PRAVAL
PRAVAL es un framework agentic de IA auto-hospitable que automatiza el ciclo de vida completo de evaluación de vulnerabilidades empresariales en 10 fases secuenciales con encadenamiento progresivo de contexto.
Ficha actualizada 25 sept 2026, 3:48 · upstream 25 sept 2026, 3:41 · release sin release detectada
Qué es PRAVAL
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
PRAVAL (Progressive Recursive Agentic Vulnerability Assessment Lifecycle) es un framework de inteligencia artificial agentic diseñado para ejecutar evaluaciones de vulnerabilidad empresarial como diez fases secuenciales vinculadas por contexto, en lugar de herramientas desconectadas. Su mecanismo distintivo es el encadenamiento progresivo de contexto: cada fase recibe un resumen estructurado de todo lo encontrado en las fases anteriores —crítica de activos, CVEs descubiertos, exposición de credenciales, ítems de remediación diferidos— como contexto explícito para su razonamiento, permitiendo que las fases posteriores construyan sobre hallazgos previos en lugar de empezar desde cero.
La arquitectura consta de un frontend React 19 + Vite 6 que renderiza la consola de 10 fases sin credenciales API, y un backend Node.js 22 + Express 5 que actúa como proxy hacia Anthropic API. La clave API se inyecta en el contenedor al inicio del task desde AWS Secrets Manager y solo es leída por el proceso Express. El despliegue recomendado es AWS ECS Fargate en subred privada con ALB interna.
El framework está alineado con estándares como NIST SP 800-115, CVSS v4.0, CISA KEV catalog, y soporta alcance de cumplimiento PCI-DSS, HIPAA, SOC 2, ISO 27001, NIST CSF como contexto de primera clase a partir de la Fase 2.
- Automatización del ciclo completo de evaluación de vulnerabilidades en infraestructuras empresariales sin necesidad de integrar múltiples herramientas desconectadas
- Priorización de riesgos mediante combinación de crítica de activos, puntuación CVSS y factor de inteligencia de amenazas (CISA KEV)
- Diseño de controles compensatorios contextualizados que consideran hallazgos de remediación diferidos de fases anteriores
- Generación de informes de cumplimiento alineados con estándares PCI-DSS, HIPAA, SOC 2, ISO 27001 y NIST CSF
- Monitoreo continuo programado integrado en el ciclo de vida de evaluación
- Encadenamiento progresivo de contexto entre las 10 fases que permite decisiones informadas basadas en hallazgos acumulativos
- Modelo de seguridad con proxy backend único que nunca expone credenciales API al frontend del navegador
- Integración con ContextGuard (MCP middleware zero-trust) para validar llamadas LLM contra política y permitirlistas
- Alineación explícita con NIST SP 800-115, CVSS v4.0 y CISA KEV catalog en fases específicas del ciclo
- Coste de API estimado de $0.165 para ejecución completa de 10 fases con claude-sonnet-4-20250514
- Hallazgos generados por LLM son sintéticos; no hay integración nativa con Tenable.io o Qualys Cloud API (mejora planificada)
- Arquitectura de agente único secuencial; diseño multi-agente con orquestador es trabajo futuro
- Identificadores CVE, puntuaciones CVSS y rangos de versión deben validarse contra NVD antes de uso operativo por riesgo de alucinación
- Despliegue recomendado requiere AWS ECS Fargate (~$90-110/mes) o equivalente en infraestructura cloud
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Requiere ANTHROPIC_API_KEY configurado. Desplegar con docker compose -f docker-compose.dev.yml up --build (localhost:5173 frontend, :3000 backend) o ejecutar sin Docker usando npm en server/client. Para producción: AWS ECS Fargate en subred privada, ALB interna, VPC interface endpoints para ECR/Secrets Manager/CloudWatch. Ver deployment/DEPLOYMENT.md para guía completa de AWS/Azure/GCP.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.