Обзор

** AdaptixC2 MCP Server** позволяет агентам LLM взаимодействовать и автоматизировать операции с фреймворком AdaptixC2 через протокол MCP.

Это позволяет искусственному интеллекту управлять красными командами, автоматизировать задачи после эксплуатации и управлять выполнением инструментов в среде C2.

###Установка и настройка

Python 3.11+ и менеджер пакетов uv требуются.

1. Клонировать хранилище:

2.Создать изолированную виртуальную среду и установить зависимости:

3. Настройка параметров соединения: Скопируйте шаблон конфигурации и отредактируйте его с вашими данными (IP, порт, учетные данные C2, конечная точка):

##Подключение к LLM

Добавьте параметры запуска сервера в конфигурацию клиента MCP. Пример: Gemini CLI

Создайте конфигурационный файл:

** Пример конфигурации для Gemini CLI:**

)️ Интеграция BOF (необязательно)

Сервер поддерживает BOF. Для активации этой функции требуются дополнительные шаги настройки как на Teamserver, так и на стороне MCP.

###1 Построить и установить Extension-Kit Клонировать и компилировать модули из официального хранилища Extension-Kit:

###2 Настройка профиля.

AdaptixC2 MCP Server

---

✨ Overview

AdaptixC2 MCP Server enables LLM agents to interact with and automate operations with the AdaptixC2 framework via the MCP protocol.

It allows AI-driven red teaming, automation of post-exploitation tasks, and controlled tool execution within a C2 environment.

---

🚀 Installation and Setup

Python 3.11+ and the uv package manager (curl -LsSf https://astral.sh/uv/install.sh | sh) are required.

1. Clone the repository:

git clone https://github.com/Faceless0x7/AdaptixC2-MCP-Server
cd AdaptixC2-MCP-Server

2. Create an isolated virtual environment and install dependencies:

uv venv
source .venv/bin/activate
uv pip install -r requirements.txt

3. Configure connection parameters: Copy the configuration template and edit it with your details (IP, port, C2 credentials, endpoint):

cp .env.example .env

---

🤖 Connecting to LLMs

Add the server startup parameters to your MCP client configuration.

Example: Gemini CLI

Create the configuration file:

mkdir -p .gemini
nano .gemini/settings.json

Example configuration for Gemini CLI:

{
  "mcpServers": {
    "adaptixc2": {
      "command": "uv",
      "args": [
        "--directory",
        "/home/kali/Desktop/AdaptixC2-MCP-Server",
        "run",
        "server.py"
      ]
    }
  }
}

---

🛡️ BOF Integration (Optional)

The server supports BOFs. To activate this functionality, additional setup steps are required on both the Teamserver and the MCP side.

1. Build and Install Extension-Kit

Clone and compile the modules from the official Extension-Kit repository:

git clone https://github.com/Adaptix-Framework/Extension-Kit
cd Extension-Kit
make

2. Configure profile.yaml in AdaptixC2

In the profile.yaml configuration file of your AdaptixC2 Teamserver, you must specify the path to the compiled file from the first step (it is important to use an absolute path):

axscripts:
  - "/full/path/to/Extension-Kit/extension-kit.axs"

For more details about the main C2 server: AdaptixC2 Documentation

3. Restricting AI Access via bofs.yaml

To minimize risk and avoid excessive tool exposure, the server enforces a strict default-deny allowlist for BOF modules.

Edit the bofs.yaml file in the root directory of AdaptixC2 MCP Server. You must explicitly list which commands the AI is allowed to leverage:

# Example: Granting access only to two required BOFs in AD
AD-BOF:
  - dcsync single
  - adwssearch

# Or allowing the entire category
ADCS-BOF: all 

Rules: