核心用法
AI工作流轻量红队师是一个防御性安全审计技能，专用于评估AI自动化流程的安全 posture。用户需提供流程说明、输入输出定义及权限边界信息，Skill将重组为结构化任务书，输出包含攻击面摘要、误用路径分析、边界失败场景、数据风险识别、缓解建议及演练清单的完整评估报告。
执行模式灵活：若环境允许，可调用 python3 scripts/run.py 进行自动化分析；若受限，则基于本地 spec.json 规范与 template.md 模板直接生成文本输出。全程遵循"先审阅草案、后执行清单"的分阶段交付原则。
显著优点
防御性设计：严格限定为只读、可审计、可回滚的分析模式，明确拒绝输出可直接滥用的攻击脚本或破坏性步骤，符合企业安全合规要求。
结构化方法论：采用标准化输出框架（攻击面→误用路径→边界失败→数据风险→缓解建议→演练清单），确保评估的系统性和可复现性。
风险分级管控：对高风险、隐私、权限或合规问题强制附加边界说明，缺信息时优先列出"待确认项"而非编造，避免误导性结论。
多平台兼容：支持darwin、linux、win32三大操作系统，仅需python3环境即可运行。
潜在缺点与局限性
依赖输入质量：评估深度高度依赖用户提供的信息完整度，若流程说明或权限边界描述模糊，输出质量将显著下降。
非实时渗透测试：定位为"轻量"红队演练，侧重逻辑层面的风险识别，不包含实际的漏洞利用验证或运行时安全测试。
无破坏性验证：明确禁止执行外部系统写入、发送、删除、发布、变更配置等操作，可能遗漏需动态验证才能发现的漏洞链。
环境执行限制：shell/exec能力受运行环境约束，部分场景下仅能输出静态文本分析，自动化程度受限。
适合的目标群体
- AI/ML工程师：在部署自动化流程前进行安全自检
- DevSecOps团队：将安全评估集成至CI/CD流水线
- 合规与风险管理：满足数据隐私法规（如GDPR、CCPA）的风险评估要求
- 产品经理与架构师：在AI工作流设计阶段识别潜在安全缺陷
使用风险
性能风险：大规模复杂流程分析时，python脚本执行可能产生较高计算开销，建议在隔离环境测试后再用于生产流程。
依赖项风险：依赖本地 spec.json 和 template.md 资源文件，若文件缺失或版本不匹配，可能导致输出格式异常。
误报与漏报风险：基于静态分析的方法论无法覆盖所有动态攻击向量，输出结果应作为人工安全审计的补充而非替代。
权限边界模糊风险：用户若未清晰定义输入输出边界，可能导致评估范围偏差，需在"待确认项"阶段充分澄清。