SSD Nodes Learn Hosting plans →
تعلیمی Matt Connorتحریر: Matt Connor · اپ ڈیٹ شدہ 2026-10-24

VPS پر open-kritt کو محفوظ طریقے سے self-host کریں

VPS پر open-kritt چلانے کا عملی طریقہ: Docker Compose سے setup، release pin کریں، port 5173 کی UI کے لیے SSH tunnel بنائیں، اور پہلے scan سے پہلے provider budget مقرر کریں۔

VPS پر self-host open-kritt کیوں چلائیں، اپنے laptop پر کیوں نہیں

open-kritt کو ایسے server پر self-host کریں جسے آپ ختم کرکے دوبارہ بنا سکیں۔ یہ tool اپنے analysis agents کو disposable job containers کے اندر root کے طور پر چلاتا ہے، ہر agent کو آپ کے code کی writable copy اور براہِ راست internet access دیتا ہے، اور host کا Docker socket اپنی engine service میں mount کرتا ہے۔ کسی job کے لیے مخصوص server پر یہ ایک قابلِ قبول سمجھوتا ہے۔ لیکن اس machine پر یہ خطرناک ہے جہاں آپ کی SSH keys موجود ہوں۔

Default setup کی چار خصوصیات اس مشورے کی بنیاد ہیں، اور یہ چاروں project کی اپنی README اور compose file سے آتی ہیں۔

Agents کو طاقتور ہونا ضروری سمجھا گیا ہے۔ README کے مطابق tool-enabled agents disposable job containers کے اندر root کے طور پر چلتے ہیں۔ انہیں repository کی writable copies اور براہِ راست internet access حاصل ہوتا ہے، تاکہ وہ tools install کر سکیں، targets compile کر سکیں، tests چلا سکیں، اور proof of concept تیار کر سکیں۔ Scan صرف files پڑھنے والا linter نہیں ہے۔ یہ arbitrary code execution ہے جس کی آپ نے درخواست کی ہے۔ Internet access دونوں سمتوں میں خطرہ پیدا کرتا ہے: target پر تحقیق کے دوران agent جو کچھ fetch کرتا ہے، وہ untrusted text کے طور پر اس کے prompt میں شامل ہو جاتا ہے۔ یہی exposure اس وقت بھی ہوتا ہے جب آپ agent کو اس کی اپنی web search استعمال کرنے دیتے ہیں۔

Engine کے پاس Docker socket ہوتا ہے۔ docker-compose.yml host کا Docker socket engine service میں mount کرتا ہے، کیونکہ engine ہر job کے لیے ایک scan container بناتا اور چلاتا ہے۔ جو بھی process اس socket تک پہنچ سکتا ہے، وہ ایسا container شروع کر سکتا ہے جو host filesystem کو mount کرے۔ اس لیے جو host اسے چلا رہا ہو، اس پر engine عملاً root کے اختیارات رکھتا ہے۔

Login screen موجود نہیں ہے۔ Backend میں application authentication شامل نہیں ہے۔ Port تک رسائی آپ کے findings اور provider credit تک رسائی کے برابر ہے۔

جس code کو آپ scan کرتے ہیں، وہ اکثر آپ کا اپنا نہیں ہوتا۔ Agents کو third-party repository کی طرف بھیجنے کا مطلب ہے کہ اس repository کا build آپ کی machine پر root کے طور پر اور network access کے ساتھ چلایا جائے۔

