开始！
pip install zerodai==0.0.0.20
export zerodapi_key="TU_API_KEY"
获取你的 API 密钥 https://zerodai.com 简单对话聊天 - 无记忆
from zerodai import zerodai
import os
zerodai.api_auth(os.getenv("zerodapi_key"))
messages = []
while True:
prompt = input("> ")
if prompt == "exit":
break
messages.append({"role": "user", "content": prompt})
messages.append({"role": "system", "content": "Eres 0dAI un asistente de ciberseguridad cuya unica función es..."})
zerodai.inference(model="0dai70b", messages=messages, temperature=0.7, stream=True)
Zerodai 是一个面向网络安全的自然语言处理库，旨在基于人类信息处理、推理、规划和执行，部分自动化相关流程。我们致力于创建一个具备以下能力的网络安全代理框架：
这是与模型交互的基础方法，包含以下参数。学习并充分理解这些参数非常重要，因为它们是库的基础。
model：要使用的语言模型。可用模型包括：
0dai7b：基础模型，使用无限制，快速，适合简单对话和编程辅助。在网络安全方面表现良好。
0dai8x7b：灵活模型，拥有大上下文窗口，代码能力达 GPT-4 水平，适合复杂网络安全问题和脚本。
0daifn：推荐用于函数调用的模型，函数调用能力最佳，上下文大，比 0dai70b 更轻量，多步骤函数调用能力与最佳 GPT 相当。
0dai70b（推荐）：目前在网络安全领域达到 SOTA，能够基于大量上下文进行复杂逻辑推理，并半自主完成渗透测试任务。支持函数调用，并能以结构化消息响应。速度最慢，但质量提升显著。
messages：发送给模型的消息。这里需要理解 3 种角色：
消息必须采用以下格式：
messages = [
{"role": "system", "content": """Eres 0dAI tu función es..."""},
{"role": "user", "content": "0dAI escribe un exploit en C"},
]
functions：交互过程中可调用的函数。我们将在 fn_c 中更详细地介绍函数。在此，函数仅返回 JSON。
声明函数的方式如下：
function_shodan = [ {
"name": "shodan_dork",
"description": "This tools is used to generate a shodan query",
"parameter_definitions": {
"dork": {
"type": "string",
"description": "The shodan dork",
"required": True
}
}
}, ]
temperature：控制模型响应的随机性。温度越高，随机性越大；温度越低，随机性越小。
stream (bool)：是否实时流式传输响应。
from zerodai import zerodai
messages = []
messages.append({"role": "user", "content": prompt})
messages.append({"role": "system", "content": "Eres 0dAI un asistente de ciberseguridad cuya unica función es..."})
zerodai.inference(model="0dai70b", messages=messages, temperature=0.7, stream=True)
基于一个函数或函数列表（在 function 参数中），模型将能够生成结构化响应，从而在推理后为我们提供有用的结构化输出： 基础函数
function_shodan = [ {
"name": "shodan_dork",
"description": "This tools is used to generate a shodan query",
"parameter_definitions": {
"dork": {
"type": "string",
"description": "The shodan dork",
"required": True
}
}
}, ]
基于此函数的模型响应
[
{
"tool_name": "shodan_dork",
"parameters": {
"dork": "hacked-router-help-sos"
}
}
]
这些函数可以是多步骤的，也可以不是，这由 JSON 中的位置数量决定。多步骤响应如下所示：
[
{
"tool_name": "shodan_dork",
"parameters": {
"dork": "hacked-router-help-sos"
}
},
{
"tool_name": "shodan_dork",
"parameters": {
"dork": "\"smb\" \"authentication: disabled\""
}
},
{
"tool_name": "shodan_dork",
"parameters": {
"dork": ".docuword_exploited.txt"
}
}
]
也可能存在递归逻辑，即推理与函数之间相互反馈。想象以下情况：
子域名函数
funcion_subdomains = [ {
"name": "subdominios",
"description": "This tools is used to collect domains to extract subdomains",
"parameter_definitions": {
"domain": {
"type": "string",
"description": "The domain",
"required": True
}
}
}, ]
爬虫函数
crawler_endpoints = [ {
"name": "crawler",
"description": "This tools is used to crawle ndpoints for a host",
"parameter_definitions": {
"host": {
"type": "string",
"description": "The domain",
"required": True
}
}
}, ]
输入：
我需要获取 openai.com 和 omegaai.io 的子域名
输出 1. 函数：
[
{
"tool_name": "subdomains",
"parameters": {
"domain": "openai.com"
}
},
{
"tool_name": "subdomains",
"parameters": {
"domain": "omegaai.io"
}
},
]
从输入中提取子域名后，我们应用自己的执行逻辑来获取子域名...
