Skip to content

README_DE.md

Latest commit

 

History

History
580 lines (449 loc) · 32.4 KB

README_DE.md

File metadata and controls

580 lines (449 loc) · 32.4 KB

A.I.G

📖 Dokumentation  |  🌐 🇬🇧 English · 🇨🇳 中文 · 🇯🇵 日本語 · 🇪🇸 Español · 🇩🇪 Deutsch · 🇫🇷 Français · 🇰🇷 한국어 · 🇧🇷 Português · 🇷🇺 Русский

GitHub stars GitHub downloads docker pulls Release Ask DeepWiki

EdgeOne ClawScan EdgeOne Skill Scanner AIG Scanner

Tencent%2FAI-Infra-Guard | Trendshift  Tencent%2FAI-Infra-Guard | blackhat  Tencent%2FAI-Infra-Guard | awesome-deepseek-integration


🚀 AI Red Teaming Platform von Tencent Zhuque Lab

A.I.G (AI-Infra-Guard) integriert Funktionen wie ClawScan (OpenClaw Security Scan), Agent Scan, AI Infrastructure Vulnerability Scan, MCP Server & Agent Skills Scan sowie Jailbreak Evaluation, um Benutzern die umfassendste, intelligenteste und benutzerfreundlichste Lösung zur Selbstüberprüfung von KI-Sicherheitsrisiken bereitzustellen.

Wir sind bestrebt, A.I.G (AI-Infra-Guard) zur branchenführenden AI Red Teaming Platform zu machen. Mehr Sterne helfen diesem Projekt, ein breiteres Publikum zu erreichen, und ziehen mehr Entwickler an, die zum Projekt beitragen - was die Iteration und Verbesserung beschleunigt. Ihr Stern ist für uns von entscheidender Bedeutung!

Give us a Star


📋 Benutzer-Feedback-Umfrage

Helfen Sie uns, A.I.G zu verbessern! Bitte nehmen Sie sich 3-5 Minuten Zeit, um unsere Benutzer-Feedback-Umfrage auszufüllen. Nutzer, die hochwertiges Feedback geben und eine gültige E-Mail-Adresse hinterlassen, erhalten ein exklusives Tencent-Geschenk.


🚀 Neuigkeiten

  • 2026-06-25 · v4.1.15 — MCP Scan: 3 neue Bedrohungserkennungsregeln (Tool-Poisoning, Credential-Exfiltration, Command-Injection); 6 neue llama.cpp-CVE-Regeln; model.token jetzt optional mit Fallback auf das Standard-Systemmodell.
  • 2026-06-18 · v4.1.14 — Prompt Security: 9 neue Single-Turn-Angriffsoberatoren; neue aig-agent-redteam Skill für umfassende Agent Red-Team-Bewertung.
  • 2026-06-11 · v4.1.13 — Neuer API-Endpunkt zur Versionsprüfung; Sicherheitsbewertung auf absolutes Abzugsmodell umgestellt für klarere Risikoeinschätzung.
  • 2026-06-08 · v4.1.12 — Fingerprint-Bibliothek erweitert: 39 neue AI-Web-Fingerprints hinzugefügt, 18 bestehende verbessert.
  • 2026-05-28 · v4.1.10 — Abdeckung auf 68 KI-Komponenten erweitert (junoclaw, lollms, sglang hinzugefügt); 600+ neue CVE-Regeln; WebSocket-Provider-Unterstützung für Agent Scan.

👉 Ältere Versionen · 🩺 EdgeOne ClawScan ausprobieren

Inhaltsverzeichnis

🚀 Schnellstart

Bereitstellung mit Docker

Docker RAM Speicherplatz
20.10 oder höher 4 GB+ 10 GB+ 
# Diese Methode lädt vorgefertigte Images von Docker Hub für einen schnelleren Start
git clone https://github.com/Tencent/AI-Infra-Guard.git
cd AI-Infra-Guard
# Für Docker Compose V2+ ersetzen Sie 'docker-compose' durch 'docker compose'
docker-compose -f docker-compose.images.yml up -d

Sobald der Dienst läuft, können Sie die A.I.G-Weboberfläche unter folgender Adresse aufrufen: http://localhost:8088

Verwendung über OpenClaw

Sie können A.I.G auch direkt über den OpenClaw-Chat mithilfe des aig-scanner-Skills aufrufen.

clawhub install aig-scanner

Konfigurieren Sie anschließend AIG_BASE_URL so, dass es auf Ihren laufenden A.I.G-Dienst zeigt.