اگر آپ نے coding agents کو disposable VM میں رکھنے کی وجہ پڑھ لی ہے، تو یہ وہی threat model ہے، لیکن زیادہ شدید صورت میں۔ open-kritt کے لیے ایسا VPS مختص کریں جس پر کوئی اور چیز نہ چل رہی ہو، اور اس VPS کو root کے بجائے الگ least-privilege user account سے operate کریں۔

open-kritt دراصل کیا کرتا ہے

open-kritt (اس کا repository Kritt-ai/open-kritt ہے اور یہ AGPL-3.0 کے تحت licensed ہے) vulnerability research کو چھوٹے tasks میں تقسیم کرتا ہے، ان tasks کو متعدد AI agents پر parallel چلاتا ہے، پھر واپس آنے والے نتائج سے duplicate entries ختم کر کے انہیں rank کرتا ہے۔ آپ focused prompts کی chain کے طور پر workflow define کرتے ہیں، اور ہر step کو اس سے پہلے والے steps سے structured context ملتا ہے۔ Scan target remote یا local git repository ہوتا ہے۔ Analysis engine Codex یا Claude Code ہوتا ہے۔ جب کوئی candidate سامنے آتا ہے تو optional post-scripts اسے validate کرنے یا proof of concept بنانے کی کوشش کر سکتے ہیں۔ اس chain کو design کرنا security work کے بجائے عام agent work ہے۔ اس لیے اگر prompts، tools اور context passing اب بھی آپ کے لیے نئے ہیں تو agents کیسے بنائے جاتے ہیں یہ سیکھنا اس guide کی کسی بھی setting کے مقابلے میں آپ کے results کو زیادہ بہتر بنائے گا۔

آخر میں آپ کو candidates کی ranked list ملتی ہے۔ اسے report نہیں بلکہ triage queue سمجھیں۔

شروع کرنے سے پہلے درکار چیزیں

  • Ubuntu 24.04، Debian 12 یا Rocky Linux 9 چلانے والا VPS۔ انسٹالیشن دستاویزات x86_64 اور ARM64 پر ان distributions کو tested distributions کے طور پر درج کرتی ہیں۔
  • Compose plugin کے ساتھ Docker Engine۔
  • Host پر Node.js 20 یا اس کے بعد کا ورژن، کیونکہ ./kritt CLI container کے اندر نہیں بلکہ host پر چلتا ہے۔
  • ایک model provider: Codex login، یا OPENAI_API_KEY، CODEX_API_KEY، ANTHROPIC_API_KEY یا OPENROUTER_API_KEY۔
  • GITHUB_TOKEN صرف اس صورت میں درکار ہے جب آپ private repositories کو scan کرنے کا ارادہ رکھتے ہوں۔ فراہم کردہ .env.example میں یہ بات واضح طور پر درج ہے: صرف GitHub token سے scans نہیں چلائے جا سکتے۔

پہلے Docker اور Node 20 انسٹال کریں

curl -fsSL https://get.docker.com | sudo sh
sudo usermod -aG docker $USER

نئی group membership لاگو کرنے کے لیے log out کرکے دوبارہ log in کریں، پھر تصدیق کریں کہ Compose plugin موجود ہے۔

docker compose version

Version string ظاہر ہونے کا مطلب ہے کہ Compose بطور plugin انسٹال ہے۔ docker: 'compose' is not a docker command کا مطلب ہے کہ اس کے بجائے پرانا standalone docker-compose binary موجود ہے، اور open-kritt docker compose کو call کرتا ہے۔ docker group کی membership host پر root کے مساوی ہے، اس لیے اس میں صرف وہ account شامل کریں جو open-kritt چلاتا ہے۔ اس setup کے تفصیلی طریقے کے لیے VPS پر Docker چلانا دیکھیں۔

Ubuntu 24.04 اپنی repository میں Node 18 فراہم کرتا ہے، جبکہ CLI، 20 سے کم کسی بھی version پر exit ہو جاتی ہے۔ Node 20 خود بھی اب end of life ہو چکا ہے اور اسے مزید updates نہیں ملتیں، اس لیے NodeSource سے Node 22 انسٹال کریں۔ یہ وہی 20-or-newer check پورا کرتا ہے۔

curl -fsSL https://deb.nodesource.com/setup_22.x | sudo -E bash -
sudo apt install -y nodejs
node -v

