AI Pentest Agent — Agente Ofensivo Autónomo

Proyecto Final · Curso AI Hacking · 8dot8 Academy 2026
Instructor: Galoget Latorre (@galoget) · Hackem Cybersecurity

---

⚠️ Advertencia Legal

Este agente SOLO puede ejecutarse contra sistemas que tú mismo hayas desplegado o para los que tengas autorización escrita explícita.

El objetivo de referencia es OWASP Juice Shop (instancia local o demo oficial). Prohibido atacar sistemas de terceros. El uso no autorizado es ilegal.

Todo el procesamiento es local — sin telemetría ni APIs cloud externas.

---

📋 Descripción

AI Pentest Agent es un agente de pentesting autónomo en Python que:

• 🤖 Usa un LLM local (Ollama) o remoto (API OpenAI-compatible) como motor de razonamiento
• 📚 Implementa RAG con archivos .md de la carpeta kb/ como base de conocimiento
• ⚡ Sigue el patrón ReAct (Observe → Think → Act) de LangChain/LangGraph
• 🔧 Usa herramientas nativas de Kali Linux (nmap, nikto, gobuster, whatweb) con fallback Python
• 📊 Mapea hallazgos a OWASP Top 10 2021 y MITRE ATLAS
• 📄 Genera un informe técnico completo en Markdown

Fases del Pentest

#	Fase	Herramientas
1	🔍 Reconocimiento	whatweb, curl, requests, BS4
2	🔌 Escaneo de Puertos	nmap, socket Python, gobuster
3	🔎 Identificación de Vulnerabilidades	nikto, checks manuales, LLM
4	💥 Explotación	SQLi, FTP Exposure, BAC/IDOR, DOM XSS
5	📊 Métricas y Mapeo	ESR, OWASP, MITRE ATLAS
6	🛡️ Remediación Blue Team	LLM + RAG knowledge base

---

🏗️ Estructura del Proyecto

Final/
├── src/
│   ├── ai_pentest_agent.py      # Script principal (menú interactivo + ReAct)
│   ├── rag_engine.py            # Motor RAG TF-IDF sobre archivos .md
│   ├── llm_client.py            # Cliente LLM (Ollama local / OpenAI remoto)
│   ├── report_generator.py      # Generador de informe Markdown
│   └── tools/
│       ├── kali_runner.py       # Wrappers para herramientas Kali Linux
│       ├── recon.py             # Fase 1: Reconocimiento
│       ├── port_scan.py         # Fase 2: Escaneo de puertos + endpoints
│       ├── vuln_check.py        # Fase 3: Identificación de vulnerabilidades
│       └── exploit.py           # Fase 4: Explotación
├── kb/                          # Base de conocimiento RAG (archivos .md)
│   ├── owasp_mitre_rag_reference.md
│   ├── OWASP Top 10 para Aplicaciones de LLM 2025 (es).md
│   ├── Guia Completa de Pwning OWASP Juice Shop.md
│   └── ... (39 archivos .md)
├── logs/                        # Trazas ReAct y logs de ejecución
├── reports/                     # Informes generados en Markdown
├── README.md
└── requirements.txt

---

⚙️ Requisitos

Sistema Operativo

• Kali Linux (recomendado) o Ubuntu/Debian
• Python 3.10+

Herramientas del Sistema (Kali Linux)

# Instalar herramientas necesarias
sudo apt update && sudo apt install -y \
    nmap nikto gobuster dirb sqlmap whatweb curl

Modelo LLM Local (Ollama)

# Instalar Ollama
curl -fsSL https://ollama.com/install.sh | sh

# Descargar el modelo de referencia
ollama pull llama3.2

# Prueba de humo
ollama run llama3.2 "responde OK"

# API disponible en: http://localhost:11434

Objetivo de Prueba (OWASP Juice Shop)

# Desplegar Juice Shop con Docker (puerto 3000)
docker run --rm -d -p 3000:3000 --name juiceshop bkimminich/juice-shop

# Verificar
curl -s -o /dev/null -w "%{http_code}\n" http://localhost:3000  # → 200

# Demo pública (alternativa sin Docker):
# https://juice-shop.herokuapp.com

---

🚀 Instalación

# 1. Clonar / descomprimir el proyecto
cd /path/to/Final

# 2. Crear entorno virtual
python3 -m venv .venv
source .venv/bin/activate

# 3. Instalar dependencias Python
pip install -r requirements.txt

---

💻 Uso

Modo interactivo (recomendado)

python src/ai_pentest_agent.py

El menú te guiará para ingresar:

• URL/IP del objetivo
• Puerto a escanear
• Modelo LLM a usar
• Modo: local (Ollama) o remoto (API compatible)
• Activar/desactivar RAG

Modo línea de comandos

# Target local con llama3.2
python src/ai_pentest_agent.py --target http://localhost:3000 --model llama3.2

# Target remoto con rango de puertos personalizado
python src/ai_pentest_agent.py \
    --target http://192.168.1.100:3000 \
    --model qwen2.5 \
    --port-range 1-2000 \
    --no-menu