Weitere Details finden Sie in der aig-scanner-README.

📦 Weitere Installationsoptionen

Weitere Installationsmethoden

Methode 2: Ein-Klick-Installationsskript (Empfohlen)

# Diese Methode installiert Docker automatisch und startet A.I.G mit einem einzigen Befehl
curl https://raw.githubusercontent.com/Tencent/AI-Infra-Guard/refs/heads/main/docker.sh | bash

Methode 3: Aus dem Quellcode erstellen und ausführen

git clone https://github.com/Tencent/AI-Infra-Guard.git
cd AI-Infra-Guard
# Diese Methode erstellt ein Docker-Image aus dem lokalen Quellcode und startet den Dienst
# (Für Docker Compose V2+ ersetzen Sie 'docker-compose' durch 'docker compose')
docker-compose up -d

Hinweis: Das AI-Infra-Guard-Projekt ist als AI Red Teaming Platform für den internen Einsatz durch Unternehmen oder Einzelpersonen konzipiert. Derzeit fehlt ein Authentifizierungsmechanismus, daher sollte es nicht in öffentlichen Netzwerken bereitgestellt werden.

Weitere Informationen finden Sie unter: https://tencent.github.io/AI-Infra-Guard/?menu=getting-started

Online-Pro-Version ausprobieren

Erleben Sie die Pro-Version mit erweiterten Funktionen und verbesserter Leistung. Die Pro-Version erfordert einen Einladungscode und wird vorrangig für Mitwirkende vergeben, die Issues, Pull Requests oder Diskussionen eingereicht oder aktiv zur Verbreitung der Community beigetragen haben. Besuchen Sie: https://aigsec.ai/.

✨ Funktionen

Funktion Weitere Informationen
ClawScan (OpenClaw Security Scan) Unterstützt die Ein-Klick-Bewertung von OpenClaw-Sicherheitsrisiken. Erkennt unsichere Konfigurationen, Skill-Risiken, CVE-Schwachstellen und Datenschutzverletzungen.
Agent Scan Ein eigenständiges, multi-agenten-basiertes automatisiertes Scan-Framework. Es ist darauf ausgelegt, die Sicherheit von KI-Agent-Workflows zu bewerten. Es unterstützt nahtlos Agents, die auf verschiedenen Plattformen laufen, einschließlich Dify und Coze.
MCP Server && Agent Skills Scan Erkennt umfassend 14 Hauptkategorien von Sicherheitsrisiken. Die Erkennung gilt sowohl für MCP Server als auch für Agent Skills. Unterstützt flexibel das Scannen aus Quellcode und entfernten URLs.
AI Infrastructure Vulnerability Scan Identifiziert präzise über 100 KI-Framework-Komponenten. Deckt mehr als 1600 bekannte CVE-Schwachstellen ab. Unterstützte Frameworks umfassen Ollama, ComfyUI, vLLM, n8n, Triton Inference Server und weitere.
Jailbreak Evaluation Bewertet Prompt-Sicherheitsrisiken anhand sorgfältig kuratierter Datensätze. Die Evaluation wendet mehrere Angriffsmethoden an, um die Robustheit zu testen. Bietet außerdem detaillierte modellübergreifende Vergleichsmöglichkeiten.
💎 Weitere Vorteile
  • 🖥️ Moderne Weboberfläche: Benutzerfreundliche UI mit Ein-Klick-Scanning und Echtzeit-Fortschrittsverfolgung
  • 🔌 Vollständige API: Vollständige Schnittstellendokumentation und Swagger-Spezifikationen für einfache Integration
  • 🤖 Agent-Ready: Sofort einsetzbare Agent-Skills auf ClawHub — EdgeOne ClawScan, EdgeOne Skill Scanner und AIG Scanner — Sicherheitsscans nahtlos in jeden KI-Agent-Workflow integrieren
  • 🌐 Mehrsprachig: Chinesische und englische Oberflächen mit lokalisierter Dokumentation
  • 🐳 Plattformübergreifend: Unterstützung für Linux, macOS und Windows mit Docker-basierter Bereitstellung
  • 🆓 Kostenlos & Open Source: Vollständig kostenlos unter der Apache-2.0-Lizenz

🖼️ Galerie

A.I.G Hauptoberfläche

A.I.G Main Page

Plugin-Verwaltung

Plugin Management


🗺️ Kurzanleitung

Öffnen Sie nach der Bereitstellung http://localhost:8088 in Ihrem Browser.

