Anthropic-Cybersecurity：不是安全工具，是 754 个安全专家的脑子

你打开了一个 GitHub 仓库，准备看代码。翻了一圈，一个 .py 文件都没有，一个 .js 也没有。不是藏起来了，是真的没有。

Anthropic-Cybersecurity-Skills 是一个纯 Markdown 加 YAML 组成的仓库。754 个文件，每一个都是一条结构化的安全技能。名字里的 “Anthropic” 让不少人以为这是官方产品，实际上 README 第一屏就写了 Not affiliated with Anthropic PBC。作者 mukul975，一个人，坐下来给 AI Agent 写了一整套安全操作手册。

我第一次翻这个仓库的时候想法很简单：这不就是一个高级版的安全 checklist 吗？花了两小时看它的 skill 结构和五框架映射之后，我改主意了。这件事比表面看起来有意思得多。

说白了这篇文章就想讲明白一件事：为什么 754 个 Markdown 文件能让 AI Agent 从”会搜索的安全实习生”变成”能独立干活的资深分析师”，以及这件事的边界到底在哪。

打动我的几个地方

Anthropic-Cybersecurity-Skills 的核心卖点，读 README 的时候很容易被数字砸晕：754 条技能、26 个安全领域、5 个框架映射、兼容 26 个以上 AI 平台。但这些数字不是重点。真正让它区别于市面上其他安全资源库的，是三个结构设计。

渐进式加载是这套技能库最聪明的工程决策。每条技能的 YAML frontmatter 只有约 30 tokens，AI Agent 可以一次性扫描全部 754 条技能的元数据，找到相关的 10 到 15 条，再完整加载匹配度最高的 2 到 3 条，每条 500 到 2000 tokens。

这个设计解决了 Agent 在垂直领域面临的核心矛盾：知识量太大塞不进上下文窗口，知识太少又不够用。传统做法是把安全手册、合规文档、工具文档一股脑塞给模型，上下文窗口秒炸，Token 费用飞涨，Agent 还容易在信息海里迷路。三层渐进式披露——扫描元数据、筛选候选、完整加载——把这个问题解得很干净。

五框架映射是目前开源技能库里独一份的设计。每条技能同时映射到 MITRE ATT&CK v19.1、NIST CSF 2.0、MITRE ATLAS v5.4、MITRE D3FEND v1.3、NIST AI RMF 1.0 五个行业框架。举个例子：技能 analyzing-network-traffic-of-malware 映射到 ATT&CK T1071、NIST CSF DE.CM、ATLAS AML.T0047、D3FEND D3-NTA、AI RMF MEASURE-2.6。一条恶意流量分析跑完，你的 Agent 不光把活干了，还能直接输出五套合规框架对应的证据链。它把前线打仗的士兵和后方写合规报告的秘书合二为一了，这在企业安全团队里是一个实打实的效率提升点。

结构化执行流是它和传统安全工具库的根本区别。传统安全资源给的是字典、payload、exploit 代码，这些东西告诉 Agent “能做什么”，但没说”什么时候做、先做什么、做完怎么验证”。每条技能的标准结构是四段：When to Use 判断是否适用、Prerequisites 检查前置条件、Workflow 分步执行、Verification 验证结果。Agent 拿到任务后不是随机调用工具，而是遵循一套经过验证的决策流。这套流程编码的是资深分析师的实际操作习惯，不是模型自己生成的摘要。

这三种设计——渐进式加载、五框架映射、结构化决策流——单看都不新鲜。合在一起，而且覆盖了云安全、威胁狩猎、恶意软件分析、数字取证、事件响应等 26 个安全领域，市面上目前找不出第二个同等规模且同等结构化的开源项目。

不过有一件事我必须先说清楚：这些技能不会自己跑。它不是一个你 pip install 之后敲 security-skill analyze 就能用的命令行工具，它是一个知识库，Agent 拿着它去调 Volatility3、Nmap、Splunk 这些真工具的时候，知道该按什么顺序调、调完怎么验证。把技能库当安全工具用的人会失望，把它当 Agent 的知识底座用的人会惊喜。

