🧠 PROJEKT OMEGA: MODUL "SPECIALIST AI" (Taktisches Intelligenzzentrum)
Die Schnittstelle befindet sich strategisch zwischen "Werkzeuge" und "Dokumentation". Wir werden uns in drei Panels mit hoher Informationsdichte aufteilen.
Strategische Vision: Wir werden eine hybride Künstliche Intelligenz (Lokal/Cloud) implementieren, die tief in die Plattform integriert ist. Es ist kein einfacher Chatbot, sondern ein synthetischer Cybersicherheitsanalyst mit Echtzeit-Lesezugriff auf die Infrastruktur (Datenbank) und doktrinem Zugang zur Wissensbibliothek (PDFs).
1. VISUELLE ARCHITEKTUR (DAS COCKPIT)
Sección titulada «1. ARQUITECTURA VISUAL (EL COCKPIT)»Die Schnittstelle befindet sich strategisch zwischen „Tools“ und „Dokumentation“. Wir werden uns in drei Panels mit hoher Informationsdichte unterteilen.
🟢 LINKES PANEL: OPERATIVES GEDÄCHTNIS (History & Retention)
Sección titulada «🟢 PANEL IZQUIERDO: MEMORIA OPERATIVA (History & Retention)»In diesem Panel verwalten wir vergangenes Wissen.
- Sitzungsliste: Kompakte Karten mit Titel, Datum und verwendetem Modell.
- Taktisches Klassifizierungssystem:
- ⭐ Favoriten (Priority Intel): Stern-Button. Wir werden die Konversation oben fixieren. Nützlich für aktive Untersuchungen.
- 🔒 Persistenz (Permanente Verriegelung): Ein Toggle Switch (Schalter) in jedem Chat.
- Status EIN: Der Chat wird abgesichert. Die automatischen Löschregeln werden ignoriert.
- Status AUS: Der Chat ist ephemeral.
- Retention-Konfiguration (Data Lifecycle):
- Slider oder numerischer Input: „Nicht gesicherte Chats nach [ 7 ] Tagen autodestruieren“.
- Button „Jetzt purgen“: Manuelle Cache-Bereinigung.
⚫ ZENTRALES PANEL: WAR ROOM (The Chat Interface)
Sección titulada «⚫ PANEL CENTRAL: SALA DE GUERRA (The Chat Interface)»Der Hauptinteraktionsbereich. „Modern Terminal“-Stil (Dunkle Farben, Monospace-Schriftarten für Code).
- Ausgabe-Bereich (Stream):
- Vollständiges Markdown-Rendering (Tabellen, Listen, Codeblöcke mit Kopier-Button).
- Quellenangaben: Wenn die KI ein Dokument verwendet, erscheint ein kleines, anklickbares Label:
[Ref: MANUAL_3.2_BLIND_SQLI.pdf, pág 4]. - Datenbeweise: Wenn wir die Datenbank abfragen, zeigen wir die generierte SQL-Abfrage in einem einklappbaren Menü an:
[▶ Ver Query SQL].
- Eingabe-Bereich (Kommandozeile):
- Mehrzeiliger Text-Prompt.
- Schaltfläche „Aktuellen Kontext anhängen“ (Wir werden den aktuellen Status des aktiven Scans hochladen).
- Motor-Selektor (Unten-Rechts):
- Ein unauffälliges, aber essentielles Dropdown-Menü in der unteren rechten Ecke.
- Optionen:
🔒 LOCAL: OMEGA BRAIN (Llama-3 / Mistral)-> Kostenlos, volle Privatsphäre, langsam.☁️ ONLINE: GOOGLE GEMINI 1.5 FLASH-> Extreme Geschwindigkeit, mittleres Reasoning.🧠 ONLINE: GOOGLE GEMINI 1.5 PRO-> Komplexes Reasoning, höhere Latenz.
🔵 RECHTES PANEL: AGENTENKONFIGURATION (Mission Profile)
Sección titulada «🔵 PANEL DERECHO: CONFIGURACIÓN DEL AGENTE (Mission Profile)»Hier definieren wir, WER uns antwortet.
- Agent-Auswahl (Person):
- Standard: „Generalist Red Team“.
- Benutzerdefiniert 1: „Dr. SQL Injection“ (Prompt zu 100 % auf unsere SQLi-Handbücher fokussiert).
- Benutzerdefiniert 2: „Infrastrukturanalyst“ (Fokus auf Nmap und Dienste).
- Verbindungsindikatoren (Status):
📚 Docs Indexados: 14 PDFs(Status des Vector Store).🗄️ DB Connection: ACTIVE(Status von Text-to-SQL).
2. KOGNITIVE ARCHITEKTUR (DAS RAG-GEHIRN)
Sección titulada «2. ARQUITECTURA COGNITIVA (EL CEREBRO RAG)»Damit die KI nützlich ist, müssen wir die „Punkte“ zwischen der Theorie (PDFs) und der Realität (Datenbank) verbinden.
A. Dokumentations-Subsystem (Vektorielles RAG)
Sección titulada «A. Subsistema Documental (RAG Vectorial)»Die KI „liest“ die PDFs nicht jedes Mal neu. Wir werden eine Vektordatenbank (ChromaDB) verwenden.
- Ingestion: Beim Hochladen einer PDF zu
/docswerden wir das System in „Chunks“ (Fragmente) von 500 Zeichen unterteilen. - Embedding: Wir werden Text in numerische Vektoren umwandeln.
