🦞 AI Agent Skill 安全扫描平台
ClawGuard 是一个面向 AI Agent Skill 生态的安全扫描平台，用于检测用户上传的 Skill 包中的恶意行为。其核心理念是 「用 Skill 检测 Skill」——通过加载安全检测类 Skill 来分析目标 Skill 包，实现可扩展的安全扫描能力。
| 方面 | 价值 |
|---|---|
| 🛡️ 安全防护 | 拦截恶意 Skill，保护用户数据和系统安全 |
| 🌱 生态健康 | 提升 Skill 市场的可信度和用户信任 |
| ✅ 合规要求 | 满足企业对第三方组件的安全审查需求 |
| ⚡ 开发效率 | 自动化扫描替代人工审计，加速发布流程 |
⚠️ 设计讨论阶段本项目目前处于 设计和讨论阶段。我们正在就架构、威胁模型和实施方法收集社区反馈。
- ✅ 完整的设计文档（包含需求分析和系统架构）
- ✅ 基于 352+ 已知恶意样本的威胁建模
- ✅ 覆盖提示词注入、数据外泄、凭据窃取等的安全 Skill 目录
- ✅ CLI、API、CI/CD 和运行时网关集成模式
- 🔲 实现 MVP 版本（v0.1），包含核心安全检测 Skill
- 🔲 构建扫描引擎参考实现
- 🔲 基于 openclaw-malicious-skills 数据集建立检测效果基准
- 🔲 制定社区贡献安全检测 Skill 的指南
| 文档 | 说明 | 状态 |
|---|---|---|
| 设计文档 | 完整需求分析与系统设计 | ✅ v1.0 草案 |
| 威胁模型 | 攻击向量、目标与阶段分析 | ✅ 已包含 |
| 安全 Skill 目录 | 12 个检测 Skill 规划 | ✅ 已设计 |
| 接入指南 | CLI、API、CI/CD、网关集成 | ✅ 已设计 |
阶段1: 包解析 → 阶段2: 元数据检查 → 阶段3: 静态分析 → 阶段4: 语义分析 → 阶段5: 沙箱执行 → 风险报告
- ✅ 提示词注入检测（R1）
- ✅ 数据外泄扫描（R2）
- ✅ 凭据窃取检测（R2）
- ✅ 远程代码执行检测（R3）
- ✅ 名称仿冒检测（R5）
| 代号 | 类别 | 说明 |
|---|---|---|
| R1 | 提示词注入 | Skill 描述中的恶意提示词 |
| R2 | 数据外泄 | 凭据/钱包窃取 |
| R3 | 远程代码执行 | 下载并执行远程恶意载荷 |
| R4 | 供应链攻击 | 依赖投毒、隐写术 |
| R5 | 隐藏行为 | 代码混淆、持久化污染 |
本项目处于设计阶段，欢迎反馈：
- 📖 阅读 设计文档
- 💬 就威胁模型、检测规则、集成模式提出建议
- 📝 分享 AI Agent 安全方面的经验
| 指标 | 目标值 |
|---|---|
| 检出率（已知样本） | >99% |
| 误报率 | <5% |
| 标准模式扫描延迟 | <10s |
| 并发扫描能力 | >100 QPS |
- openclaw-malicious-skills - 352+ 恶意样本库
- GuardDog - PyPI/npm 恶意包检测
- ClawSec - 运行时安全套件（互补）
MIT License - 详见 LICENSE 文件
最后更新: 2026 年 3 月 17 日 | 设计版本: v1.0 草案