上手什么感觉

装这个东西不需要编译、不需要配置环境变量、不需要申请 API Key。两种方式：

# 推荐：通过 npx 一键安装
npx skills add mukul975/Anthropic-Cybersecurity-Skills

# 或者直接 clone
git clone https://github.com/mukul975/Anthropic-Cybersecurity-Skills.git
cd Anthropic-Cybersecurity-Skills

装完之后 Claude Code、GitHub Copilot、Cursor、OpenAI Codex CLI、Gemini CLI 等支持 agentskills.io 标准的平台会自动发现这些技能文件。你的 Agent 马上就能在处理安全任务时调用它们。

但有几个事需要提前知道。

• 第一个坑：名字里的 “Anthropic” 容易让人以为装了之后 Claude Code 会原生集成，实际上它和 Anthropic 没有任何关系。在 Claude Code 里的体验和在 Cursor 里没有区别，Agent 读取本地技能文件，不调用任何远程 API。
• 第二个要注意的：技能质量在不同领域之间差异明显。Cloud Security（60 条）、Threat Hunting（55 条）、Threat Intelligence（50 条）这些主流领域的技能内容扎实，Workflow 部分有具体命令和决策分支。但 Deception Technology 只有 2 条技能，Compliance & Governance 只有 5 条。作者自己在 CONTRIBUTING.md 里也标注了这两个领域”最需要帮助”。如果你主要做蜜罐部署和合规审计，目前这个库的覆盖深度不够。
• 第三个：ATT&CK v19 在 2026 年 4 月 28 日发布，把 Defense Evasion（TA0005）拆成了 Stealth 和 Impair Defenses 两个新战术。仓库 main 分支已在 6 月 1 日完成了全量映射更新，但 v1.0.0 release（3 月 11 日发布）的映射仍基于 v18。如果你只用 release 版本，框架映射会滞后一个版本。

什么时候用，什么时候别用

你的团队是否适合引入这个技能库，先看场景速览：

反过来，下面这几种情况装它可能会失望：

• 你只是想跑一个漏洞扫描：直接用 Nessus、OpenVAS 或 Nuclei，技能库不替代扫描器。
• 你还没有 Agent 工作流：先建 Claude Code 或 Cursor 的工作流再装这个。顺序反了，技能库就是硬盘上的几百个 Markdown 文件，发挥不了作用。
• 你的安全团队坚持纯人工流程：这个库的价值前提是”AI Agent 参与安全分析”。如果团队不用 AI 辅助安全工作，装了也是吃灰。
• 你需要的是零日 exploit 或攻击 payload：这是知识库，不含任何攻击代码。去找 Exploit-DB 或 Metasploit。

但这里有个微妙的地方需要说清楚。这个技能库不替代 SAST（Semgrep、CodeQL）、不替代 DAST（Burp Suite、ZAP）、不替代 SIEM（Splunk、Elastic Security）。它替代的是你打开 Google 搜”Volatility3 怎么查 LSASS 进程”、打开 ATT&CK 网站查 T1003 的子技术、然后手动拼一个分析报告的这三十分钟。它把这三十分钟压缩到 Agent 的几秒推理里。

社区靠不靠谱

先用几个关键数字把社区画像钉住：

Bus Factor 等于 1 这件事必须单独拉出来说。这个项目的全部 754 条技能、5 个框架映射、验证脚本，目前由作者一个人维护。虽然提交频率很高（6 月 1 日刚完成 ATT&CK v19.1 的全量映射更新），但一个人的精力和视角终究有上限。如果作者因为任何原因停下来，社区有没有能力接住 754 条技能的持续维护，目前完全看不出来。

