🧠 PROGETTO OMEGA: MODULO "SPECIALIST AI" (Centro di Intelligence Tattica)
L'interfaccia si situa strategicamente tra "Strumenti" e "Documentazione". Ci divideremo in tre pannelli di alta densità di informazione.
Visione Strategica: Implementeremo un'Intelligenza Artificiale Ibrida (Locale/Cloud) integrata profondamente nella piattaforma. Non è un semplice chatbot; è un Analista di Cybersecurity Sintetico con accesso in lettura in tempo reale all'infrastruttura (Database) e accesso dottrinale alla libreria di conoscenza (PDF).
1. ARCHITETTURA VISIVA (IL COCKPIT)
Sección titulada «1. ARQUITECTURA VISUAL (EL COCKPIT)»L'interfaccia si colloca strategicamente tra "Strumenti" e "Documentazione". Ci divideremo in tre pannelli ad alta densità di informazioni.
🟢 PANNELLO SINISTRO: MEMORIA OPERATIVA (History & Retention)
Sección titulada «🟢 PANEL IZQUIERDO: MEMORIA OPERATIVA (History & Retention)»In questo pannello gestiremo la conoscenza passata.
- Elenco Sessioni: Schede compatte con Titolo, Data e Modello utilizzato.
- Sistema di Classificazione Tattica:
- ⭐ Preferiti (Priority Intel): Pulsante a stella. Fisseremo la conversazione in alto. Utile per indagini attive.
- 🔒 Persistenza (Permanent Lock): Un Toggle Switch (Interruttore) in ogni chat.
- Stato ON: La chat sarà blindata. Ignoreremo le regole di cancellazione automatica.
- Stato OFF: La chat sarà effimera.
- Configurazione di Retenzione (Data Lifecycle):
- Slider o Input numerico: “Autodistruggi le chat non blindate dopo: [ 7 ] giorni”.
- Pulsante “Purger Ora”: Pulizia manuale della cache.
⚫ PANNELLO CENTRALE: WAR ROOM (The Chat Interface)
Sección titulada «⚫ PANEL CENTRAL: SALA DE GUERRA (The Chat Interface)»L'area di interazione principale. Stile “Terminale Moderna” (Colori scuri, font monospaziati per il codice).
- Area di Output (Stream):
- Rendering Markdown completo (Tabelle, Liste, Blocchi di codice con pulsante di copia).
- Citazione delle Fonti: Quando l'IA utilizza un documento, apparirà una piccola etichetta cliccabile:
[Ref: MANUAL_3.2_BLIND_SQLI.pdf, pág 4]. - Evidenza dei Dati: Quando interrogheremo il DB, mostreremo la query SQL generata in un menu a discesa compresso:
[▶ Ver Query SQL].
- Area di Input (Command Line):
- Prompt di testo multilinea.
- Pulsante “Allega Contesto Attuale” (Caricheremo lo stato attuale della scansione attiva).
- Selettore di Motore (Bottom-Right):
- Un menu a discesa discreto ma vitale nell'angolo in basso a destra.
- Opzioni:
🔒 LOCAL: OMEGA BRAIN (Llama-3 / Mistral)-> Senza costi, privacy totale, lento.☁️ ONLINE: GOOGLE GEMINI 1.5 FLASH-> Velocità estrema, ragionamento medio.🧠 ONLINE: GOOGLE GEMINI 1.5 PRO-> Ragionamento complesso, maggiore latenza.
🔵 PANNELLO DESTRO: CONFIGURAZIONE DELL'AGENTE (Mission Profile)
Sección titulada «🔵 PANEL DERECHO: CONFIGURACIÓN DEL AGENTE (Mission Profile)»Qui definiremo CHI ci sta rispondendo.
- Selettore di Agente (Persona):
- Predefinito: “Generalista Red Team”.
- Personalizzato 1: “Dr. SQL Injection” (Prompt focalizzato al 100% sui nostri manuali di SQLi).
- Personalizzato 2: “Analista di Infrastruttura” (Focalizzato su Nmap e Servizi).