AI Infrastructure Vulnerability Scan

Was soll als Ziel-URL / IP eingegeben werden?

Das Ziel ist die Netzwerkadresse eines laufenden KI-Dienstes, den Sie scannen möchten - nicht eine GitHub-URL oder ein Quellcodepfad. A.I.G verbindet sich mit dem laufenden Dienst und identifiziert ihn anhand bekannter CVE-Schwachstellen.

Szenario Beispielziel
Eine lokal laufende vLLM-Instanz http://127.0.0.1:8000
Ein Ollama-Server im lokalen Netzwerk http://192.168.1.100:11434
Eine intern zugängliche ComfyUI-Instanz http://10.0.0.5:8188
Mehrere Hosts (einer pro Zeile) 192.168.1.0/24 (CIDR), 10.0.0.1-10.0.0.20 (Bereich)

Schritt für Schritt: Eine lokale vLLM-Instanz scannen

  1. Starten Sie vLLM normal (z. B. python -m vllm.entrypoints.api_server --model meta-llama/...)
  2. Klicken Sie in der A.I.G-Weboberfläche auf "AI基础设施安全扫描 / AI Infra Scan"
  3. Geben Sie http://127.0.0.1:8000 ein (oder die IP/den Port, auf dem vLLM lauscht)
  4. Klicken Sie auf Scan starten - A.I.G identifiziert den Dienst und gleicht ihn mit 1600+ bekannten CVEs ab
  5. Sehen Sie den Bericht ein: Komponentenversion, gefundene Schwachstellen, Schweregrad und Behebungslinks

💡 Tipp: Um speziell den Nightly-Build von vLLM zu scannen, führen Sie diesen Nightly-Build aus und verweisen Sie A.I.G auf dessen Adresse. Der Scanner erkennt die Version automatisch.

MCP Server & Agent Skills Scan

Geben Sie entweder eine entfernte URL ein (z. B. https://github.com/user/mcp-server) oder laden Sie ein lokales Quellcode-Archiv hoch - keine laufende Instanz erforderlich.

Jailbreak Evaluation

Konfigurieren Sie den API-Endpunkt des Ziel-LLM (Basis-URL + API-Schlüssel) unter Einstellungen → Modellkonfiguration, wählen Sie dann einen Datensatz aus und starten Sie die Evaluation.

📖 Benutzerhandbuch

Besuchen Sie unsere Online-Dokumentation: https://tencent.github.io/AI-Infra-Guard/

Für ausführlichere FAQs und Fehlerbehebungsanleitungen besuchen Sie unsere Dokumentation.

🔧 API-Dokumentation

A.I.G stellt einen umfassenden Satz von APIs zur Aufgabenerstellung bereit, die AI Infrastructure Scan, MCP Server Scan und Jailbreak Evaluation unterstützen.

Nachdem das Projekt läuft, besuchen Sie http://localhost:8088/docs/index.html, um die vollständige API-Dokumentation einzusehen.

Detaillierte API-Nutzungsanweisungen, Parameterbeschreibungen und vollständigen Beispielcode finden Sie in der vollständigen API-Dokumentation.

📝 Beitragsleitfaden

Das erweiterbare Plugin-Framework bildet den architektonischen Grundstein von A.I.G und lädt die Community ein, durch Plugin- und Feature-Beiträge zu innovieren.

Regeln für Plugin-Beiträge

  1. Fingerabdruck-Regeln: Fügen Sie neue YAML-Fingerabdruckdateien in das Verzeichnis data/fingerprints/ hinzu.
  2. Schwachstellen-Regeln: Fügen Sie neue Schwachstellen-Scanregeln in das Verzeichnis data/vuln/ hinzu.
  3. MCP-Plugins: Fügen Sie neue MCP-Sicherheitsscanregeln in das Verzeichnis data/mcp/ hinzu.
  4. Jailbreak Evaluation Datensätze: Fügen Sie neue Jailbreak-Evaluationsdatensätze in das Verzeichnis data/eval hinzu.

