416rehman/DeepZero
Find zero-days while you sleep. DeepZero is an automated vulnerability research framework that parses, decompiles, and analyzes thousands of Windows kernel drivers for exploitable IOCTLs natively using AI agents.
解决的问题
DeepZero 提供了一个自动化漏洞研究流水线引擎。它消除了手动编排复杂安全分析工作流的繁琐工作，允许研究人员通过声明式方式定义数据摄入、过滤、转换和基于 LLM 的评估阶段的序列。
工作原理
用户使用 YAML 文件定义其分析流水线。引擎负责执行这些阶段，通过 ThreadPoolExecutor 管理并行性，并在磁盘上维护每个样本的原子状态。这确保了如果进程被中断，可以从中断处恢复。对于 AI 驱动的分析，它通过 LiteLLM 与各种 LLM 提供商集成，并使用 Jinja2 进行提示模板化。
适用人群
专为需要扩展软件（如内核驱动程序）分析并自动化数据处理和评估流水线中重复性任务的安全研究人员和漏洞分析师设计。
主要亮点
- 流水线即 YAML：声明式地串联数据摄入、过滤和 LLM 评估阶段。
- 可恢复运行：在磁盘上维护状态，允许运行在崩溃或手动中断后继续。
- 并行执行：可配置每个阶段的并发数，以加快处理速度。
- LLM 集成：通过 LiteLLM 支持任意 LLM 提供商，并使用灵活的 Jinja2 提示模板。
- 可扩展架构：允许用户编写自定义 Python 处理器以扩展流水线功能。
相关
- 项目
zenml-io/zenmlZenML 是一个开源的 MLOps 平台，允许 AI 工程师在任何基础设施上定义、版本化和运行管道（包括 LLM 和代理工作流）。它提供自动容器化、运行跟踪、与 MLflow/W&B/LangChain 的集成、Web 仪表板和基于聊天的查询界面，并以 Apache-2.0 许可发布。
- 项目
- 项目
confident-ai/deepevalDeepEval 是一个开源的 Python 框架，允许你为任何基于 LLM 的应用（如聊天机器人、代理、RAG 管道或多模态生成器）编写 pytest 风格的测试。它附带数十种基于研究的指标（例如 G-Eval、JevEval、任务完成度、幻觉、偏见），可以在任何模型上本地运行，并且你可以添加自定义指标。该库与流行的工具包（LangChain、OpenAI、Anthropic、LlamaIndex 等）集成，自动跟踪模型调用，实现端到端和步骤级评估。测试从命令行运行，适合 CI/CD，并可连接到商业的 Confident AI 平台进行生产环境监控。非常适合需要为 LLM 应用提供定量质量门的开发者和团队。
- 项目
confident-ai/deepteamDeepTeam 是一个开源的 LLM 红队测试框架，模拟越狱和提示注入等对抗性攻击，以发现 AI 代理、RAG 管道和聊天机器人中的偏见、数据泄露和 SQL 注入等漏洞。它在本地运行，提供 50 多种预构建漏洞、20 多种攻击方法和生产级防护措施。
- 项目
ruc-datalab/DeepAnalyzeDeepAnalyze 是一个开源、智能体式 LLM（80 亿参数），可以运行整个数据科学工作流——清洗、分析、建模、可视化和报告生成——无需人工干预。该仓库提供模型、500K 指令数据集、即用型演示（Web UI、Jupyter UI、CLI）以及 OpenAI 兼容 API，全部可通过 vLLM 部署。