Open-source платформа для оркестрации AI-агентов
Идея в том, что скармливать LLM целый репозиторий с промптом найди все уязвимости обычно не очень эффективно
Поэтому исследование разбивается на небольшие связанные задачи, которые выполняются последовательно или параллельно, а результаты передаются следующим агентам.
Основной объект платформы - Workflow: дерево prompt-шагов с настраиваемыми переменными, связями и output schema.
Например, встроенный external-flow-analysis работает так:
Первый агент ищет внешние entrypoints
Следующие агенты тыкают достижимые execution flows
Каждый flow отдельно исследуется на наличие уязвимостей
Результат возвращается в структурированном виде: описание, тип уязвимости, файл, строка, trigger flow, malicious input и оценка возможности эксплуатации.
Прдзадачи одного уровня могут выполняться параллельно, поэтому вместо одного огромного контекста получается несколько сфокусированных исследований.
Что умеет open·kritt:
Создавать workflow в визуальном редакторе или генерировать их с помощью AI
Настраивать промты, переменные, зависимости и output schemas
Анализировать локальные и GitHub-репозитории, включая приватные
Подключать дополнительные репозитории как dependencies
Использовать Agent Skills для конкретных языков, архитектур и классов уязвимостей
Автоматически дедуплицировать и ранжировать находки
Запускать post-scripts для дополнительной проверки находок
Управлять сканированиями через Web UI и HTTP API
После основного workflow запускается post-processing. Сначала semantic deduplication объединяет находки, относящиеся к одной root cause и location/entrypoint. Простого совпадения по классу уязвимости недостаточно
Затем находки ранжируются с учётом impact, exploit likelihood, scope и вероятности bounty
Критерии оценки критичности можно также настраивать с помощью текстовых инструкций.
После этого для каждого канонического файндинга могут запускаться post-scripts. Дополнительному агенту можно поручить проверить эксплуатацию, собрать доказательства, подготовить PoC, уточнить влияние или сформировать отчёт.
Сейчас есть два встроенных workflow:
external-flow-analysis - исследование entrypoints и достижимых от них execution flows
Cosmos ABCI Panic Halt Review - поиск panic-path в Go-приложениях на базе Cosmos ABCI
В качестве агентов используются Codex и Claude Code. Для доступа к моделям поддерживаются Codex login, OpenAI API, Anthropic API и OpenRouter API.
Отдельно стоит учитывать модель угроз. Хотя платформа разворачивается локально, исходный код может передаваться выбранному внешнему провайдеру.
Tool-enabled агенты работают от root в одноразовых docker-контейнерах, получают доступную для записи копию репозитория и прямой доступ в интернет. Сами job-контейнеры не получают docker socket, базу данных и .env, но engine управляет docker daemon. Поэтому запускать платформу рекомендуется на отдельной VM.
Backend по умолчанию не имеет в аутентификацию. Порты привязаны слушают на localhost, но выставлять интерфейс наружу без reverse proxy и дополнительной аутентификации точно не стоит
Авторы заявляют, что заработали более $1,5 млн на bug bounty, и приводят ссылки на профили Immunefi и HackenProof.
По сути это не очередной AI-SAST, а платформа для декомпозиции security research: управляемые промты, параллельные агенты, структурированные результаты, deduplication, ranking и дополнительная валидация.
Полноту покрытия никто не гарантирует, а результаты всё равно требуют ручной проверки. Но для автоматизации source code review и экспериментов с AI-агентами выглядит очень неплохо
которые ищут уязвимости в исходном коде.
GitHub - Kritt-ai/open-kritt: Open-source, self-hosted AI vulnerability research tool that orchestrates agents to find and validate security issues in code.
Open-source, self-hosted AI vulnerability research tool that orchestrates agents to find and validate security issues in code. - Kritt-ai/open-krittgithub.com
Идея в том, что скармливать LLM целый репозиторий с промптом найди все уязвимости обычно не очень эффективно
Поэтому исследование разбивается на небольшие связанные задачи, которые выполняются последовательно или параллельно, а результаты передаются следующим агентам.Основной объект платформы - Workflow: дерево prompt-шагов с настраиваемыми переменными, связями и output schema.
Например, встроенный external-flow-analysis работает так:
Первый агент ищет внешние entrypoints Следующие агенты тыкают достижимые execution flows Каждый flow отдельно исследуется на наличие уязвимостей Результат возвращается в структурированном виде: описание, тип уязвимости, файл, строка, trigger flow, malicious input и оценка возможности эксплуатации.Прдзадачи одного уровня могут выполняться параллельно, поэтому вместо одного огромного контекста получается несколько сфокусированных исследований.
Что умеет open·kritt:
Создавать workflow в визуальном редакторе или генерировать их с помощью AI Настраивать промты, переменные, зависимости и output schemas Анализировать локальные и GitHub-репозитории, включая приватные Подключать дополнительные репозитории как dependencies Использовать Agent Skills для конкретных языков, архитектур и классов уязвимостей Автоматически дедуплицировать и ранжировать находки Запускать post-scripts для дополнительной проверки находок Управлять сканированиями через Web UI и HTTP APIПосле основного workflow запускается post-processing. Сначала semantic deduplication объединяет находки, относящиеся к одной root cause и location/entrypoint. Простого совпадения по классу уязвимости недостаточно
Затем находки ранжируются с учётом impact, exploit likelihood, scope и вероятности bounty
Критерии оценки критичности можно также настраивать с помощью текстовых инструкций.После этого для каждого канонического файндинга могут запускаться post-scripts. Дополнительному агенту можно поручить проверить эксплуатацию, собрать доказательства, подготовить PoC, уточнить влияние или сформировать отчёт.
Сейчас есть два встроенных workflow:
external-flow-analysis - исследование entrypoints и достижимых от них execution flows Cosmos ABCI Panic Halt Review - поиск panic-path в Go-приложениях на базе Cosmos ABCIВ качестве агентов используются Codex и Claude Code. Для доступа к моделям поддерживаются Codex login, OpenAI API, Anthropic API и OpenRouter API.
Отдельно стоит учитывать модель угроз. Хотя платформа разворачивается локально, исходный код может передаваться выбранному внешнему провайдеру.
Tool-enabled агенты работают от root в одноразовых docker-контейнерах, получают доступную для записи копию репозитория и прямой доступ в интернет. Сами job-контейнеры не получают docker socket, базу данных и .env, но engine управляет docker daemon. Поэтому запускать платформу рекомендуется на отдельной VM.
Backend по умолчанию не имеет в аутентификацию. Порты привязаны слушают на localhost, но выставлять интерфейс наружу без reverse proxy и дополнительной аутентификации точно не стоит
Авторы заявляют, что заработали более $1,5 млн на bug bounty, и приводят ссылки на профили Immunefi и HackenProof.
По сути это не очередной AI-SAST, а платформа для декомпозиции security research: управляемые промты, параллельные агенты, структурированные результаты, deduplication, ranking и дополнительная валидация.
Полноту покрытия никто не гарантирует, а результаты всё равно требуют ручной проверки. Но для автоматизации source code review и экспериментов с AI-агентами выглядит очень неплохо