Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com11. August 2026 · Q011225

Reverse-Skill: The Cybersecurity Learning Router That Teaches You to Think Like an Attacker

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht stellt „reverse-skill“ als System vor, das KI-Agenten Cybersicherheitsaufgaben passenden Skills und Untersuchungsabläufen zuordnen soll. Er nennt 41 Routing-Regeln, 163 Testfälle und 42 Module, liefert aber keine unabhängigen Belege zur Routing-Genauigkeit oder zur tatsächlichen Verbesserung von Analysen.

Mittel

Der Artikel beschreibt „reverse-skill“ als Routing-System für KI-gestützte Cybersicherheitsarbeit. Seine Hauptthese: Agenten kennen möglicherweise Werkzeuge wie JADX, Frida oder Burp Suite, wählen aber nicht immer den passenden Untersuchungsweg. Das Projekt soll Aufgaben zunächst einordnen und dann an einen passenden Ablauf und Skill weiterleiten, etwa für Android-Apps, Binärdateien, Malware, CTFs, Firmware, APIs oder LLM-Sicherheit.

Laut Bericht umfasst das Repository 41 Routing-Regeln, 163 Regressionstestfälle und 42 Skill-Module. Genannt werden Tests für die Skill-Zuordnung sowie Prüfungen zur Routing-Konsistenz, Lieferkette, allgemeinen Funktionsfähigkeit und Indexpflege. Das System sei für mehrere KI-Clients ausgelegt; als Voraussetzungen nennt der Artikel Java/JDK, Node.js 22.12 oder neuer und Python 3. Der Autor sieht den besonderen Wert darin, die Frage „Welcher Arbeitsablauf passt?“ ausdrücklich zu behandeln, statt nur Befehle bereitzustellen.

Die Angaben zu Umfang und Prüfungen werden im Beitrag nicht unabhängig belegt. Messwerte zur Routing-Genauigkeit oder ein Vergleich mit anderen Methoden fehlen; die beschriebenen Tests belegen daher nicht, dass spätere Analysen zuverlässig oder besser werden.

Ausführlich lesen

Der Bericht stellt das Open-Source-Projekt „reverse-skill“ als Vermittlungsschicht für KI-gestützte Cybersicherheitsarbeit vor. Seine zentrale These lautet: KI-Agenten kennen zwar oft einzelne Werkzeuge, wählen aber nicht zuverlässig den passenden Untersuchungsweg. Bei einer Android-App könne etwa Java-, nativer oder JavaScript-Code relevant sein; manchmal sei Laufzeitbeobachtung mit Frida oder das Mitschneiden und Wiederholen einer Anfrage geeigneter. Entscheidend sei deshalb zuerst die Einordnung des Problems, nicht die Ausgabe eines vertrauten Befehls.

Laut Bericht ordnet „reverse-skill“ Aufgaben über Regeln und eine zentrale Routing-Ebene passenden Szenario-Modulen zu. Der beschriebene Ablauf führt von der Aufgabenstellung über Routing und Fallinitialisierung zu einer spezialisierten Methode und Werkzeugen; anschließend sollen Belege gesammelt, Befunde abgeleitet und Berichte erstellt werden. Als Beispiele nennt der Text Android- und iOS-Analysen, Reverse Engineering von Binärdateien und JavaScript, Malware, Penetrationstests, CTFs, Firmware und IoT, API- und GraphQL-Sicherheit, Lieferkettensicherheit sowie LLM-Sicherheit. Verschiedene Problemtypen sollen damit jeweils einen eigenen Arbeitsablauf erhalten.

Als Umfang des Projekts nennt der Artikel 41 Routing-Regeln, 163 Regressionstestfälle und 42 erfasste Skill-Module. Die Tests sollen prüfen, ob eine Aufgabenbeschreibung dem vorgesehenen primären Skill zugeordnet wird. Zusätzlich beschreibt der Bericht Prüfungen zur Konsistenz der Routing-Struktur, eine Lieferketten-Prüfschranke, einen Smoke-Test und eine Kontrolle auf Abweichungen im Index. Der Autor bewertet solche Prüfungen als Merkmal eines technischen Systems, das über eine lose Sammlung von Prompts hinausgeht. Für die Installation nennt der Text Java beziehungsweise JDK, Node.js ab Version 22.12 und Python 3; als unterstützte KI-Clients führt er unter anderem Claude Code, Codex, Cursor und OpenCode an. Die clientspezifische Konfiguration sei optional.

Der Artikel hebt besonders hervor, dass die Auswahl von Werkzeugen und Methoden explizit organisiert wird: Das System soll etwa nicht nur wissen, dass JADX oder Frida existieren, sondern anhand des Falls entscheiden, wann sie passen. Für CTFs, Malware und IoT betont der Text, dass jeweils andere Untersuchungsansätze nötig seien. Als Einstieg empfiehlt der Autor, das Repository und seine Regeln, Routing-Dokumente und Szenario-Module zu lesen und anschließend die Routing-Tests auszuführen.

Die Grenzen der Aussagekraft bleiben im Bericht sichtbar: Die Zahlen zu Regeln, Fällen und Modulen werden als Projektumfang genannt, aber nicht unabhängig überprüft. Der Text liefert keine gemessenen Ergebnisse dazu, wie oft das Routing korrekt ist, ob es die Analyse verbessert oder wie es sich gegenüber anderen Ansätzen schlägt. Die Regressionstests prüfen laut Beschreibung die Skill-Auswahl anhand von Fällen; sie belegen für sich allein nicht die Qualität nachfolgender Sicherheitsanalysen. Der Beitrag ist somit eine erklärende und überwiegend positive Vorstellung des Projekts, kein unabhängiger Wirksamkeitsvergleich.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas Zusammenfassung liegt in zwei Fassungen vor (kurz und mittel) und wurde gemeinsam bewertet, da das Schema nur ein Ergebnis vorsieht; beide geben den Bericht ohne erfundene Angaben wieder. Die Einordnung stützt sich ausschließlich auf den Berichtstext.

Im Bericht, aber nicht in der Zusammenfassung

  • Die im Artikel beschriebene Ablaufkette von RULES.md über MASTER-ROUTING, Fallinitialisierung, Scenario-Skill und Evidenz bis zu Findings und Report wird nicht erwähnt.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV 48 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 42 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
  2. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 46 %einzelne zitierbare Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 34 %einzelne zitierbare Belege
    • JEV 36 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 30 %einzelne zitierbare Belege
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 31 %gleiches Oberthema, hilft nicht
    • Luna 57 %Hintergrund, keine Belege
    • JEV 40 %einzelne zitierbare Belege
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 47 %Hintergrund, keine Belege
    • JEV 45 %einzelne zitierbare Belege
    • amos 28 %nur am Rande erwähnt
    • SubQ 42 %gleiches Oberthema, hilft nicht
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege
Modelle teilen und schützen
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 48 %einzelne zitierbare Belege
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →