核心用法
Tinman 是一款面向 AI 系统的主动式安全研究代理，通过系统化实验发现未知失败模式。主要功能包括：
1. 扫描分析 (/tinman scan)：检查近期会话中的提示注入、工具滥用、上下文泄露等问题，支持按时间范围和失败类型筛选
2. 报告生成 (/tinman report)：生成结构化安全报告，包含证据链和缓解建议
3. 持续监控 (/tinman watch)：后台自动扫描模式，可配置监控间隔
4. 合成探针 (/tinman sweep)：主动发起针对性安全测试
显著优点
- 主动防御：区别于被动审计，通过合成探针主动发现潜在漏洞
- OpenClaw 原生集成：缓解措施直接映射到 SOUL.md 护栏、沙箱策略、工具白名单等控制机制
- 分级分类体系：采用 S0-S4 五级严重度标准，覆盖提示注入、工具外泄、上下文泄露、推理错误、反馈循环五大类别
- 隐私优先：全本地分析，零外部数据传输，尊重会话隔离
- 可配置化：支持 YAML 配置自定义监控模式、关注焦点和报告阈值
潜在局限
- 实验性状态：版本 0.1.x 表明工具尚处早期，可能存在误报或漏报
- 依赖会话数据质量：若会话日志不完整，扫描效果受限
- 合成探针风险：
lab模式下的主动探测可能对生产环境产生意外影响 - 缓解建议通用性：自动生成的控制措施可能需要人工调优以适应具体场景
适合人群
- AI 系统安全研究员和红队测试人员
- 使用 OpenClaw 框架的开发者与运维团队
- 需要合规审计能力的企业 AI 部署场景
- 对提示工程安全有深度需求的进阶用户
常规风险
- 误报疲劳：S1-S2 级别发现较多时可能造成噪音，建议将阈值设为 S2 以上
- 权限边界：虽声明
elevated: false，但工具允许列表包含sessions_history等敏感读取权限，需确认最小权限原则 - 影子模式依赖：默认 shadow 模式仅观察不拦截，主动防护需额外配置