یہاں node -v کو v22. دکھانا چاہیے، اور v20. سے کم کوئی بھی version CLI مسترد کر دے گی۔ Rocky Linux 9 پر اس کے مساوی command sudo dnf module enable nodejs:22 -y ہے، جس کے بعد sudo dnf install -y nodejs چلائیں۔

open-kritt کو clone کریں اور tagged release کو pin کریں

git clone https://github.com/Kritt-ai/open-kritt
cd open-kritt
git fetch --tags
git tag --list
git checkout v1.4.1

main آپ کے زیر انتظام تبدیل ہوتا رہتا ہے۔ Tag تبدیل نہیں ہوتا۔ 12 October 2026 تک تازہ ترین tag v1.4.1 ہے، جو 16 August 2026 کو شائع ہوا تھا، اور git tag --list clone کے دن موجود repository کی حالت دکھاتا ہے۔ v1.4.0 (12 August 2026) نے sizing کے تحت بیان کردہ memory-aware runner admission شامل کیا، جبکہ v1.4.1 نے وہ bug درست کیا جس میں ranker صارف کی فراہم کردہ ranking rules کو نظر انداز کرتا تھا۔ کسی tag کو checkout کرنے سے repository detached HEAD state میں چلی جاتی ہے۔ یہاں یہ درست ہے، کیونکہ آپ اس clone کو pinned deployment کے طور پر استعمال کر رہے ہیں، ایسی branch کے طور پر نہیں جس میں آپ commit کریں گے۔ بعد میں upgrade کرنے کے لیے release notes پڑھیں، پھر git fetch --tags چلائیں، نیا tag checkout کریں، اور دوبارہ ./kritt start چلائیں، کیونکہ start images کو دوبارہ build کرتا ہے۔

sudo کے ساتھ ./kritt نہ چلائیں۔ دستاویزات میں اس بارے میں واضح ہدایت موجود ہے۔ CLI، .data/ کے تحت project-local credential directories manage کرتا ہے۔ اس لیے root کے طور پر چلانے سے یہ directories root کی ملکیت بن جاتی ہیں، اور اگلا عام run ان میں write نہیں کر سکتا۔

./kritt setup کے ذریعے model access configure کریں

./kritt setup

یہ command موجود نہ ہونے کی صورت میں .env.example سے .env بناتی ہے، ہر credential کی status دکھاتی ہے، اور آپ کو انہیں set یا unset کرنے دیتی ہے۔ یہ values کبھی terminal پر واپس ظاہر نہیں کرتی۔ .env اور engine credential file دونوں mode 0600 کے ساتھ لکھی جاتی ہیں۔

اگر آپ یہ کام دستی طور پر کرنا چاہیں:

cp .env.example .env
chmod 600 .env
mkdir -p .data/codex
chmod 700 .data/codex

اس کے بعد provider key کو .env میں درج کریں اور file کو 0600 پر رکھیں۔ دونوں طریقوں میں provider credential اس server پر موجود رہتی ہے، اس لیے یہ ایک اور وجہ ہے کہ اس machine پر کوئی دوسری چیز نہیں رکھنی چاہیے۔ صرف اسی project کے لیے ایک key بنائیں، تاکہ بعد میں اسے revoke کرنے سے آپ کی ضروری چیزیں متاثر نہ ہوں۔ secrets کو AI agents کی پہنچ سے دور رکھنا میں اس وسیع تر طریقۂ کار کی وضاحت ہے۔

پہلے scan سے پہلے provider کی spending cap مقرر کریں

open-kritt کو متعدد کام بیک وقت چلانے کے لیے بنایا گیا ہے، اور اسی کے لیے آپ کو ادائیگی کرنی پڑتی ہے۔ v1.4.1 میں .env.example کی default values محتاط رکھی گئی ہیں: ENGINE_WORKER_COUNT=2، جسے file میں ایک چھوٹی 2-vCPU machine کے لیے محتاط default بتایا گیا ہے، اور ENGINE_MAX_CONCURRENT_SCANS=1۔ ان کے علاوہ ENGINE_WORKERS_PER_ACCOUNT=15 ہے، جو ایک provider account پر بیک وقت چلنے والی root model calls کی زیادہ سے زیادہ تعداد ہے، اور ENGINE_CODEX_MAX_SUBAGENTS_PER_SESSION=5 بھی ہے، کیونکہ Codex session زیادہ سے زیادہ پانچ child agents چلا سکتا ہے۔ بڑے VPS پر worker count بڑھانے سے بیک وقت جاری model calls کی تعداد بھی بڑھ جاتی ہے۔

