核心用法
Skill Defender 是 OpenClaw 生态的安全基础设施技能，提供基于确定性模式匹配的恶意代码检测能力。核心组件为两个 Python 脚本：
- `scan_skill.py`：单技能深度扫描，支持 JSON/人类可读输出，返回 0-3 分级退出码
- `aggregate_scan.py`：批量扫描全部技能，生成结构化聚合报告
扫描触发场景包括：新技能安装、技能更新后、用户主动请求的安全审计。自动检测技能目录路径，无需配置。
显著优点
1. 完全离线零成本：纯标准库实现（Python 3.9+），不调用任何 LLM API，单次扫描 <1 秒，批量 30+ 技能约 30 秒
2. 防御纵深设计：作为 Layer 2 防线，与运行时沙箱形成互补
3. 实用工程细节：内置 allowlist 减少安全技能、认证类技能的误报；支持 --exclude 自定义排除；自检测机制（扫描自身会被标记，符合预期）
4. 清晰的裁决体系：clean / suspicious / dangerous / error 四级判定，对应不同的用户交互策略（放行 / 警告 / 阻断）
潜在缺点与局限性
- 模式匹配天花板：无法检测零日攻击或高度混淆的多态恶意代码，对语义级漏洞不敏感
- 误报依赖维护：allowlist 需随生态演进持续更新，新兴技能类型可能触发误报
- 无运行时防护：静态分析无法捕获动态执行阶段的恶意行为
- 绕过可能性：确定性规则可被针对性对抗样本绕过
适合人群
- OpenClaw 平台管理员与重度用户
- 企业级部署场景下的安全合规团队
- 开发并分发第三方技能的创作者（自检用）
常规风险
| 风险类型 | 说明 |
|---------|------|
| 过度信任 | 用户可能因 "clean" 结果产生虚假安全感，忽视运行时最小权限原则 |
| 配置遗漏 | 自定义 `--skills-dir` 时路径错误导致扫描范围不全 |
| 误报疲劳 | 频繁误报可能使用户习惯性忽略警告，形成"狼来了"效应 |