- Indicatori di Connessione (Status):
📚 Docs Indexados: 14 PDFs(Stato del Vector Store).🗄️ DB Connection: ACTIVE(Stato del Text-to-SQL).
2. ARCHITETTURA COGNITIVA (IL CERVELLO RAG)
Sección titulada «2. ARQUITECTURA COGNITIVA (EL CEREBRO RAG)»Perché l'IA sia utile, dobbiamo “connettere i punti” tra la teoria (PDF) e la realtà (DB).
A. Subsistema Documentale (RAG Vettoriale)
Sección titulada «A. Subsistema Documental (RAG Vectorial)»L'IA non “legge” i PDF ogni volta. Utilizzeremo un database vettoriale (ChromaDB).
- Ingestione: Caricando un PDF su
/docs, divideremo il sistema in “chunk” (frammenti) da 500 caratteri. - Embedding: Convertiremo il testo in vettori numerici.
- Recupero: Quando chiediamo “Come eseguiamo un attacco OOB?”, il sistema cercherà vettori matematicamente simili nei manuali e li passerà all'IA come contesto nascosto.
B. Subsistema di Infrastruttura (Text-to-SQL)
Sección titulada «B. Subsistema de Infraestructura (Text-to-SQL)»L'IA ha il permesso di lettura su nmap_intel.db.
- Consapevolezza dello schema: L'IA sa che esiste una tabella
hostscon le colonneip,oseservices. - Traduzione:
- Utente: “Dimmi quali macchine hanno Windows e la porta 445 aperta”.
- IA (Interno):
SELECT ip FROM hosts JOIN services ON hosts.id=services.host_id WHERE os LIKE '%Windows%' AND port=445;
- Risposta: L'IA riceve il JSON dal DB e ci risponde in linguaggio naturale.
C. Il “Router” delle Intenzioni
Sección titulada «C. El “Router” de Intenciones»Un piccolo classificatore preventivo deciderà quale sottosistema attivare:
- Chiediamo della teoria? -> Attiveremo RAG (PDF).
- Chiediamo degli obiettivi/stato attuale? -> Attiveremo SQL (DB).
- Chiediamo un mix? -> Attiveremo entrambi.
3. AGENTI PERSONALIZZATI (GLI SPECIALISTI)
Sección titulada «3. AGENTES PERSONALIZADOS (LOS ESPECIALISTAS)»Permetteremo di creare “Profili di Sistema” salvati in JSON.
Esempio: Profilo “Inquisitore 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. PERSISTENZA DEI DATI (NUOVE TABELLE)
Sección titulada «4. PERSISTENCIA DE DATOS (NUEVAS TABLAS)»Dobbiamo espandere il nostro database SQLite (nmap_intel.db) per supportare questa logica avanzata.
-- 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 (ESEMPIO D'USO)
Sección titulada «5. FLUJO DE TRABAJO (EJEMPLO DE USO)»- L'Operatore (Noi): Entreremo in “Specialist AI”. Selezioneremo l'agente “Recon Master”. Attiveremo il modello “Gemini Flash”.
- La Domanda: Scriveremo: “Analizziamo gli obiettivi attuali. Vediamo qualche pattern che suggerisca un vecchio server di sviluppo? Baseremo la nostra risposta sul Manuale OPSEC.”
- Il Processo (Backend):
- Il router rileverà la necessità di DB (per vedere gli obiettivi) e DOCS (per il manuale OPSEC).
- Eseguiremo
SELECT * FROM services WHERE version LIKE '%dev%' OR version LIKE '%beta%'. - Cercheremo vettori in
PROTOCOLO_OMEGA_OPSEC.md. - Invieremo tutto a Gemini Flash.
- La Risposta:
- “Abbiamo rilevato l'host 192.168.1.55 che esegue 'Apache Tomcat 7.0-beta'. Secondo il 'Protocolo Omega Opsec' (Pag 3), i server beta di solito hanno credenziali predefinite e logging verboso. Raccomandiamo un attacco di forza bruta immediato.”
- Gestione: Ci piacerà la risposta. Daremo alla Stellina ⭐ e attiveremo il Lucchetto 🔒 affinché questa scoperta non venga mai cancellata.

