SamuelChien/mega-skills-collection

/aegisops-ai — Autonomous Governance Orchestrator

AegisOps-AI ist ein professioneller "Living Pipeline", der fortschrittliche KI-Überlegungen direkt in den SDLC integriert. Er fungiert als intelligenter Gatekeeper für Systemsicherheit, Cloud-Infrastrukturkosten und Kubernetes-Compliance.

Ziel

Automatisierung von sicherheitskritischen und finanziellen Audits durch:

1. Identifizierung logikbasierter Schwachstellen (UAF, Stale State) in Linux-Kernel-Patches.
2. Erkennung massiver "Silent Disaster"-Kostenabweichungen in Terraform-Plänen.
3. Übersetzung von natürlicher Sicherheitsintention in gehärtete K8s-Manifeste.

Wann verwenden

• Kernel-Patch-Review: Auditing von rohen C-basierten Git-Diffs auf Speichersicherheit.
• Pre-Apply IaC-Audit: Analyse von terraform plan-Ausgaben, um Kostenexplosionen zu verhindern.
• Cluster-Härten: Generierung von "Least Privilege"-SecurityContexts für Deployments.
• CI/CD-Qualitätsgates: Blockieren nicht konformer Merges über GitHub Actions.

Wann nicht verwenden

• Web-App-Logik: Nicht für Standard-Web-Schwachstellen (XSS, SQLi) verwenden; dedizierte SAST-Scanner verwenden.
• Nicht-C-Speicheranalyse: Der Patch-Analysator ist für C-Logik optimiert; nicht für höhere Sprachen wie Python oder JS verwenden.
• Direkte Ressourcenänderung: Dies ist ein Auditor, kein Bereitstellungstool. Es führt kein terraform apply oder kubectl apply aus.
• Post-Mortem-Analyse: Für die Analyse, warum eine vorherige KI-Sitzung fehlgeschlagen ist, /analyze-project verwenden.

---

🤖 Generative KI-Integration

AegisOps-AI nutzt das Google GenAI SDK, um einen "Reasoning Path" für autonome Sicherheits- und Finanzaudits zu implementieren:

• Neuronale Patch-Analyse: Führt semantische Code-Reviews von Linux-Kernel-Patches durch, die über einfaches Pattern-Matching hinausgehen, um komplexe Speicherzustandslogik zu verstehen.
• Intelligente Kostensynthese: Verarbeitet rohe Terraform-Plan-Diffs durch ein finanzielles Reasoning-Modell, um risikoreiche Ressourceneskalationen und "stille" finanzielle Abweichungen zu erkennen.
• Richtlinien-Mapping in natürlicher Sprache: Übersetzt menschliche Sicherheitsintention in syntaktisch korrekte, gehärtete Kubernetes-securityContext-Konfigurationen.

🧭 Kernmodule

1. 🐧 Kernel-Patch-Reviewer (patch_analyzer.py)

• Problem: Manuelle Überprüfung der Speichersicherheit von Linux-Kernels ist zeitaufwändig und fehleranfällig.
• Lösung: Gemini 3 führt ein "Deep Reasoning"-Audit von rohen Git-Diffs durch, um kritische Speicherkorruptions-Schwachstellen (UAF, Stale State) in Sekunden zu erkennen.
• Schlüsselausgabe: analysis_results.json

2. 💰 FinOps- und Cloud-Auditor (cost_auditor.py)

• Problem: Infrastructure-as-Code (IaC)-Änderungen können zu unbeabsichtigten "Silent Disasters" und massiven Cloud-Kostenexplosionen führen.
• Lösung: Analysiert die terraform plan-Ausgabe, um Kostenanomalien zu identifizieren – wie unbeabsichtigte Upgrades von t3.micro zu leistungsstarken GPU-Instanzen.
• Schlüsselausgabe: infrastructure_audit_report.json

3. ☸️ K8s-Richtlinienhärter (k8s_policy_generator.py)

• Problem: Die Implementierung von "Least Privilege"-SecurityContexts in Kubernetes ist komplex und wird oft vernachlässigt.
• Lösung: Übersetzt natürliche Sicherheitsanforderungen in produktionsreife, gehärtete YAML-Manifeste (schreibgeschütztes Root-Dateisystem, Non-Root-Erzwingung usw.).
• Schlüsselausgabe: hardened_deployment.yaml

🛠️ Setup & Umgebung

1. Repository klonen

git clone https://github.com/Champbreed/AegisOps-AI.git
cd AegisOps-AI

2. Setup

python3 -m venv venv
source venv/bin/activate
pip install google-genai python-dotenv

3. API-Konfiguration

Erstellen Sie eine .env-Datei im Stammverzeichnis, um Ihre Anmeldeinformationen sicher zu speichern:

echo "GEMINI_API_KEY='your_api_key_here'" > .env

🏁 Betriebs-Dashboard

Um die vollständige Suite von Agenten sequenziell auszuführen und alle Sicherheitsberichte zu generieren:

python3 main.py

Muster: Überprivilegierter Container

• Indikatoren: allowPrivilegeEscalation: true oder Ausführung als Root-Benutzer.
• Untersuchung: Sicherheitsintention (z. B. "nur Nicht-Root") an das K8s-Härtungsmodul übergeben.

---

💡 Best Practices

• Kontext ist König: Geben Sie mindestens 5 Zeilen Kontext um Git-Diffs für genauere neuronale Überlegungen an.
• Kontinuierliches Gating: Führen Sie den FinOps-Auditor vor jeder Infrastrukturänderung durch, nicht danach.
• Manuelle Freigabe: Verwenden Sie KI-Ergebnisse als hochpräzises Signal, behalten Sie jedoch den menschlichen Entscheider für Kernel-Level-Merges bei.

---

🔒 Sicherheits- & Sicherheitshinweise

• Schlüsselverwaltung: Verwenden Sie CI/CD-Geheimnisse für GEMINI_API_KEY in der Produktion.
• Least Privilege: Testen Sie "gehärtete" Manifeste zuerst im Staging, um funktionale Regressionen zu vermeiden.

Links

• • Repository: https://github.com/Champbreed/AegisOps-AI
• • Dokumentation: https://github.com/Champbreed/AegisOps-AI#readme

Einschränkungen

• Verwenden Sie dieses Skill nur, wenn die Aufgabe klar mit dem oben beschriebenen Umfang übereinstimmt.
• Behandeln Sie die Ausgabe nicht als Ersatz für umgebungsspezifische Validierung, Tests oder Experten-Review.
• Stoppen Sie und fragen Sie nach Klärung, wenn erforderliche Eingaben, Berechtigungen, Sicherheitsgrenzen oder Erfolgskriterien fehlen.