repository میں آپ کے خرچ کی کوئی cap مقرر نہیں ہے۔ .env.example میں budget setting موجود نہیں۔ engine کی اپنی stop conditions worker limits اور ENGINE_HARNESS_TIMEOUT_SECONDS ہیں، جو ہر harness run کے لیے default طور پر 7200 seconds ہے۔ یہاں harness سے مراد وہ loop ہے جو tools اور context کے ساتھ model کو اس وقت تک call کرتا رہتا ہے جب تک run ختم نہ ہو جائے۔ اس لیے یہ timeout model کے گرد لپٹے ہوئے program کے wall-clock وقت پر لاگو ہوتا ہے، نہ کہ اس کے اندر model کے خرچ کی حد پر۔ چنانچہ spending ceiling provider کے console میں مقرر کرنی ہوگی۔ provider console کھولیں اور پہلے scan سے پہلے hard monthly limit مقرر کریں، بعد میں نہیں۔ VPS پر AI agent کے خرچ کو کنٹرول کرنا ہر provider کی settings کا طریقہ بیان کرتا ہے۔

مقامی سطح پر بھی ایک brake موجود ہے۔ ENGINE_WORKER_COUNT=0 مقرر کرنے سے نئے jobs اٹھانا رک جاتا ہے، اور stack چلنے کے بعد Settings screen میں یہی worker values تبدیل کی جا سکتی ہیں۔

یہ guide ہر scan کی قیمت نہیں بتاتی، کیونکہ cost repository کے سائز، آپ کے بنائے ہوئے workflow اور اس کے پیچھے موجود model پر منحصر ہوتی ہے۔ پہلے ایک چھوٹی repository پر ایک scan چلائیں، پھر اسے کسی بڑی repository پر چلانے سے پہلے provider کا usage page دیکھیں۔

اسٹیک شروع کریں اور اس کی صحت کی جانچ کریں

./kritt start

یہ .env اور کم از کم ایک credential کی جانچ کرتا ہے، پھر docker compose up --build چلاتا ہے۔ پہلی build سست ہوتی ہے، کیونکہ یہ frontend، backend، engine، executor view اور database images بناتی ہے۔ یہ foreground میں بھی چلتی ہے، اس لیے SSH session بند کرنے سے stack رک جاتا ہے۔ اسے tmux کے اندر شروع کریں، یا پہلی build کامیاب ہونے کے بعد اسے detached mode میں شروع کریں۔ ان دونوں طریقوں سے reboot کے بعد stack خودکار طور پر بحال نہیں ہوتا۔ اگر box restart ہونے کے بعد stack دوبارہ شروع کرنا ہو تو reboots کے دوران self-hosted agent کو چلتا رکھنا میں دیا گیا systemd unit pattern براہ راست استعمال کیا جا سکتا ہے۔

docker compose up -d --build
docker compose ps

docker compose ps میں open-kritt-frontend، open-kritt-backend، open-kritt-engine، open-kritt-executor-view اور open-kritt-db دکھائی دینے چاہییں۔ پھر جانچیں کہ backend خود server پر جواب دے رہا ہے۔

curl -s http://127.0.0.1:3002/api/health

JSON response کا مطلب ہے کہ backend چل رہا ہے۔ Failed to connect to 127.0.0.1 port 3002: Connection refused کا مطلب ہے کہ backend دستیاب نہیں، اور docker compose logs backend وجہ بتائے گا۔ repository directory سے docker compose down کے ذریعے سب کچھ روک دیں۔

ایک اختیاری اضافی قدم: docker compose exec backend npm run seed demo data load کرتا ہے۔ اس سے کسی حقیقی scan پر رقم خرچ کرنے سے پہلے interface دیکھنے کا آسان طریقہ مل جاتا ہے۔

