Communitygithub.com

Security-Bounty-Hunter

Durchsuche Repositories nach ausbeutbaren, bounty-würdigen Sicherheitslücken. Konzentriert sich auf fernreichbare Schwachstellen, die für echte Meldungen geeignet sind, und vermeidet lokale, nicht relevante Funde.

Was ist Security-Bounty-Hunter?

Dieser Skill ist für Sicherheitsforscher und Bug-Bounty-Jäger konzipiert, die gezielt nach fernreichbaren, ausbeutbaren Schwachstellen in Repositories suchen. Er priorisiert Angriffspfade, die über Benutzereingaben gesteuert werden und von Plattformen wie Huntr oder HackerOne als bounty-würdig eingestuft werden. Der Skill hilft dabei, eine strukturierte Triage durchzuführen: Man prüft die Scope-Definition, identifiziert echte Einstiegspunkte (HTTP-Handler, Uploads, Webhooks etc.), verwendet statische Analysewerkzeuge wie Semgrep zur Vorauswahl und validiert jede Fundstelle durch manuelle Code-Analyse. Er enthält explizite Richtlinien, welche Schwachstellenmuster (z.B. SSRF, SQLi, RCE) und welche irrelevanten Muster (z.B. lokales `pickle.loads` oder fehlende Security-Header) zu erwarten sind. Der Workflow endet mit einer Qualitätskontrolle, die sicherstellt, dass der Code-Pfad erreichbar, die Eingabe kontrolliert und die Auswirkung nachweisbar ist – ideal für die Vorbereitung von Bug-Bounty-Einreichungen.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/security-bounty-hunter

In Ihrer bevorzugten KI fragen

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

Dokumentation

Sicherheits-Bounty-Jäger

Verwenden Sie dies, wenn das Ziel die praktische Schwachstellenentdeckung für verantwortungsvolle Offenlegung oder Bounty-Einreichung ist, nicht eine breite Best-Practices-Überprüfung.

Wann zu verwenden

  • Scannen eines Repositorys nach ausbeutbaren Schwachstellen
  • Vorbereiten einer Huntr-, HackerOne- oder ähnlichen Bounty-Einreichung
  • Triage, bei der die Frage lautet „Bringt das tatsächlich Geld?“ statt „Ist das theoretisch unsicher?“

Wie es funktioniert

Bevorzugen Sie fernreichbare, benutzergesteuerte Angriffspfade und verwerfen Sie Muster, die von Plattformen routinemäßig als informativ oder außerhalb des Scopes abgelehnt werden.

Im Scope befindliche Muster

Dies sind die Arten von Problemen, die durchgängig von Bedeutung sind:

MusterCWETypische Auswirkung
SSRF über benutzergesteuerte URLsCWE-918interner Netzwerkzugriff, Cloud-Metadatendiebstahl
Authentifizierungsumgehung in Middleware oder API-GuardsCWE-287unbefugter Zugriff auf Konten oder Daten
Remote-Deserialisierung oder Upload-zu-RCE-PfadeCWE-502Codeausführung
SQL-Injection in erreichbaren EndpunktenCWE-89Datenexfiltration, Authentifizierungsumgehung, Datenzerstörung
Befehlsinjektion in Request-HandlernCWE-78Codeausführung
Path Traversal in dateibedienenden PfadenCWE-22beliebiges Lesen oder Schreiben von Dateien
Automatisch ausgelöstes XSSCWE-79Session-Diebstahl, Kompromittierung des Administrators

Diese überspringen

Diese sind normalerweise von geringer Signalstärke oder außerhalb des Bounty-Scopes, es sei denn, das Programm sagt etwas anderes:

  • Lokales pickle.loads, torch.load oder Äquivalent ohne entfernten Pfad
  • eval() oder exec() in CLI-only-Tooling
  • shell=True bei vollständig hartcodierten Befehlen
  • Fehlende Sicherheitsheader allein
  • Allgemeine Rate-Limiting-Beschwerden ohne Exploit-Auswirkung
  • Self-XSS, bei dem das Opfer Code manuell einfügen muss
  • CI/CD-Injection, die nicht Teil des Zielprogramm-Scopes ist
  • Demo-, Beispiel- oder Testcode

Arbeitsablauf

  1. Scope zuerst prüfen: Programmrregeln, SECURITY.md, Offenlegungskanal und Ausschlüsse.
  2. Echte Einstiegspunkte finden: HTTP-Handler, Uploads, Hintergrundjobs, Webhooks, Parser und Integrationsendpunkte.
  3. Statische Tools nutzen, wo sie helfen, aber nur als Triage-Input behandeln.
  4. Den tatsächlichen Codepfad Ende-zu-Ende lesen.
  5. Nachweisen, dass Benutzerkontrolle eine relevante Senke erreicht.
  6. Ausbeutbarkeit und Auswirkung mit dem kleinstmöglichen sicheren PoC bestätigen.
  7. Vor dem Verfassen eines Berichts auf Duplikate prüfen.

Beispiel-Triage-Schleife

semgrep --config=auto --severity=ERROR --severity=WARNING --json

Dann manuell filtern:

  • Test-, Demo-, Fixture- und mitgelieferten Code entfernen
  • Lokale oder nicht erreichbare Pfade entfernen
  • Nur Funde mit klarem Netzwerk- oder benutzergesteuertem Pfad behalten

Berichtsstruktur

## Beschreibung
[Was die Schwachstelle ist und warum sie wichtig ist]

## Verwundbarer Code
[Dateipfad, Zeilenbereich und ein kleines Snippet]

## Proof of Concept
[Minimale Arbeitsanfrage oder Skript]

## Auswirkung
[Was der Angreifer erreichen kann]

## Betroffene Version
[Version, Commit oder getestetes Deployment-Ziel]

Qualitätskontrolle

Vor dem Einreichen:

  • Der Codepfad ist von einer echten Benutzer- oder Netzwerkgrenze aus erreichbar
  • Die Eingabe ist tatsächlich benutzergesteuert
  • Die Senke ist bedeutsam und ausbeutbar
  • Der PoC funktioniert
  • Das Problem wird nicht bereits durch ein Advisory, eine CVE oder ein offenes Ticket abgedeckt
  • Das Ziel ist tatsächlich im Scope des Bounty-Programms

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Verwandte Skills