------- |
| `claude-sonnet-4-5`       | ✅        | Сен 2025     | $3.00/$15.00/$0.30/$3.75   | Передовые рассуждения (заменена на 4-6). Искусное тестирование на проникновение, расширенный анализ угроз |
| `claude-opus-4-5`         | ✅        | Ноя 2025     | $5.00/$25.00/$0.50/$6.25   | Предельные рассуждения (заменена на opus-4-6). Критические исследования безопасности, обнаружение 0-day, операции красных команд |
| `claude-opus-4-1`         | ✅        | Авг 2025     | $15.00/$75.00/$1.50/$18.75 | Продвинутые рассуждения (заменена). Сложное тестирование на проникновение, изощрённое моделирование угроз |
| `claude-sonnet-4-0`       | ✅        | Май 2025     | $3.00/$15.00/$0.30/$3.75   | Высокопроизводительные рассуждения (заменена). Сложное моделирование угроз, координация нескольких инструментов |
| `claude-opus-4-0`         | ✅        | Май 2025     | $15.00/$75.00/$1.50/$18.75 | Первое поколение Opus (заменена). Многоэтапная разработка эксплойтов, автономные рабочие процессы пентестинга |

**Устаревшие модели — перенесите на текущие модели**

| Идентификатор модели             | Мышление | Дата выпуска | Цена (Ввод/Вывод/Кэш Чт/Зп) | Примечания                                |
| -------------------------------- | -------- | ------------ | --------------------------- | ----------------------------------------- |
| `claude-3-haiku-20240307`        | ❌        | Мар 2024     | $0.25/$1.25/$0.03/$0.30    | Будет выведена из эксплуатации 19 апреля 2026 г. Перенесите на claude-haiku-4-5 |

**Цены**: За 1 млн токенов. Цены на кэш включают стоимость чтения и записи.

**Конфигурация расширенного мышления**:
- **Макс. токенов 4096**: Генератор (claude-opus-4-6) для максимальной глубины рассуждений при разработке сложных эксплойтов
- **Макс. токенов 2048**: Кодер (claude-sonnet-4-6) для сбалансированного анализа кода и исследования уязвимостей
- **Макс. токенов 1024**: Основной агент, ассистент, уточнитель, советник, рефлектор, искатель, установщик, пентестер для целенаправленных рассуждений по конкретным задачам
- **Расширенное мышление**: Все модели Claude 4.5+ и 4.6 поддерживают настраиваемое расширенное мышление для задач глубоких рассуждений

**Ключевые возможности**:
- **Расширенное мышление**: Все модели Claude 4.5+ и 4.6 с настраиваемой глубиной цепочки рассуждений для сложного анализа безопасности
- **Адаптивное мышление**: Серия Claude 4.6 (Opus/Sonnet) динамически регулирует глубину рассуждений в зависимости от сложности задачи для оптимальной производительности
- **Кэширование подсказок**: Значительное снижение стоимости с отдельной ценой на чтение/запись (10% чтение, 125% запись от ввода)
- **Расширенный контекст**: 200K токенов по умолчанию, до 1M токенов (бета) для Claude Opus/Sonnet 4.6 для всестороннего анализа кодовой базы
- **Вызов инструментов**: Надёжный вызов функций с исключительной точностью для координации инструментов безопасности
- **Потоковая передача**: Потоковая передача ответов в реальном времени для интерактивных рабочих процессов тестирования на проникновение
- **Безопасность в первую очередь**: Встроенные механизмы безопасности, обеспечивающие ответственные методы тестирования безопасности
- **Мультимодальная поддержка**: Возможности зрения в новейших моделях для анализа скриншотов и оценки безопасности пользовательского интерфейса

---

[Read more](https://github.com/vxcontrol/pentagi)