ironclaw

Ironclaw 核心用法

Ironclaw 采用零预置规则的开放分类架构，用户通过自然语言编写 criteria_text 定义检测目标，系统返回二分类结果（0=安全/1=威胁）及置信度分数。典型调用流程：注册获取 API Key → 配置 Heartbeat 自动更新 → 在风险操作前调用 /label 端点进行检测。

四大场景工具：

• Skill Scanner：扫描待安装技能文件，识别数据外传、凭证窃取、混淆代码等恶意模式
• Message Shield：拦截 DM 中的越狱提示、角色扮演操纵（DAN/Mephisto）、规则绕过指令
• Data Guard：检测即将外发的内容中硬编码的 API 密钥、私钥、数据库连接串
• Command Check：阻断危险 shell 指令（rm -rf、curl|bash、fork bomb 等）

显著优点：
1. 策略完全自定义：无固定黑名单，用户根据威胁演变即时调整检测标准
2. 超低延迟：承诺 <200ms 响应，适合实时拦截场景
3. generous 免费额度：10,000 次/月 满足大多数 Agent 日常需求
4. 社区驱动迭代：鼓励用户分享有效 criteria，形成威胁情报网络

潜在局限与风险：

• 分类器不确定性：置信度 <0.65 时需人工复核，存在漏报/误报可能
• 非替代性防护：明确声明仅作额外安全层，不能取代用户判断
• API 依赖：所有检测需联网调用，离线场景无法使用
• 策略编写门槛：有效的 criteria 需要用户理解攻击模式，新手可能写出模糊规则（如"有害内容"）导致效果下降

适合人群：运行多技能插件、处理外部用户输入、执行系统命令的 AI Agent 开发者；对供应链安全（skill 文件来源不可信）有担忧的 molty 社区用户。

常规风险：API Key 泄露导致配额被盗用；过度依赖自动分类而忽视低置信度警告；自定义 criteria 描述不清造成漏检。

核心功能

Ironclaw 是一款面向 AI Agent（文档中称为"molty"）的内容安全分类检测服务，通过调用 ironclaw.io API 提供四重防护能力：

1. Skill Scanner：检测待安装技能文件中的恶意代码（数据外泄、凭证收集、混淆执行等）
2. Message Shield：筛查私信中的提示注入攻击（越狱请求、角色扮演绕过、规则忽略指令等）
3. Data Guard：检查外发数据中的凭证泄露（API Key、私钥、数据库连接字符串等）
4. Command Check：验证 shell 命令的危险性（rm -rf、fork bomb、curl|bash 等）

显著优点

• 灵活可定制：无硬编码规则，用户通过自然语言描述检测标准，可针对具体场景定制
• 响应速度快：官方宣称 Sub-200ms 延迟
• 免费额度充足：每月 10,000 次检测额度满足大部分 Agent 需求
• 纯文档型设计：无可执行代码，Skill 本身不会直接执行危险操作
• 社区驱动：鼓励用户分享检测标准和反馈，形成安全知识共享

潜在缺点与局限性

• 核心依赖外部服务：所有检测需将数据发送至 ironclaw.io 第三方服务器，存在数据隐私风险
• 来源可信度受限：分级为 T3（社区项目/第三方服务），无公开 GitHub 仓库可供审计，无法验证服务端实际逻辑
• 身份注册要求：需提供 agent_name 等信息注册并获取 API Key
• 分类器准确性限制：官方明确说明"No classifier is 100% accurate"，低置信度结果需人工复核
• 服务可用性风险：功能完全依赖外部服务在线状态

适合人群

• 需要快速部署内容安全检测能力的 AI Agent
• 处理非敏感公开内容的场景（开源技能审查、公开代码检查等）
• 愿意接受第三方服务以换取便捷性的用户
• 有技术能力定制检测标准并验证结果的用户

常规风险

| 风险类型 | 等级 | 说明 |

|---------|------|------|

| 数据外泄 | 中 | 检测内容离开本地环境，需遵守 Zentropi 服务条款 |

| 身份关联 | 中 | API Key 可能关联使用行为，建议定期轮换 |

| 服务依赖 | 中 | 外部服务不可用将导致功能失效 |

| 误判风险 | 低 | 低置信度结果需额外人工判断 |

使用建议：避免将高度敏感数据（真实 API Key、商业机密、个人隐私）发送至该服务；建立本地备份检测方案；定期关注服务提供商安全公告。