SSH tunnel کے ذریعے port 5173 پر UI تک رسائی حاصل کریں

compose file میں ہر service بطورِ default 127.0.0.1 پر bind ہوتی ہے: frontend 5173 پر، backend 3002 پر، executor view 8090 پر، اور Postgres 5432 پر۔ ان bindings کو تبدیل نہ کریں۔ اپنی machine سے SSH کے ذریعے port forward کریں۔

ssh -N -L 5173:127.0.0.1:5173 you@your-server-ip

جب یہ command چل رہی ہو تو اپنے local browser میں http://localhost:5173 کھولیں۔ -N کا مطلب ہے کہ connection صرف forward لے کر جائے گی اور shell نہیں کھولے گی۔ جب executor view بھی درکار ہو تو اسی command میں دوسرا -L 8090:127.0.0.1:8090 شامل کریں۔

FRONTEND_BIND_ADDRESS=0.0.0.0 مقرر کرنے اور tunnel سے گریز کرنے کا خیال آ سکتا ہے۔ ایسا نہ کریں۔ backend میں login screen نہیں ہے، اس لیے جو بھی اس page تک پہنچ سکتا ہے وہ scans شروع کر سکتا ہے اور آپ کا provider credit خرچ کر سکتا ہے۔ اس کے برعکس، Vaultwarden کو internet-facing استعمال کے لیے بنایا گیا ہے، اور اسے harden کرنا اب بھی admin token اور backup file تک محدود ہے؛ open-kritt میں یہ controls موجود نہیں ہیں۔ اس میں ایک اور مسئلہ بھی ہے: published container port پر ufw کی default policy لاگو ہونے سے پہلے کارروائی ہو جاتی ہے، اس لیے ufw deny 5173 rule درست دکھائی دیتا ہے لیکن کچھ block نہیں کرتا۔ وہ Docker ports جو ufw کو bypass کرتے ہیں اس rule chain کو بیان کرتا ہے جس کی وجہ سے ایسا ہوتا ہے۔

VPS کا حجم مقرر کرنا

ENGINE_MIN_FREE_STORAGE_GB کی default قدر 20 ہے، اور جب free storage اس سے کم ہو جائے تو engine ہر job کے لیے نیا scan container شروع کرنے سے انکار کرتا ہے۔ Built images، checkout cache، Postgres data اور job workspaces سب ایک ہی disk پر محفوظ ہوتے ہیں، اس لیے 20 GB VPS پر scan کبھی شروع نہیں ہوتا۔ 40 GB کو کم از کم حد سمجھیں، اور اگر آپ بڑے repositories scan کرتے ہیں تو اس سے زیادہ storage دیں۔ اس server پر storage زیادہ استعمال کرنے والی دوسری service چلا کر جگہ بچانے کی کوشش نہ کریں، کیونکہ PhotoPrism اور Immich کے اس تقابلی جائزے میں ناپی گئی RAM اور disk کی کم از کم ضروریات دکھاتی ہیں کہ media library scan کے لیے درکار headroom کتنی تیزی سے ختم کر دیتی ہے۔ یہی بات ان اضافی services پر بھی لاگو ہوتی ہے جو scanner کے مقابلے میں معمولی دکھائی دیتی ہیں: ایک browser front end جو Jellyfin library کو 90s کے rental store جیسا بنا دے پھر بھی اپنے پیچھے مکمل media server اور اس کے transcodes کے لیے disk استعمال کرتا ہے، اس لیے اسے الگ host پر چلائیں۔

