🧠 PROYECTO OMEGA: MÓDULO "SPECIALIST AI" (Centro de Inteligencia Táctica)
La interfaz se sitúa estratégicamente entre "Herramientas" y "Documentación". Nos dividiremos en tres paneles de alta densidad de información.
Visión Estratégica: Implementaremos una Inteligencia Artificial Híbrida (Local/Nube) integrada profundamente en la plataforma. No es un simple chatbot; es un Analista de Ciberseguridad Sintético con acceso de lectura en tiempo real a la infraestructura (Base de Datos) y acceso doctrinal a la biblioteca de conocimiento (PDFs).
1. ARQUITECTURA VISUAL (EL COCKPIT)
Sección titulada «1. ARQUITECTURA VISUAL (EL COCKPIT)»La interfaz se sitúa estratégicamente entre “Herramientas” y “Documentación”. Nos dividiremos en tres paneles de alta densidad de información.
🟢 PANEL IZQUIERDO: MEMORIA OPERATIVA (History & Retention)
Sección titulada «🟢 PANEL IZQUIERDO: MEMORIA OPERATIVA (History & Retention)»Este panel gestionaremos el conocimiento pasado.
- Listado de Sesiones: Tarjetas compactas con Título, Fecha y Modelo usado.
- Sistema de Clasificación Táctica:
- ⭐ Favoritos (Priority Intel): Botón de estrella. Fijaremos la conversación en la cima. Útil para investigaciones activas.
- 🔒 Persistencia (Permanent Lock): Un Toggle Switch (Interruptor) en cada chat.
- Estado ON: El chat se blindará. Ignoraremos las reglas de borrado automático.
- Estado OFF: El chat será efímero.
- Configuración de Retención (Data Lifecycle):
- Slider o Input numérico: “Autodestruir chats no blindados después de: [ 7 ] días”.
- Botón “Purgar Ahora”: Limpieza manual de caché.
⚫ PANEL CENTRAL: SALA DE GUERRA (The Chat Interface)
Sección titulada «⚫ PANEL CENTRAL: SALA DE GUERRA (The Chat Interface)»El área de interacción principal. Estilo “Terminal Moderna” (Colores oscuros, fuentes monoespaciadas para código).
- Output Area (Stream):
- Renderizado Markdown completo (Tablas, Listas, Bloques de Código con botón de copia).
- Citas de Fuentes: Cuando la IA usa un documento, aparecerá una pequeña etiqueta clicable:
[Ref: MANUAL_3.2_BLIND_SQLI.pdf, pág 4]. - Evidencia de Datos: Cuando consultemos la BBDD, mostraremos la query SQL generada en un desplegable colapsado:
[▶ Ver Query SQL].
- Input Area (Command Line):
- Prompt de texto multilínea.
- Botón “Adjuntar Contexto Actual” (Subiremos el estado actual del escaneo activo).
- Selector de Motor (Bottom-Right):
- Un menú desplegable discreto pero vital en la esquina inferior derecha.
- Opciones:
🔒 LOCAL: OMEGA BRAIN (Llama-3 / Mistral)-> Sin coste, privacidad total, lento.☁️ ONLINE: GOOGLE GEMINI 1.5 FLASH-> Velocidad extrema, razonamiento medio.🧠 ONLINE: GOOGLE GEMINI 1.5 PRO-> Razonamiento complejo, mayor latencia.
🔵 PANEL DERECHO: CONFIGURACIÓN DEL AGENTE (Mission Profile)
Sección titulada «🔵 PANEL DERECHO: CONFIGURACIÓN DEL AGENTE (Mission Profile)»Aquí definiremos QUIÉN nos está respondiendo.
- Selector de Agente (Persona):
- Predeterminado: “Generalista Red Team”.
- Personalizado 1: “Dr. SQL Injection” (Prompt enfocado 100% en nuestros manuales de SQLi).
- Personalizado 2: “Analista de Infraestructura” (Enfocado en Nmap y Servicios).
- Indicadores de Conexión (Status):
📚 Docs Indexados: 14 PDFs(Estado del Vector Store).🗄️ DB Connection: ACTIVE(Estado del Text-to-SQL).