好消息是社区认可度在持续爬坡。Hasan Toor（@hasantoxr）在 X 上的评价被 README 引用：“A database of real, organized security skills that any AI agent can plug into and use. Not tutorials. Not blog posts.” 安全研究者 fazal-sec 在 Medium 的长文里说：“This is not a random collection of security scripts. It’s a structured operational knowledge base designed for AI-driven security workflows.” 两个引用都指向同一个判断：这个项目的价值不在内容量，在结构。

另外，项目已被收录到 awesome-agent-skills、awesome-ai-security、awesome-codex-cli 等多个 Awesome List 中，agentskills.io 和 skillsllm.com 上也有独立页面。生态曝光度不低，这对吸引贡献者有直接帮助。

值不值得跟

我对这个项目的核心判断不是”优秀”或”不够好”，而是”它把对的事做了，把难的事留给了你”。

先说对的事。Skills 这个方向本身是对的。2025 到 2026 年 AI Agent 的大规模落地，暴露出一个根本问题：Agent 能写代码、能搜索、能调 API，但在垂直领域缺乏结构化的操作知识。你让它分析一个内存镜像，它知道用 Volatility3，但不知道该先跑哪个插件、跑完怎么关联结果、错误输出怎么理解。Anthropic-Cybersecurity-Skills 填补的就是”通用推理能力”和”专业领域操作流程”之间的鸿沟。754 条技能全部遵循 agentskills.io 开放标准，兼容 26 个以上 AI 平台。维护一套技能，所有 Agent 都能用，这种标准化的思路比每个平台各搞一套封闭生态健康得多。

但它把难的事留给了你。第一个难点：验证。你怎么知道 Agent 按技能执行出来的结果是靠谱的？技能库里的 Verification 部分给了验证方法，但最终执行质量取决于模型本身的推理能力、技能流程的匹配度、输入数据的质量。这三个变量任何一个出问题，输出都可能偏差。第二个难点：定制。如果你的团队有自己的工具链（比如不用 Volatility3 用 Rekall），你得 fork 仓库改 SKILL.md 的 Workflow 部分。754 条技能，要改多少取决于你的工具链和主流方案差多远。这是一个实打实的维护负担。

还有一个我一直在想的问题：技能的保鲜期。ATT&CK v19 发布后，作者花了两个月更新了全部 754 条技能的映射。下一次 ATT&CK 大版本更新、NIST CSF 3.0 发布、新的 AI 威胁框架出现时，这个维护成本是线性的，但维护者只有一个人。如果社区贡献跟不上，技能库的时效性会变成一个越来越大的问题。

趋势上看，这个项目在上升。Stars 增速不错，社区讨论热度在爬坡，多个 Awesome List 收录增加了曝光。但”上升趋势”和”可持续项目”之间的差距，恰好就是一个 Bus Factor 的差距。如果未来 6 个月能出现 3 到 5 个活跃的核心贡献者，我会更愿意说”值得在生产环境依赖它”。在那之前，它是你 Agent 工具箱里一个非常有用的补充，但不是你可以闭着眼依赖的基础设施。

资源地址

说完了，该你了

如果你已经在用 Claude Code 或 Cursor 做安全分析，先装上去，挑 3 到 5 条和你日常工作相关的技能试跑。做 Web 安全的就试 Web Application Security 领域的，做应急响应的就试 Incident Response 和 Digital Forensics。这一步验证的是技能工作流和你的实际流程能不能对上，而不是技能本身好不好看。

如果你还在观望，盯两个指标：核心贡献者数量和技能更新频率。前者决定 Bus Factor 能不能从 1 变成 5，后者决定 ATT&CK v20 发布的时候你团队用的技能是不是已经过期了。这两个问题有明确答案之前，不建议把技能库写进团队的正式工作流。

有个场景我自己觉得挺有意思：这 754 条技能本身，可以作为安全新人培训的操作标准。每条技能的 Workflow 就是一道实操题的标准答案。新人先自己跑一遍，再对照技能的流程看自己漏了什么。一个 7K Stars 的培训材料库，这么想还挺值的。