Orientieren Sie sich bitte an den vorhandenen Regelformaten, erstellen Sie neue Dateien und reichen Sie diese über einen Pull Request ein.

Weitere Möglichkeiten zum Beitragen



🛡️ Über das Team

Dieses Projekt wird federführend von Tencent Zhuque Lab entwickelt, das Teil der Tencent Security Platform Department ist. Das 2019 gegründete Tencent Zhuque Lab ist ein erstklassiges Sicherheitsforschungslabor, das sich auf praxisnahe Offensive- und Defensive-Forschung sowie auf Spitzentechnologien im Bereich der KI-Sicherheit konzentriert. Die Forschungsschwerpunkte umfassen Sicherheit großer Sprachmodelle, KI-Agentensicherheit, KI-gestützte Sicherheit sowie die Erkennung KI-generierter Inhalte.

Das Team hat namhaften Anbietern wie NVIDIA, Google und Microsoft sowie Open-Source-Communities wie OpenClaw, Linux und Hugging Face dabei geholfen, zahlreiche kritische Schwachstellen zu beheben, und wurde dafür offiziell anerkannt.

Das Team hat Open-Source-KI-Sicherheitsprodukte wie die KI-Red-Team-Sicherheitstest-Plattform A.I.G (AI-Infra-Guard) und den Zhuque AI Detection Assistant veröffentlicht. Forschungsergebnisse wurden auf international führenden Sicherheits- und KI-Konferenzen wie Black Hat, DEF CON, ICLR, CVPR, NeurIPS und ACL publiziert. Außerdem wurde das Buch „AI Security: Technology and Practice" veröffentlicht.

👥 Kernmitglieder & Beiträge

Rolle Mitglied Beitrag
Leiter der Tencent Security Platform Department Yong Yang Hat A.I.G initiiert und die automatisierte Bewertung von Kontrollverlust-Risiken bei KI-Agenten vorgeschlagen. Damit hat er die Erweiterung der Plattform vom Schwachstellen-Scan für KI-Infrastruktur hin zur Bewertung von Agent-Ausführungsrisiken, Tool-Missbrauch und Berechtigungsgrenzen gesteuert.
Leiter des Tencent Zhuque Lab Xing Zheng Hat den Mechanismus für automatisierte Schwachstellen-Updates und Benchmark-Abstimmung vorgeschlagen, der die kontinuierliche Iteration von KI-Infra-Fingerprints, CVE/GHSA-Regeln und Benchmarks ermöglicht.
Projektleiter Nicky Forschung zu Spitzen-Sicherheitsthemen, Produktplanung, Entscheidungen zur technischen Roadmap, interne und externe Kooperation sowie Kommunikation.
Technischer Leiter Python Gesamtarchitekturdesign, Entwicklung der Kernmodule und Versionsiteration.
Kernbeitragender Zona Frontend-Interaktion, Produktnutzererfahrung, Community-Betrieb und Schließen der Nutzer-Feedback-Schleife.
Kernbeitragender Fyoung Aktualisierung der Fingerprints für KI-Infra-Schwachstellenkomponenten und Aufbau des Benchmark-Systems.
Kernbeitragender Robert Sicherheit von LLMs und Betrieb der Strategien zur Jailbreak-Bewertung.
Kernbeitragender Zoe Sicherheit von LLMs, Jailbreak-Bewertung sowie Entwicklung des Modell-Integrationsmoduls.
Kernbeitragender Xiangfan Entwicklung von Sicherheitsfunktionen für Skill-Risiken und Szenarien mit Kontrollverlust von Agenten.
Beitragender Ronin Mitwirkung an der Entwicklung des KI-Agenten-Sicherheits-Scans.
Beitragender Rsin Mitwirkung am Community-Betrieb und an der Kommunikation von Kampagnen.

🙏 Danksagungen

🎓 Akademische Kooperationen

Wir danken unseren akademischen Partnern für ihre Forschungsbeiträge und technische Unterstützung.


Prof. hui Li
Bin Wang
Zexin Liu
Hao Yu
Ao Yang
Zhengxi Lin


Prof. Zhemin Yang
Kangwei Zhong
Jiapeng Lin
Cheng Sheng

👥 Dank an beitragende Entwickler

Dank gilt allen Entwicklern, die zum A.I.G-Projekt beigetragen haben.