Memory کا حساب سادہ ہے، اور اس کے متعلق settings v1.4.0 میں شامل کی گئی تھیں، اس لیے یہ اوپر pinned tag پر لاگو ہوتی ہیں، لیکن پرانے tags پر نہیں۔ ENGINE_MEMORY_RESERVE_GB=2 engine، database، API اور مختصر مدتی overhead کے لیے memory مختص رکھتا ہے۔ اس کے بعد ہر scan runner کے لیے ENGINE_SCAN_RUNNER_MEMORY_RESERVATION_MB=1536 کی soft reservation اور ENGINE_SCAN_RUNNER_MEMORY_MB=1536 کی hard cap ہوتی ہے۔ اس لیے دو workers کو کسی دوسری service کے چلنے سے پہلے تقریباً 5 GB درکار ہوتی ہے۔ Engine صرف اتنے runners شروع کرتا ہے جو باقی budget میں سما سکیں۔ اس لیے چھوٹے server پر scans fail ہونے کے بجائے queue میں چلے جاتے ہیں۔ یہ out-of-memory killer سے کہیں بہتر failure mode ہے۔ یہی حساب اس tool کے لیے بھی کم از کم حد متعین کرتا ہے جو ہر work unit کے لیے اپنا container بناتا ہے۔ اسی وجہ سے OpenBot کا ہر AI coworker کے لیے ایک container اور browser CPU کی حد تک پہنچنے سے بہت پہلے RAM کی حد سے ٹکرا جاتا ہے۔

دو prune settings کی default قدر true ہے: ENGINE_AUTO_PRUNE_DOCKER_BUILD_CACHE اور ENGINE_AUTO_PRUNE_UNUSED_DOCKER_IMAGES۔ Task مکمل ہونے کے بعد engine غیر استعمال شدہ build cache، غیر استعمال شدہ images اور stopped scan containers حذف کر دیتا ہے۔ کسی بھی container کے زیر استعمال images، service containers، bind mounts، database data، credentials اور volumes محفوظ رہتے ہیں۔ Host کو share نہ کرنے کی یہ ایک اور وجہ ہے: ایک ایسا pruner چل رہا ہوتا ہے جسے آپ نے configure نہیں کیا، اور وہ اسی Docker daemon پر کارروائی کر رہا ہوتا ہے۔

وہ engine settings جنہیں زیادہ تر لوگ آخرکار تبدیل کرتے ہیں
  • ENGINE_WORKER_COUNT: scan steps اور post-processing کے درمیان مشترک total worker slots۔ نئے jobs لینا روکنے کے لیے اسے 0 پر set کریں۔
  • ENGINE_MAX_CONCURRENT_SCANS: بیک وقت کتنے scans شروع کیے جا سکتے ہیں۔ Queued scans اس وقت تک انتظار کرتے ہیں جب تک active pool خالی نہ ہو جائے۔
  • ENGINE_MAX_WORKERS_PER_SCAN: 0 aggregate slots کو scans کے درمیان برابر تقسیم کرتا ہے۔
  • ENGINE_HARNESS_TIMEOUT_SECONDS: default طور پر 7200۔ یہ وہ زیادہ سے زیادہ مدت ہے جس تک ایک runaway job چل سکتا ہے۔ Engine 60 سے 86400 تک کی values قبول کرتا ہے، اور اس range سے باہر کی ہر value، بشمول 0، 7200 پر واپس آ جاتی ہے۔
  • ENGINE_MIN_FREE_STORAGE_GB: storage floor۔ ENGINE_IGNORE_LOW_STORAGE=true safeguard کو disable کرتا ہے، اور file خبردار کرتی ہے کہ اس سے host disk بھر سکتی ہے۔
  • ENGINE_SCAN_RUNNER_MEMORY_MB: ہر runner کے لیے hard memory cap۔ 0 cap ختم کر دیتا ہے۔
  • ENGINE_SCAN_RUNNER_MEMORY_RESERVATION_MB: ہر runner کے لیے soft reservation جسے admission count کرتا ہے۔ اسے کم کرنے سے idle memory overcommit ہو جاتی ہے، جبکہ hard cap memory spikes کو پھر بھی محدود رکھتی ہے۔

