静态安全扫描器,用于AI代理技能包。在运行前检测恶意的SKILL.md文件和捆绑脚本。
如果 SkillsGuard 保护了你的流水线,请考虑支持正在进行的研究和新的检测规则。
ETH 捐赠钱包
0x11282eE5726B3370c8B480e321b3B2aA13686582
扫描二维码或复制上方的钱包地址。
面向 AI 智能体技能包的静态安全扫描器。 在恶意 SKILL.md 文件及捆绑脚本运行之前将其检测出来。
# Scan any SKILL.md with a single curl — no account, no key
curl -s --data-binary @SKILL.md \
https://skillsguard.apiskillsguard.workers.dev/scan | jq .
注意: SkillsGuard 目前尚未发布到 npm registry。请通过克隆源码并构建的方式进行安装。
# 1. Clone, install, build, and link
git clone https://github.com/Teycir/SkillsGuard.git
cd SkillsGuard
npm install
npm run build
npm link
# 2. Scan any skill directory or file
skillsguard /path/to/skill
就是这样。SkillsGuard 会将带颜色标记的发现结果输出到终端(或使用 --json 供 CI 使用)。
退出码 0 = 无问题 · 1 = 有发现 · 2 = 用法错误。
想让 Claude 在你的 agent 工作流中自动调用扫描器?请参阅 本地工作流 → 路径 B 了解完整的 skill + MCP 配置。
flowchart TD
A([Folder, file, or Git diff target]) --> B[Load config\nskillsguard.config.json]
B --> C[File discovery\nFilter JS, PY, PS1, Docker, Ruby...]
C --> D{For each file}
D --> E[Raw text scan\nApply 100+ rules]
D --> F[decode.ts\nExtract encoded blobs]
F --> G[Recursive decode\nbase64, hex, URL]
G --> H[Scan decoded content]
E & H --> I{Findings?}
I -->|no| J([✅ Clean — exit 0])
I -->|yes| K[Deduplicate findings]
K --> L[Compute Risk Score\n0 - 100]
L --> M{Output mode}
M -->|CLI| N[ANSI colored report]
M -->|--json| O[JSON output]
M -->|--sarif| P[SARIF output]
M -->|MCP| Q[MCP response]
N & O & P & Q --> R{Risk > max-risk?}
R -->|yes| S([❌ Exit 1])
R -->|no| J
style A fill:#0d1117,stroke:#00ff88,color:#c3f5dc
style J fill:#0d1117,stroke:#00ff88,color:#00ff88
style S fill:#0d1117,stroke:#ff4444,color:#ff8888
style G fill:#0d1117,stroke:#f0a500,color:#f0c060
style K fill:#0d1117,stroke:#00ff88,color:#c3f5dc
关键洞察: SkillsGuard 在扫描之前先解码混淆载荷,因此经过 base64 包装的反向 shell 无法蒙混过关。每个发现都会去重——每条规则对每个文件的每一行最多触发一次。
2026 年,智能体技能安全领域迅速拥挤起来——NVIDIA、Cisco、Snyk 和 Mondoo 都针对这一确切问题发布了扫描器。在选择工具(包括本工具)之前,了解这一领域是值得的。
| 工具 | 支持方 | 需要账户/令牌 | 核心扫描需要 LLM 调用 | 检测方式 | 显著额外功能 |
|---|---|---|---|---|---|
| SkillsGuard | 独立,MIT | 否 | 否 | 静态正则,解码优先(递归 base64/hex/URL/Unicode 解包) | Pre-commit 钩子 + git-diff 模式;免费 curl API |
