OIHK-pentesting

一个用于授权安全评估的多智能体引擎。 一个根规划器将任务委派给侦察、发现、攻击（OPTIZero）、验证和报告智能体——而无论由哪个模型驱动，引擎本身都会强制执行范围、出口、证据和资源策略。发现需要真实的执行证据加上独立验证；一个令人信服的故事证明不了任何东西。

它针对自己的易受攻击场景基准进行评分——确定性模拟求解器保持 24/24，得分 100/100——并且可以完全离线地针对任何 OpenAI 兼容的本地模型运行。

早期测试版，正在积极开发中。 行为可能随时更改，恕不另行通知；某些功能是部分的或有意省略的。在依赖它之前请先验证——参见状态矩阵。

目录

• 为什么选择 OIHK
• 要求
• 快速开始
• 本地推理
• 架构
• AI 智能体评估
• 仓库布局
• 文档
• 法律
• 许可证

为什么选择 OIHK

大多数攻击性工具都信任模型的良好行为。OIHK 不这样：安全边界存在于引擎中，并且无论模型愿意说什么，它都保持不变。

• 证据门控的发现。 一个发现需要一次真实的、拥有的、成功的受治理工具执行，外加一条单独的验证记录——而且只有验证智能体才能创建它。
• 精确范围，无漂移。 声明 example.com 并不授权其子域；声明的主机在整个运行过程中被 DNS 固定。
• 出口故障关闭。 范围被编译为沙箱自身网络命名空间内的 netfilter 允许列表；在无法保证这一点的地方，启动会中止，而不是假装隔离。
• 受治理的工具表面。 被动模式暴露一个缩减的表面并拒绝主动执行——包括通过通用 shell 路由的尝试。
• 模型无关的核心。 任何 OpenAI 兼容端点，按角色路由，没有任何硬编码到某个提供商——同一个测试框架可以给任何模型评分。

要求

快速开始

git clone https://github.com/Broskigx/Oihk-pentesting.git
cd Oihk-pentesting
uv sync
uv run oihk --help
uv run oihk run -t https://example.test --mode passive --scan-mode standard

在 Kali Linux 上，请先确保 Docker 正在运行（sudo systemctl start docker）。

或者打开 Baron，交互式副驾驶——你说话，它驱动受治理的引擎（默认被动，除非你授权深度评估）：

uv run oihk start

Baron 运行真实评估，从 156 个工具的 RAG 语料库中以精确的工具配方作答，通过 OSINT（page_osint、username_osint、domain_osint、breach_osint、phone_osint）进行转向，并在 Redis 中记住每个会话。它永远不会获得原始 shell——只有受治理的引擎——而且一切都是菜单驱动的：/apimodel、/adaptador 和 /instancia 打开交互式 Textual 选择器。

本地推理

默认指向 http://localhost:1234/v1 上的 LM Studio：

export OIHK_LLM="openai/mistral-nemo"
export OIHK_API_BASE="http://localhost:1234/v1"
export OIHK_API_KEY="lm-studio"

云提供商 — /apimodel

六个预设中的任何一个都可以用一条命令连接；每个都记住自己的密钥：

/apimodel claude sk-ant-…          # Anthropic
/apimodel chatgpt sk-…             # OpenAI
/apimodel gemini AIza…             # Google AI Studio
/apimodel grok xai-…               # xAI
/apimodel deepseek sk-…            # DeepSeek
/apimodel nvidia nvapi-… [model]   # NVIDIA NIM

/apimodel（无参数）打开平台选择器；/apimodel <plataforma> 使用保存的密钥重新连接；/apimodel off 断开连接。任何其他 OpenAI 兼容提供商都可以通过 /models base + /models key + /models use 工作。

两个云前缀还可以在环境变量层面移除所有端点设置：deepseek/… 和 nvidia_build/… 路由到各自的提供商 API——设置密钥，别无其他。按角色覆盖（OIHK_ROOT_LLM、OIHK_RECON_LLM 等）将逻辑角色路由到不同的模型。

