Communitygithub.com

Assassinticketcollector3649/LingXi

Automatisieren Sie Penetrationstestaufgaben mit einem LLM-gesteuerten Multi-Agenten-Framework für Sicherheitsbewertungen.

Was ist LingXi?

LingXi ist ein LLM-gesteuertes Multi-Agenten-Framework, das speziell für die Automatisierung von Penetrationstestaufgaben entwickelt wurde. Es ermöglicht Sicherheitsanalysten, komplexe Angriffsszenarien zu simulieren, indem mehrere KI-Agenten koordiniert werden, die verschiedene Phasen einer Sicherheitsbewertung abdecken, wie z. B. Reconnaissance, Scanning, Exploitation und Reporting. Das Framework nutzt große Sprachmodelle (LLMs), um dynamische Entscheidungen zu treffen und sich an verschiedene Zielumgebungen anzupassen. Es unterstützt die Integration gängiger Penetrationstest-Tools und kann sowohl in Cloud-Umgebungen als auch auf lokalen Infrastrukturen eingesetzt werden. LingXi ist besonders nützlich für Entwickler und Sicherheitsexperten, die reproduzierbare, skalierbare und kontinuierliche Sicherheitstests automatisieren möchten, ohne manuell in jede Phase eingreifen zu müssen.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add Assassinticketcollector3649/LingXi

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht LingXi?

Automatisieren Sie Penetrationstestaufgaben mit einem LLM-gesteuerten Multi-Agenten-Framework für Sicherheitsbewertungen.

Übersicht

LingXi ist ein fortschrittliches, LLM-gesteuertes Multi-Agenten-Framework, das die Automatisierung von Penetrationstests für Sicherheitsbewertungen ermöglicht. Es orchestriert mehrere KI-Agenten, um Aufgaben wie Aufklärung, Scannen, Ausnutzung und Berichterstellung auszuführen.

Hauptmerkmale

  • Multi-Agenten-Orchestrierung: Koordiniert spezialisierte Agenten für jede Phase des Penetrationstests.
  • LLM-gesteuerte Entscheidungsfindung: Nutzt große Sprachmodelle zur dynamischen Planung und Anpassung.
  • Tool-Integration: Integriert nahtlos gängige Penetrationstest-Tools (z. B. Nmap, Metasploit, Burp Suite).
  • Anpassbare Workflows: Ermöglicht Benutzern die Definition eigener Testabläufe und -strategien.
  • Umfassende Berichterstattung: Generiert detaillierte Berichte mit Ergebnissen und Empfehlungen.

Unterstützte Plattformen

  • Lokale Linux/Unix-Umgebungen
  • Cloud-Infrastrukturen (AWS, Azure, GCP)
  • Containerisierte Umgebungen (Docker)

Erste Schritte

  1. Klonen Sie das Repository:

    git clone https://github.com/Assassinticketcollector3649/LingXi.git
    cd LingXi
    
  2. Installieren Sie die Abhängigkeiten:

    pip install -r requirements.txt
    
  3. Konfigurieren Sie Ihre LLM-API-Schlüssel in der .env-Datei:

    OPENAI_API_KEY=your_openai_api_key
    
  4. Führen Sie das Framework aus:

    python main.py --target example.com
    

Konfiguration

Die Konfiguration erfolgt über eine config.yml-Datei, in der Sie Ziele, Agenten, Tools und Zeitpläne festlegen können. Beispiel:

target:
  host: example.com
  ports: [80, 443, 8080]
agents:
  - name: ReconAgent
    enabled: true
  - name: ExploitAgent
    enabled: false

Anwendungsbeispiele

Durchführen einer schnellen Sicherheitsbewertung

python main.py --target vulnerable-site.com --fast

Anpassen von Angriffsszenarien

Erstellen Sie eine benutzerdefinierte Angriffssequenz in workflows/custom.yml und führen Sie sie aus:

python main.py --workflow custom.yml

Lizenz

Dieses Projekt ist unter der MIT-Lizenz lizenziert – siehe die LICENSE-Datei für Details.

Verwandte Skills