subdomain1.openai.com
subdomain2.openai.com
subdomain3.openai.com
subdomain1.omegaai.io
subdomain2.omegaai.io
subdomain3.omegaai.io
将结果传递给爬虫函数后，会得到类似下面的结果：
输出 2. 函数：
[
{
"tool_name": "crawler",
"parameters": {
"domain": "subdominio1.openai.com"
}
},
{
"tool_name": "crawler",
"parameters": {
"domain": "subdominio1.omegaai.io"
}
},
{
"tool_name": "crawler",
"parameters": {
"domain": "subdominio2.openai.com"
}
},
{
"tool_name": "crawler",
"parameters": {
"domain": "subdominio2.omegaai.io"
}
},
{
"tool_name": "crawler",
"parameters": {
"domain": "subdominio3.openai.com"
}
},
{
"tool_name": "crawler",
"parameters": {
"domain": "subdominio3.omegaai.io"
}
},
]
fn_c 允许我们直接收集参数和工具名称，而无需经历过滤 JSON 本身的那套逻辑。
from zerodai import zerodai
zerodai.api_auth("TU_API_KEY")
tool_name, parameters = zerodai.fn_c(model_fn=model_fn_call, messages=messages, functions=subdomain_functions, stream=stream, multistep=False)
print(tool_name)
print(parameters)
print(parameters["domain"])
注意：函数标准通常是 OpenAI 格式，为此我们设计了一个转换函数，将 OpenAI 函数转换为我们自己的格式，例如：
tool_name, parameters = cls.fn_c(model_fn=model_fn_call, messages=messages, functions=OpenAI2CommandR(osint_funcs), stream=stream, multistep=False)
Zerodai 包含一个代理系统，可以通过函数和执行模块进行扩展。
def exec_module(tool, arguments, multitool=True):
output = ""
if tool == "Shodan":
process = subprocess.Popen(["nmap", "-Pn", next(iter(arguments.values()))], stdout=subprocess.PIPE, stderr=subprocess.STDOUT)
for line in iter(process.stdout.readline, b''):
output += line.decode('utf-8').strip()
print(line.decode('utf-8').strip())
elif tool == "XSS-Scanner" or tool == "nuclei-http":
try:
process = subprocess.Popen(["nuclei", "-t", "dns", next(iter(arguments.values()))], stdout=subprocess.PIPE, stderr=subprocess.STDOUT, cwd="/home/omegaleitatadmin/exllamav2/0dAPI/nuclei-templates/nuclei-templates-9.8.6/")
for line in iter(process.stdout.readline, b''):
output += line.decode('utf-8').strip()
print(line.decode('utf-8').strip())
except:
pass
elif tool == "WAF-tool":
process = subprocess.Popen(["python3", "whatwaf", "-u", "https://" + next(iter(arguments.values()))], stdout=subprocess.PIPE, stderr=subprocess.STDOUT, cwd="/home/omegaleitatadmin/exllamav2/0dAPI/WhatWaf")
for line in iter(process.stdout.readline, b''):
output += line.decode('utf-8').strip()
print(line.decode('utf-8').strip())
elif tool == "Attack":
process = subprocess.Popen(["nmap", "-Pn", next(iter(arguments.values()))], stdout=subprocess.PIPE, stderr=subprocess.STDOUT)
for line in iter(process.stdout.readline, b''):
output += line.decode('utf-8').strip()
print(line.decode('utf-8').strip())
elif tool == "OSINT":
ZeroDAI.Osint(next(iter(arguments.values())))
return output
这段代码必须与使用的函数保持一致。
python_functions = [ {
"name": "Shodan",
"description": "tool for shodan",
"parameter_definitions": {
"ip": {
"type": "string",
"description": "The ip",
"required": True
}
}
},
{
"name": "nuclei-http",
"description": "This tools is use for nuclei",
"parameter_definitions": {
"target": {
"type": "string",
"description": "The domain",
"required": True
}
}
},
{
"name": "WAF-tool",
"description": "This tools is used for waf",
"parameter_definitions": {
"webapp": {
"type": "string",
"description": "The webapp",
"required": True
}
}
},
{
"name": "Attack",
"description": "This tools is used to attack a host",
"parameter_definitions": {
"host": {
"type": "string",
"description": "The domain",
"required": True
}
}
}, ]
这使得可以创建动态的多步骤和多工具代理。
zerodai.agent(model="0dai70b",
messages=messages,
model_fn_call="0daifn",
temperature=0.7,
functions=python_functions,
exec_module=exec_module,
exec_module_bool=True,
multistep=True)
exec_module_bool 指示是否使用执行模块（如果设置为 True 但没有提供执行模块，则会使用默认模块）。
exec_module 执行模块。
functions 与执行模块对应的函数。
multistep 是否在每次函数调用模型交互中执行多个步骤。
此 API 集成了 Shodan、各种数据服务、Censys 等，这些服务只需 0dAI 的 API 即可使用：
zerodai.Osint(prompt)
prompt - 简单的自然语言消息，让 LLM 在我们的私有数据泄露源中搜索并提供用户的数据泄露信息。
zerodai.Osint(prompt)
prompt - 简单的自然语言消息，让 LLM 在 Shodan 中进行搜索并直接返回结果。
zerodai.rubberducky_gen(prompt)
prompt - 简单的自然语言消息，让 LLM 生成有效的 Rubber Ducky 载荷。
此 API 完全由 Luijait (Luis Javier Navarrete Lozano) 在 0dAI 下开发。如果在其他论文中使用此处描述的知识，必须注明作者，首要署名为 Luijait，其次为 0dAI。