Keen Lab WeChat Security Fit Security


🤝 Dank an unsere Nutzer

Vielen Dank an die Nutzer aus den folgenden Unternehmen und Teams für die Verwendung von A.I.G und ihr wertvolles Feedback.


Tencent DeepSeek Antintl Lenovo ICBC Vivo Oppo Haier Abc 招商银行 中国电信 Bilibili Qunar 蜜雪冰城 IDG kingdee 联通数科 长安汽车
清华大学 北京大学 南洋理工大学 复旦大学 浙江大学 南京大学 武汉大学 An-Najah National University 西安交通大学 华中科技大学 南开大学 四川大学

💬 Community beitreten

🌐 Online-Diskussionen

📱 Diskussions-Community

WeChat-Gruppe Discord [Link]
WeChat Group discord

📧 Kontakt

Für Kooperationsanfragen oder Feedback erreichen Sie uns unter: zhuque@tencent.com

🔗 Empfohlene Sicherheitswerkzeuge

Wenn Sie sich für Code-Sicherheit interessieren, werfen Sie einen Blick auf A.S.E (AICGSecEval), das erste branchenweite Repository-Level-Framework zur Bewertung der Sicherheit von KI-generiertem Code, das vom Tencent Wukong Code Security Team als Open Source veröffentlicht wurde.



📖 Zitierung

Wenn Sie A.I.G in Ihrer Forschung verwenden, zitieren Sie bitte:

@misc{Tencent_AI-Infra-Guard_2025,
  author={{Tencent Zhuque Lab}},
  title={{AI-Infra-Guard: A Comprehensive, Intelligent, and Easy-to-Use AI Red Teaming Platform}},
  year={2025},
  howpublished={GitHub repository},
  url={https://github.com/Tencent/AI-Infra-Guard}
}

📚 Publikationen

  1. "AI-Infra-Guard Technical Report" — Technischer Bericht zur A.I.G-Plattform: Architekturdesign, Scan-Engine und Bewertungsmethodik. [pdf]

  2. "AI-Infra-Guard: An AI Red Teaming Platform" — Black Hat Europe 2025 Arsenal-Präsentation mit einer Übersicht über die Fähigkeiten von A.I.G und praxisnahe Anwendungsfälle. [pdf]

  3. "MCP Unchained: Compromising The AI Agent Ecosystem Via Its Universal Connector" — Black Hat Europe 2025 Vortrag über Sicherheitsrisiken des MCP-Protokolls im KI-Agenten-Ökosystem. [pdf]

Wir danken den Forschungsteams, die A.I.G in ihrer akademischen Arbeit verwendet haben. Zum Erweitern klicken (19 Arbeiten)

  1. Chenning Li, Pan Hu, Justin Xu et al. "ADR: An Agentic Detection System for Enterprise Agentic AI Security." arXiv preprint arXiv:2605.17380 (2026). [pdf]

  2. Zhaojiacheng Zhou. "Proteus: A Self-Evolving Red Team for Agent Skill Ecosystems." arXiv preprint arXiv:2605.11891 (2026). [pdf]

  3. Hengkai Ye, Zhechang Zhang, Jinyuan Jia et al. "TRUSTDESC: Preventing Tool Poisoning in LLM Applications via Trusted Description Generation." arXiv preprint arXiv:2604.07536 (2026). [pdf]

  4. Zenghao Duan, Yuxin Tian, Zhiyi Yin et al. "SkillAttack: Automated Red Teaming of Agent Skills through Attack Path Refinement." arXiv preprint arXiv:2604.04989 (2026). [pdf]

  5. Yiheng Huang, Zhijia Zhao, Bihuan Chen et al. "From Component Manipulation to System Compromise: Understanding and Detecting Malicious MCP Servers." arXiv preprint arXiv:2604.01905 (2026). [pdf]

  6. Yi Ting Shen, Kentaroh Toyoda, Alex Leung. "MCP-38: A Comprehensive Threat Taxonomy for Model Context Protocol Systems (v1.0)." arXiv preprint arXiv:2603.18063 (2026). [pdf]

  7. Yuepeng Hu, Yuqi Jia, Mengyuan Li et al. "MalTool: Malicious Tool Attacks on LLM Agents." arXiv preprint arXiv:2602.12194 (2026). [pdf]