| NVIDIA SkillSpector | NVIDIA,Apache 2.0 | 否 | 否(可选,用于语义阶段) | 静态 + 可选 LLM 语义扫描 | 实时 OSV.dev 依赖 CVE 查询 |
| Cisco AI Defense Skill Scanner | Cisco | 否 | 否(可选,用于语义阶段) | 多引擎:静态 + 行为数据流 + LLM 语义 + 云 | 内置 GitHub Actions 工作流 |
| Snyk Agent Scan(原 mcp-scan) | Snyk,商业 | 是 — 需要 SNYK_TOKEN | 是 — 确定性规则 + LLM 判定器组合 | 跨 Claude/Cursor/Windsurf/Gemini CLI + MCP 服务器自动发现 | 为 Vercel 的安装时技能扫描提供支持 |
| SkillScan | 独立 | 否 | 仅用于 predict 模式(可选) | YAML 规则引擎 + 可选 LLM 行为试运行 + 可选 Docker 沙箱 | 通过 LLM 角色扮演检测时间/延迟激活 |
| Mondoo Skill Check | Mondoo,商业 | 否(免费层,非商业) | 公开文档中不明确 | 静态,映射到 OWASP LLM Top 10 | 托管仪表板 + REST API |
最重要的一条主线: SkillsGuard 是此表中唯一一个运行完整扫描只需 Node ≥18.3 的工具——无需账户、无需 API 令牌、无需 LLM 端点、无需网络调用。其他所有积极维护的竞品要么需要注册服务(Snyk),要么建议配置 LLM 提供方以获得完整覆盖(NVIDIA、Cisco、SkillScan)。这使得 SkillsGuard 成为 CI 门控或 pre-commit 钩子的最简单选择——它们必须每次都以相同方式离线运行——而当你想要语义/意图级审查且不介意额外依赖时,LLM 增强工具则是更好的选择。
它们并不互斥。一种常见的合理配置是:将 SkillsGuard(或任何零依赖的静态工具)作为快速的确定性 CI/pre-commit 关卡,再搭配一个 LLM 增强型扫描器,在信任一个真正全新或高权限的技能之前进行更深入的一次性审查。
SkillSpector 是架构上最相似的项目——同样以“安装前扫描”为理念,同样提供 SARIF/JSON 输出,并有一项已发表的实证研究作为支撑(扫描了 42,447 个技能,发现 26.1% 存在漏洞)。
| SkillsGuard | NVIDIA SkillSpector | |
|---|---|---|
| 运行时依赖 | 无——Node ≥18.3,零 npm 依赖 | Python ≥3.12 |
| 检测方式 | 静态正则,先解码 | 静态 + 可选的 LLM 语义分析 |
| 规则数量 | 151 条规则 / 15 个类别 | 64 个模式 / 16 个类别 |
| 依赖 CVE 查询 | 否 | 是——实时 OSV.dev 查询 |
| 安装 | npm link 或通过免费托管 curl API 零安装 | pip install / git clone |
| Pre-commit 钩子 | 是——install-hook,带基线工作流 | 不属于文档化工作流的一部分 |
| Git diff / 暂存文件模式 | 是——--diff、--staged | 不属于文档化工作流的一部分 |
| SARIF 输出 | 是 | 是 |
| MCP 服务器 | 是——scan_skill、scan_skills_dir、可教学的 SKILL.md | 不适用(基于 LangGraph 的流水线) |
| 成熟度(截至本文撰写时) | v1.2.0 | v2.0.0,5.5k+ GitHub stars,已发表论文 |
客观评价: SkillSpector 背后有更多的研究支撑,并且有一个 LLM 语义阶段,能够捕捉正则无法发现的意图层面问题——例如,一个技能声称格式化代码,但暗地里还会读取 ~/.ssh。如果这层额外的推理对你来说比保持零依赖更重要,那它是一个强有力的选择。值得用两者扫描同一个技能并比较发现结果,而不是盲目地只选一个。
AI 智能体技能包(SKILL.md + 捆绑脚本)是一个全新且基本未经审计的攻击面。一个恶意技能可以:
SkillsGuard 静态扫描技能目录——无需执行,无需沙箱——在 AI 智能体读取文件之前就捕获这些模式。它还会解码混淆的数据块(base64、十六进制、URL 编码,递归进行),因此双重编码的载荷无法隐藏。
零运行时依赖。可在任何有 Node ≥ 18.3 的环境中运行。