مقامی repository کو باہر افشا کیے بغیر scan کرنا

LOCAL_REPOS_PATH کی default قدر ./local_repos ہے، اور اسے backend اور engine containers میں read-only bind mount کیا جاتا ہے۔ اس لیے host پر اس folder میں رکھا گیا repository فوراً containers کے اندر دکھائی دیتا ہے۔ تازہ clone استعمال کریں، اپنا working tree نہیں۔ job container کو writable copy، اپنے اندر root اکاؤنٹ، اور outbound internet access حاصل ہوتا ہے۔ اس کا مطلب ہے کہ اس copy میں موجود کوئی بھی چیز تبدیل کی جا سکتی ہے یا server سے باہر بھیجی جا سکتی ہے۔ project copy کرنے سے پہلے .env files اور private keys نکال دیں۔

آپ کو کیا ملتا ہے، اور کیا نہیں ملتا

آپ کو درجہ بند ممکنہ findings ملتی ہیں۔ آپ کو verified vulnerabilities نہیں ملتیں۔ Ranking اور de-duplication آپ کی triage queue کی ترتیب طے کرتے ہیں۔ یہ ثابت نہیں کرتے کہ کوئی entry حقیقی ہے۔ Post-scripts validation کی کوشش کر سکتے ہیں اور proof of concept تیار کر سکتے ہیں۔ یہ tool کی جانب سے دستیاب سب سے مضبوط signal ہے۔ لیکن ناکام ہونے والا post-script اس بات کا ثبوت نہیں کہ finding غلط ہے۔ پھر بھی ہر ممکنہ finding کو کوئی شخص پڑھتا ہے۔ ممکنہ finding اور proof کے درمیان یہی فرق ہے کہ ایسے evidence کے لیے agent سے کہنا جسے آپ خود دوبارہ چلا سکیں یہاں مفید ہے۔ جس finding کو آپ حسب ضرورت reproduce کر سکتے ہیں، وہ ایسی ranked finding سے زیادہ قابلِ اعتماد ہے جسے آپ کو صرف اعتماد کی بنیاد پر قبول کرنا پڑے۔

یہ guide اس بارے میں کوئی دعویٰ نہیں کرتی کہ open-kritt کتنے حقیقی bugs تلاش کرتا ہے، کیونکہ ہم نے اس کی پیمائش نہیں کی۔ جو شخص آپ کے codebase کے لیے detection rate بیان کرتا ہے، اس نے اسے آپ کے codebase پر نہیں چلایا۔ پہلے کسی ایسے repository کو scan کریں جسے آپ اچھی طرح جانتے ہوں۔ جن findings کا فیصلہ آپ خود کر سکتے ہیں، وہ دستیاب سب سے کم خرچ calibration ہیں۔

یہاں authorization کی اہمیت زیادہ تر self-hosted tools کے مقابلے میں زیادہ ہے۔ Agents code compile اور execute کرتے ہیں اور network تک رسائی حاصل کرتے ہیں، اس لیے proof-of-concept step live systems کو متاثر کر سکتا ہے۔ اسے ایسے code کی طرف متوجہ کریں جو آپ کی ملکیت ہو یا جس کی testing کا contractual اختیار آپ کے پاس ہو، اور کچھ بھی چلانے سے پہلے target scope تحریری طور پر درج کریں۔ اگر آپ ANTHROPIC_API_KEY configure کرتے ہیں اور Claude Code engine استعمال کرتے ہیں تو VPS پر Claude Code محفوظ طریقے سے چلانے کی sandboxing عادات ان agents پر بھی لاگو ہوتی ہیں۔

FAQ

open-kritt کو اپنا VPS کیوں درکار ہے؟

کیونکہ اس کے analysis agents عارضی job containers کے اندر root کے طور پر چلتے ہیں، جہاں آپ کے code کی writable copies اور براہِ راست internet access موجود ہوتا ہے۔ اس کے علاوہ engine service host کا Docker socket mount کرتی ہے تاکہ ہر job کے لیے ایک container شروع کر سکے۔ جو بھی process اس socket تک پہنچ سکتا ہے، وہ ایسا container شروع کر سکتا ہے جو host filesystem کو mount کرے۔ اس لیے پورے stack کو اپنے host پر root کے برابر سمجھنا چاہیے۔ Dedicated VPS پر یہ قابلِ قبول سمجھوتا ہے، اور box کو دوبارہ بنانا آپ کے لیے کوئی لاگت نہیں رکھتا۔ روزمرہ کے workstation پر اس سے آپ کی SSH keys اور browser profiles اسی trust boundary میں آ جاتی ہیں جس میں وہ code شامل ہوتا ہے جسے آپ scan کر رہے ہیں۔