  8. Naen Xu, Jinghuai Zhang, Ping He et al. "FraudShield: Knowledge Graph Empowered Defense for LLMs against Fraud Attacks." arXiv preprint arXiv:2601.22485v1 (2026). [pdf]

  9. Ruiqi Li, Zhiqiang Wang, Yunhao Yao et al. "MCP-ITP: An Automated Framework for Implicit Tool Poisoning in MCP." arXiv preprint arXiv:2601.07395v1 (2026). [pdf]

  10. Jingxiao Yang, Ping He, Tianyu Du et al. "HogVul: Black-box Adversarial Code Generation Framework Against LM-based Vulnerability Detectors." arXiv preprint arXiv:2601.05587v1 (2026). [pdf]

  11. Teofil Bodea, Masanori Misono, Julian Pritzi et al. "Trusted AI Agents in the Cloud." arXiv preprint arXiv:2512.05951v1 (2025). [pdf]

  12. Yunyi Zhang, Shibo Cui, Baojun Liu et al. "Beyond Jailbreak: Unveiling Risks in LLM Applications Arising from Blurred Capability Boundaries." arXiv preprint arXiv:2511.17874v2 (2025). [pdf]

  13. Bin Wang, Zexin Liu, Hao Yu et al. "MCPGuard: Automatically Detecting Vulnerabilities in MCP Servers." arXiv preprint arXiv:2510.23673v1 (2025). [pdf]

  14. Weibo Zhao, Jiahao Liu, Bonan Ruan et al. "When MCP Servers Attack: Taxonomy, Feasibility, and Mitigation." arXiv preprint arXiv:2509.24272v1 (2025). [pdf]

  15. Ping He, Changjiang Li, et al. "Automatic Red Teaming LLM-based Agents with Model Context Protocol Tools." arXiv preprint arXiv:2509.21011 (2025). [pdf]

  16. Christian Coleman. "Behavioral Detection Methods for Automated MCP Server Vulnerability Assessment." (2025). [pdf]

  17. Yixuan Yang, Daoyuan Wu, Yufan Chen. "MCPSecBench: A Systematic Security Benchmark and Playground for Testing Model Context Protocols." arXiv preprint arXiv:2508.13220 (2025). [pdf]

  18. Yongjian Guo, Puzhuo Liu, et al. "Systematic Analysis of MCP Security." arXiv preprint arXiv:2508.12538 (2025). [pdf]

  19. Zexin Wang, Jingjing Li, et al. "A Survey on AgentOps: Categorization, Challenges, and Future Directions." arXiv preprint arXiv:2508.02121 (2025). [pdf]

📧 Wenn Sie A.I.G in Ihrer Forschung oder Ihrem Produkt verwendet haben oder wenn wir Ihre Veröffentlichung versehentlich nicht aufgeführt haben, freuen wir uns von Ihnen zu hören! Kontaktieren Sie uns hier.

⚖️ Lizenz & Namensnennung

Dieses Projekt ist unter der Apache License 2.0 als Open Source veröffentlicht. Wir begrüßen und fördern ausdrücklich Community-Beiträge, Integrationen und abgeleitete Werke, vorbehaltlich der folgenden Namensnennungsanforderungen:

  1. Hinweise beibehalten: Sie müssen die Dateien LICENSE und NOTICE des Originalprojekts in jeder Distribution beibehalten.
  2. Produktnamensnennung: Wenn Sie den Kerncode, Komponenten oder die Scan-Engine von AI-Infra-Guard in Ihr Open-Source-Projekt, Ihr kommerzielles Produkt oder Ihre interne Plattform integrieren, müssen Sie Folgendes deutlich sichtbar in Ihrer Produktdokumentation, Ihrem Nutzungsleitfaden oder der UI-Seite "Über" angeben:

    "Dieses Projekt integriert AI-Infra-Guard, als Open Source veröffentlicht von Tencent Zhuque Lab."

  3. Akademische & Artikel-Zitierung: Wenn Sie dieses Tool in Schwachstellenanalyseberichten, Sicherheitsforschungsartikeln oder wissenschaftlichen Arbeiten verwenden, erwähnen Sie bitte explizit "Tencent Zhuque Lab AI-Infra-Guard" und fügen Sie einen Link zum Repository hinzu.

Das Neuverpacken dieses Projekts als Originalprodukt ohne Offenlegung seiner Herkunft ist ausdrücklich untersagt.

Star History Chart