2. ARQUITECTURA COGNITIVA (EL CEREBRO RAG)
Sección titulada «2. ARQUITECTURA COGNITIVA (EL CEREBRO RAG)»Para que la IA sea útil, debemos “conectar los puntos” entre la teoría (PDFs) y la realidad (BBDD).
A. Subsistema Documental (RAG Vectorial)
Sección titulada «A. Subsistema Documental (RAG Vectorial)»La IA no “lee” los PDFs cada vez. Utilizaremos una base de datos vectorial (ChromaDB).
- Ingesta: Al subir un PDF a
/docs, dividiremos el sistema en “chunks” (fragmentos) de 500 caracteres. - Embedding: Convertiremos texto a vectores numéricos.
- Recuperación: Cuando preguntamos “¿Cómo hacemos un ataque OOB?”, el sistema buscará vectores matemáticamente similares en los manuales y se los pasará a la IA como contexto oculto.
B. Subsistema de Infraestructura (Text-to-SQL)
Sección titulada «B. Subsistema de Infraestructura (Text-to-SQL)»La IA tiene permiso de lectura sobre nmap_intel.db.
- Schema Awareness: La IA conoce que existe una tabla
hostscon columnasip,os, yservices. - Traducción:
- Usuario: “Dime qué máquinas tienen Windows y el puerto 445 abierto”.
- IA (Interno):
SELECT ip FROM hosts JOIN services ON hosts.id=services.host_id WHERE os LIKE '%Windows%' AND port=445;
- Respuesta: La IA recibe el JSON de la BBDD y nos responde en lenguaje natural.
C. El “Router” de Intenciones
Sección titulada «C. El “Router” de Intenciones»Un pequeño clasificador previo decidirá qué subsistema activar:
- ¿Preguntamos sobre teoría? -> Activaremos RAG (PDFs).
- ¿Preguntamos sobre objetivos/estado actual? -> Activaremos SQL (DB).
- ¿Preguntamos mixta? -> Activaremos Ambos.
3. AGENTES PERSONALIZADOS (LOS ESPECIALISTAS)
Sección titulada «3. AGENTES PERSONALIZADOS (LOS ESPECIALISTAS)»Permitiremos crear “Perfiles de Sistema” guardados en JSON.
Ejemplo: Perfil “Inquisidor SQLi”
{ "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. PERSISTENCIA DE DATOS (NUEVAS TABLAS)
Sección titulada «4. PERSISTENCIA DE DATOS (NUEVAS TABLAS)»Necesitamos expandir nuestra base de datos SQLite (nmap_intel.db) para soportar esta lógica avanzada.
-- 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. FLUJO DE TRABAJO (EJEMPLO DE USO)
Sección titulada «5. FLUJO DE TRABAJO (EJEMPLO DE USO)»- El Operador (Nosotros): Entraremos a “Specialist AI”. Seleccionaremos el agente “Recon Master”. Activaremos el modelo “Gemini Flash”.
- La Pregunta: Escribiremos: “Analizamos los objetivos actuales. ¿Vemos algún patrón que sugiera un servidor de desarrollo antiguo? Basaremos nuestra respuesta en el Manual de OPSEC.”
- El Proceso (Backend):
- El Router detectará necesidad de DB (para ver los objetivos) y DOCS (para el manual OPSEC).
- Ejecutaremos
SELECT * FROM services WHERE version LIKE '%dev%' OR version LIKE '%beta%'. - Buscaremos vectores en
PROTOCOLO_OMEGA_OPSEC.md. - Enviaremos todo a Gemini Flash.
- La Respuesta:
- “Hemos detectado el host 192.168.1.55 ejecutando ‘Apache Tomcat 7.0-beta’. Según el ‘Protocolo Omega Opsec’ (Pág 3), los servidores beta suelen tener credenciales por defecto y logging verboso. Recomendamos ataque de fuerza bruta inmediato.”
- Gestión: Nos gustará la respuesta. Le daremos a la Estrellita ⭐ y activaremos el Candado 🔒 para que este hallazgo no se borre nunca.