- Retrieval: Wenn wir fragen „Wie führen wir einen OOB-Angriff durch?“, sucht das System in den Handbüchern nach mathematisch ähnlichen Vektoren und übergibt diese der KI als versteckten Kontext.
B. Infrastruktur-Subsystem (Text-to-SQL)
Sección titulada «B. Subsistema de Infraestructura (Text-to-SQL)»Die KI hat Lesezugriff auf nmap_intel.db.
- Schema Awareness: Die KI weiß, dass eine Tabelle
hostsmit den Spaltenip,osundservicesexistiert. - Übersetzung:
- Benutzer: „Sag mir, welche Maschinen Windows haben und den Port 445 offen haben".
- KI (intern):
SELECT ip FROM hosts JOIN services ON hosts.id=services.host_id WHERE os LIKE '%Windows%' AND port=445;
- Antwort: Die KI erhält das JSON der Datenbank und antwortet uns in natürlicher Sprache.
C. Der „Intentions-Router“
Sección titulada «C. El “Router” de Intenciones»Ein kleiner vorgeschalteter Klassifikator entscheidet, welches Subsystem aktiviert wird:
- Fragen wir nach Theorie? -> Wir werden RAG (PDFs) aktivieren.
- Fragen wir nach Zielen/aktuellem Status? -> Wir werden SQL (DB) aktivieren.
- Fragen wir gemischt? -> Wir werden beide aktivieren.
3. PERSONAlISIERTE AGENTEN (DIE SPEZIALISTEN)
Sección titulada «3. AGENTES PERSONALIZADOS (LOS ESPECIALISTAS)»Wir werden es ermöglichen, in JSON gespeicherte „Systemprofile“ zu erstellen.
Beispiel: Profil „SQLi-Inquisitor“
{ "name": "SQL Injection Specialist", "model_preference": "cloud_gemini_pro", "temperature": 0.2, "system_prompt": "Eres un experto en explotación de bases de datos. Tu conocimiento se basa ESTRICTAMENTE en los manuales RED_TEAM_OPS proporcionados. Ignora cualquier vulnerabilidad que no sea SQLi. Si el usuario pregunta por XSS, responde brevemente y redirige a SQLi. Prioriza técnicas de evasión de WAF.", "access_scope": ["docs_folder_sqli", "db_table_vulnerabilities"]}4. DATENPERSISTENZ (NEUE TABELLEN)
Sección titulada «4. PERSISTENCIA DE DATOS (NUEVAS TABLAS)»Wir müssen unsere SQLite-Datenbank (nmap_intel.db) erweitern, um diese fortgeschrittene Logik zu unterstützen.
-- Tabla para gestionar las sesiones de chatCREATE TABLE ai_conversations ( id TEXT PRIMARY KEY, -- UUID title TEXT, -- Generado por la IA o manual agent_profile TEXT, -- 'general', 'sqli_expert', etc. model_used TEXT, -- 'local_llama3', 'cloud_gemini' is_favorite BOOLEAN DEFAULT 0, -- ⭐ La Estrellita is_permanent BOOLEAN DEFAULT 0, -- 🔒 El Candado (Toggle) created_at DATETIME DEFAULT CURRENT_TIMESTAMP, last_updated DATETIME);
-- Tabla para los mensajes individualesCREATE TABLE ai_messages ( id INTEGER PRIMARY KEY AUTOINCREMENT, conversation_id TEXT, role TEXT, -- 'user', 'assistant', 'system' content TEXT, -- El texto del mensaje context_sources TEXT, -- JSON: Qué PDFs o Tablas se usaron para esta respuesta FOREIGN KEY(conversation_id) REFERENCES ai_conversations(id) ON DELETE CASCADE);
-- Tabla para configuración globalCREATE TABLE ai_config ( key TEXT PRIMARY KEY, value TEXT -- Ej: 'retention_days' = '30');5. WORKFLOW (ANWENDUNGSBEISPIEL)
Sección titulada «5. FLUJO DE TRABAJO (EJEMPLO DE USO)»- Der Operator (Wir): Wir treten in „Specialist AI“ ein. Wir wählen den Agenten „Recon Master“ aus. Wir aktivieren das Modell „Gemini Flash“.
- Die Frage: Wir werden schreiben: „Wir analysieren die aktuellen Ziele. Sehen wir ein Muster, das auf einen alten Entwicklungsserver hindeutet? Wir werden unsere Antwort auf das OPSEC-Handbuch stützen.“
- Der Prozess (Backend):
- Der Router erkennt die Notwendigkeit von DB (um die Ziele zu sehen) und DOCS (für das OPSEC-Handbuch).
- Wir werden
SELECT * FROM services WHERE version LIKE '%dev%' OR version LIKE '%beta%'ausführen. - Wir werden nach Vektoren in
PROTOCOLO_OMEGA_OPSEC.mdsuchen. - Wir senden alles an Gemini Flash.
- Die Antwort:
- „Wir haben den Host 192.168.1.55 erkannt, der ‚Apache Tomcat 7.0-beta‘ ausführt. Gemäß dem ‚Omega Opsec-Protokoll‘ (S. 3) verfügen Beta-Server häufig über Standardanmeldedaten und ein ausführliches Logging. Wir empfehlen einen sofortigen Brute-Force-Angriff.“
- Verwaltung: Uns wird die Antwort gefallen. Wir werden ihr den Stern ⭐ geben und das Schloss 🔒 aktivieren, damit dieser Fund niemals gelöscht wird.