# Con LLM remoto (API OpenAI-compatible)
python src/ai_pentest_agent.py \
    --target http://localhost:3000 \
    --remote \
    --llm-url https://api.openai.com \
    --api-key sk-... \
    --model gpt-4o-mini

Opciones disponibles

  --target, -t      URL del objetivo (default: http://localhost:3000)
  --model, -m       Modelo LLM (default: llama3.2)
  --llm-url         URL base del LLM (default: http://localhost:11434)
  --remote          Usar LLM remoto (OpenAI-compatible API)
  --api-key         API Key para LLM remoto
  --no-rag          Deshabilitar el RAG
  --port-range      Rango de puertos (default: 1-1024)
  --no-menu         Omitir menú interactivo

---

📊 Outputs

Informe Markdown

Generado en reports/reporte_pentest_<timestamp>.md con:

1. Resumen ejecutivo
2. Alcance y reglas de compromiso
3. Arquitectura del agente (diagrama)
4. Metodología y fases ejecutadas
5. Tabla de hallazgos (ID, severidad, OWASP, ATLAS, evidencia)
6. Explotaciones detalladas (payload, petición, evidencia)
7. Métricas (ESR, severidades, tiempos)
8. Defensa y remediación (Blue Team)
9. Conclusiones y limitaciones
10. Traza ReAct completa

Log de ejecución

• logs/run_<timestamp>.log — Log completo de la sesión
• logs/react_trace_<timestamp>.json — Traza ReAct en formato JSON

---

🗺️ Mapeo OWASP / MITRE ATLAS

Vulnerabilidad	OWASP ID	MITRE ATLAS	Severidad
SQL Injection	A03:2021	AML.T0051 / T1190	CRÍTICA
Broken Access Control	A01:2021	AML.T0012 / T1078	ALTA
Sensitive Data Exposure	A02:2021	ATT&CK T1552	ALTA
DOM XSS	A03:2021	ATT&CK T1059.007	MEDIA
Security Misconfiguration	A05:2021	ATT&CK T1562	MEDIA

---

🧠 Arquitectura del Agente (ReAct)

INPUT (URL) ──▶ MENÚ INTERACTIVO
                     │
              ┌──────▼──────┐
              │  RAG ENGINE  │ ◀── kb/*.md (39 docs, TF-IDF)
              └──────┬──────┘
                     │ Contexto
              ┌──────▼──────┐
              │  LLM CLIENT  │ ─── llama3.2 / Ollama / Remoto
              └──────┬──────┘
                     │
           ┌─────────▼─────────┐
           │    REACT LOOP     │
           │ Observe→Think→Act │
           └─────────┬─────────┘
                     │
    ┌────────────────▼────────────────┐
    │         TOOLS (Kali Linux)      │
    │  Fase 1: whatweb, curl          │
    │  Fase 2: nmap, gobuster         │
    │  Fase 3: nikto, checks          │
    │  Fase 4: SQLi, FTP, BAC, XSS   │
    └────────────────┬────────────────┘
                     │
              ┌──────▼──────┐
              │   REPORT     │ ──▶ reports/*.md
              └─────────────┘

---

🛡️ Base de Conocimiento RAG

La carpeta kb/ contiene 39 archivos .md que incluyen:

• OWASP Top 10 para LLM 2025
• MITRE ATLAS Reference Guide
• Guía completa de Pwning OWASP Juice Shop
• Guías de certificación CAISR, CLLMSP
• Material de las 10 sesiones del curso

El RAG recupera contexto relevante para cada fase y lo inyecta en los prompts del LLM.

---

🔧 Resolución de Problemas

Ollama no responde

# Iniciar Ollama
ollama serve &

# Verificar
curl http://localhost:11434/api/tags

Modelo no encontrado

# Listar modelos disponibles
ollama list

# Descargar modelo
ollama pull llama3.2

Herramientas Kali no disponibles

El agente detecta automáticamente qué herramientas están disponibles y usa fallback Python cuando no las encuentra. No es necesario instalar todas las herramientas para que el script funcione.

Juice Shop no accesible

# Verificar que está corriendo
docker ps | grep juiceshop

# Reiniciar si es necesario
docker restart juiceshop

---

📚 Recursos

• OWASP Juice Shop
• Ollama — LLM local
• OWASP Top 10
• MITRE ATLAS
• LangChain Docs

---

📜 Licencia y Ética

Este proyecto es de uso exclusivamente educativo en entornos autorizados.

• No usar contra sistemas sin autorización escrita explícita
• No exponer el objetivo vulnerable a Internet
• No enviar datos a servicios externos de IA
• Respetar la privacidad y no registrar datos personales reales en logs

---

AI Pentest Agent · Proyecto Final · Curso AI Hacking · 8dot8 Academy 2026
Hackem Cybersecurity · Instructor: Galoget Latorre (@galoget)