选择模型

OIHK 最适合与一个不会过度拒绝的模型配合使用：经过重度安全调优的助手会拒绝合法、授权的攻击性步骤，并在评估中途使智能体停滞。这不会降低 OIHK 的安全性——边界从来不是模型的拒绝；而是引擎的精确范围、故障关闭出口、受治理工具表面和证据门，无论模型说什么，这些都保持不变。

架构

一个根规划器拥有一个带修订的 ScanPlan，并将步骤委派给子智能体。每次受治理的工具调用在执行前都要通过四个策略权威——模式/角色、精确范围、资源调控器、沙箱出口——其输出成为运行账本中不可变的证据。只有验证智能体才能将该证据转化为发现；在关键工作未完成时，根无法结束运行。运行从工件恢复（--resume <run-id>）并落在 oihk_runs/<run-id>/ 下（计划、证据、验证、发现、SARIF、报告）。

flowchart TB
    OP([Operator: scope + mode]) --> ROOT[Root planner]
    ROOT --> RECON[Recon]
    ROOT --> DISC[Discovery]
    ROOT --> ATTACK[Attack - OPTIZero]
    ROOT --> VALID[Validation]
    ROOT --> REPORT[Reporting]

    RECON --> GATE
    DISC --> GATE
    ATTACK --> GATE
    VALID --> GATE

    subgraph GATE[Policy authorities - fail closed]
        direction LR
        M[Mode / role] --> S[Exact scope] --> G[Resource governor] --> BOX[Sandbox: egress allowlist]
    end

    GATE --> LEDGER[(Evidence ledger)]
    LEDGER --> VALID
    VALID --> FIND[Findings + SARIF report]
</mermaid>

OPTIZero，即 attack 角色，带来一个针对 Windows、Linux 和 macOS 的声明式权限提升向量目录，置于自适应 AIMD 速率限制器之后——而根在飞行中控制整个集群（list_children、send_message、stop_child、broadcast）。详情见 ARCHITECTURE。

AI 智能体评估

OIHK 兼作自己的评估环境：真实引擎针对 24 个捆绑的易受攻击场景运行——web、API、认证、源代码、配置，以及与 AutoPenBench 对齐的提权/加密/CVE——一个程序化验证器在发现正确性、证据有效性、工具使用、效率和误报避免方面给出归一化的 0–100 分。没有模型给自己评分。

uv run oihk eval list
uv run oihk eval run-all --model mock
uv run oihk eval compare --models mock,mock:wrong_finding

同一个测试框架作为 verifiers 环境发布在 Prime Intellect Hub 上（broskigx/oihk-security-agent）：

prime env install broskigx/oihk-security-agent
vf-eval oihk-security-agent -m mock

完整场景表、评分公式和基准映射：EVALUATION。

仓库布局

oihk/          CLI, policy/governance, agents, tools, sandbox, findings
oihk/evals/    evaluation subsystem (scenarios, verifier, scoring, mock provider)
environments/  standalone verifiers environment package (Prime Intellect Hub)
containers/    sandbox image, entry point, browser driver, SBOM generation
deploy/        local-model LoRA pipeline: dataset trainer, Ollama Modelfiles
docs/          architecture, security boundary, configuration, evaluation
tests/         unit, regression, and opt-in integration tests
ToolsHelp/     RAG corpus: 156 governed-tool cards
skills/        external-agent skill packs

微调你自己的模型

scripts/build_lora_dataset.py 从受治理工具语料库和 24 个评估场景生成一个双语（西班牙语/英语）LoRA 数据集——每种 536 个样本，其中 336 个带有真实工具调用——包括安全行为（范围纪律、docker 门、注入抵抗）。针对 Qwen2.5-14B-Instruct 训练它，导出 Q4_K_M GGUF，并在 Ollama 或 LM Studio 中提供服务：完整流程见 deploy/local-models。

文档

法律

仅限授权使用。 OIHK 主动测试提供给它的目标。操作者全权负责授权、安全限制、目标可用性、数据处理以及遵守适用法律。

要报告 OIHK 本身的安全漏洞，请参见报告漏洞。

许可证

根据 MIT 许可证 发布——可自由使用、修改和分发，包括商业用途，只要版权声明和许可证文本保持不变。