کیا SSH tunnel استعمال کرنے کے بجائے port 5173 expose کیا جا سکتا ہے؟

ایسا نہیں کرنا چاہیے۔ Backend application authentication کے بغیر release ہوتا ہے، اس لیے internet اور آپ کے scan findings اور provider credit کے درمیان صرف یہی port رکاوٹ رہ جاتا ہے۔ اسی وجہ سے compose file ہر service کو 127.0.0.1 پر bind کرتی ہے۔ اس کے بجائے ssh -N -L 5173:127.0.0.1:5173 you@your-server-ip چلائیں اور مقامی طور پر http://localhost:5173 کھولیں۔ ufw rule اس کا متبادل نہیں ہے، کیونکہ published Docker port کو ufw کی default policy لاگو ہونے سے پہلے handle کیا جاتا ہے۔

open-kritt کو میری مقررہ حد سے زیادہ خرچ کرنے سے کیسے روکا جا سکتا ہے؟

پہلے scan سے قبل اپنے model provider کے console میں hard limit مقرر کریں، کیونکہ open-kritt میں اپنی budget setting موجود نہیں ہے۔ ابتدائی چند runs کے لیے release کے ساتھ آنے والی concurrency defaults، ENGINE_WORKER_COUNT=2 اور ENGINE_MAX_CONCURRENT_SCANS=1، برقرار رکھیں۔ یہ بھی یاد رکھیں کہ ایک provider account پہلے سے زیادہ سے زیادہ 15 concurrent root model calls کی اجازت دیتا ہے، جبکہ ایک Codex session زیادہ سے زیادہ پانچ child agents چلا سکتی ہے۔ ENGINE_WORKER_COUNT=0 نئی jobs کو اٹھانا روک دیتا ہے اور مقامی طور پر سب سے تیز stop ہے۔

مجھے کون سا version checkout کرنا چاہیے؟

Tag، main نہیں۔ git fetch --tags کے بعد git tag --list چلانے سے دستیاب tags دکھائی دیتے ہیں۔ v1.4.1، جو 16 August 2026 کو شائع ہوا، 12 October 2026 تک جدید ترین version ہے۔ Pinning سے کئی ماہ بعد rebuild کرنے پر وہی stack دوبارہ تیار ہوتا ہے۔ اس سے upgrade ایک ایسا فیصلہ بنتا ہے جو آپ release notes پڑھنے کے بعد کرتے ہیں، نہ کہ مختلف دن clone کرنے کا ضمنی نتیجہ۔

Scan کبھی شروع نہیں ہوتا۔ مجھے کیا جانچنا چاہیے؟

سب سے پہلے خالی disk space دیکھیں، کیونکہ جب free storage ENGINE_MIN_FREE_STORAGE_GB سے کم ہو تو engine ہر job کے لیے scan container شروع نہیں کرتا۔ اس کی default قدر 20 GB ہے۔ پھر جانچیں کہ ENGINE_WORKER_COUNT، 0 نہ ہو، کیونکہ یہ قدر نئی jobs کو اٹھانا روک دیتی ہے۔ اس کے بعد تصدیق کریں کہ model credential واقعی configured ہے۔ اس کے لیے ./kritt setup چلائیں، کیونکہ صرف GITHUB_TOKEN موجود ہونے سے scans نہیں چل سکتے۔ docker compose logs engine اس وجہ کا نام دیتا ہے کہ job کیوں skip کی گئی۔

کیا یہ مضمون مفید تھا؟