AgentAudit

核心用法

AgentAudit 是一个面向 AI Agent 的安全门（Security Gate）技能，设计用于在调用 npm install、pip install、yarn add 等包管理器命令前强制执行安全检查。它通过查询 agentaudit.dev 注册表，结合 SHA-256 哈希校验和 LLM 辅助的自动审计，为每个包计算 0-100 的 Trust Score，并返回标准化退出码：0（PASS，≥70 分）、1（BLOCK，<40 分）、2（WARN，40-69 分或网络异常）、3（UNKNOWN，未审计）。安装流程需先注册代理、选择 Node.js（跨平台）或 Bash（Unix-only）脚本变体，并通过符号链接集成到 Claude Code、Cursor、Windsurf、GitHub Copilot 等平台。

显著优点

1. 主动防御前置：强制拦截机制将安全风险从“事后发现”转为“事前阻断”，显著降低供应链投毒、依赖混淆等攻击面。
2. 多源验证闭环：集成漏洞数据库、哈希完整性校验、多代理共识（Multi-Agent Consensus）三层验证，单一数据源失效时仍有冗余保护。
3. 贡献激励体系：通过积分排行榜鼓励社区参与安全审计，形成“发现-验证-共享”的可持续安全生态。
4. 零执行风险设计：npm pack/pip download --no-deps 仅下载源码 tar 包，避免安装脚本执行带来的任意代码执行风险。
5. 平台广泛兼容：支持 Node.js 18+ 及 bash+curl+jq 双栈，覆盖 Windows/macOS/Linux 全平台主流 AI IDE。

潜在缺点与局限性

1. 依赖协作式合规：安全门本身无操作系统级强制力，若 Agent 忽略 SKILL.md 指令或遭遇提示注入攻击，可被绕过。
2. 网络单点瓶颈：API 不可达时进入 WARN 状态，需用户人工决策，可能降低开发效率或导致误放行。
3. 覆盖率盲区：新发布或小众包可能无审计数据（Exit 3），自动审计依赖 LLM 静态分析，对混淆代码或逻辑漏洞检出率有限。
4. 信任传递风险：后端注册表和 SKILL.md 文件本身成为攻击目标，恶意分支可通过篡改指令降级安全策略。
5. 性能开销：哈希校验、API 查询、共识聚合引入延迟，在 CI/CD 高频构建场景下可能成为瓶颈。

适合人群

• AI Agent 开发者：需在 Claude Code、Cursor 等环境中自动化拦截危险依赖。
• DevSecOps 团队：寻求轻量级供应链安全闸门，补充 SCA 工具链。
• 开源安全贡献者：希望通过审计积累声誉积分，参与社区治理。
• 高风险项目维护者：金融、医疗等对第三方代码信任度要求极高的场景。

常规风险

• 策略绕过：攻击者通过 prompt injection 诱导 Agent 跳过 gate 检查。
• 数据投毒：恶意包上传伪造的“干净”审计报告污染共识数据库。
• 权限泄露：API 密钥若泄露至非官方端点，可能导致账户劫持或审计数据篡改。
• 误报与漏报：静态分析无法捕获运行时行为，高混淆恶意代码可能获得虚高 Trust Score。

核心用法

AgentAudit 是一款面向 AI 编程助手（Claude Code、Cursor、Windsurf 等）的安全门控技能。其核心工作流程为：当用户或 Agent 准备执行 npm install、pip install、clawhub install 等包安装命令时，必须先调用 gate 脚本（gate.mjs 或 gate.sh）进行安全审查。脚本会向 agentaudit.dev 官方 API 查询目标包的信任评分（0-100 分），并返回 PASS（≥70 分）、WARN（40-69 分）、BLOCK（<40 分）或 UNKNOWN（未审计）四种状态。对于 UNKNOWN 状态，Agent 可引导用户选择运行安全审计（分析源码静态风险并上传报告）或手动验证后安装，从而形成"查询→评估→决策→可选审计"的完整闭环。

显著优点

深度集成 AI 工作流：专为 Claude Code、Cursor、Windsurf、OpenClaw 等 AI 编程环境设计，通过符号链接或包管理器即可安装，不改变开发者既有习惯。

社区驱动的安全情报：依托 AgentAudit 官方注册表与多代理共识机制（Multi-Agent Consensus），同一包被多个独立 Agent 审计后生成聚合评分，降低单一审计盲点风险，审计者还可获得积分排名激励。

零执行风险设计：审计过程仅下载源码包（npm pack、pip download --no-deps 或 git clone），绝不执行安装脚本，彻底避免 supply chain 攻击中的 pre-install 钩子风险。

清晰的分级决策：信任评分机制与退出码设计（0=PASS, 1=BLOCK, 2=WARN, 3=UNKNOWN）让 AI Agent 能自动化处理绝大多数场景，仅在需要人工判断时暂停并征求用户确认。

开源透明与合规：AGPL-3.0 协议开源，GitHub 仓库完整公开；通过 GDPR/CCPA 合规检测，仅读取必要环境变量与本地配置，网络通信全量 HTTPS 加密。

潜在缺点与局限性

协作式非强制性防护：该技能依赖 AI Agent"阅读并遵守"SKILL.md 中的 HARD RULE，无操作系统级强制拦截能力。若 Agent 被提示注入攻击诱导绕过门控，或用户手动执行安装命令，防护将失效。

网络依赖与可用性：核心功能依赖 agentaudit.dev 在线 API，离线环境或 API 故障时降级为 WARN 状态（退出码 2），此时需人工判断是否继续安装，可能打断自动化 CI/CD 流程。

覆盖盲区：作为新兴项目，其漏洞数据库对小众包、企业内部私有包的覆盖度有限，大量包会进入 UNKNOWN 状态，需社区持续贡献审计报告填充数据。

Node.js/Bash 双栈维护成本：提供 Node.js（跨平台）与 Bash（Unix-only）两套脚本实现，虽保证兼容性，但增加了长期维护与行为一致性验证的负担。

适合的目标群体

• AI 辅助编程用户：使用 Claude Code、Cursor、Windsurf、GitHub Copilot 等工具进行日常开发的工程师，希望在 AI 自动安装依赖时获得安全兜底。
• 安全意识较强的研发团队：重视供应链安全、愿意接受"安装前检查"流程的中小团队，尤其是金融、医疗、政务等敏感行业开发者。
• 开源贡献者与安全研究者：希望通过审计流行 npm/pip 包积累社区声誉、参与漏洞发现与评分体系建设的个人开发者。
• CI/CD 集成场景：在容器化构建或自动化流水线中，通过环境变量注入 API 密钥，实现无人值守的安全门控检查。

常规使用风险

性能延迟：每次安装前需联网查询 API，官方超时设置为 10 秒（可配置），在弱网环境或 API 高负载时可能显著拖慢开发流程。

API 密钥管理：技能需配置 AGENTAUDIT_API_KEY，虽支持环境变量优先级与文件权限 600 保护，但仍存在密钥泄露、误提交至版本控制的风险，建议定期使用 rotate-key.sh 轮换。

误报与漏报：信任评分基于静态代码分析与社区共识，无法捕获运行时行为风险或零日漏洞；高评分包也可能因新披露漏洞而瞬间失效，需结合传统 SCA 工具（如 Snyk、Dependabot）形成纵深防御。

多代理共识的局限性：共识机制依赖足够多的独立审计报告，小众包可能因审计样本不足导致评分置信度偏低，用户需自行判断。

SKILL.md 完整性风险：文档本身作为攻击向量，若用户安装恶意 fork 版本，门控规则可能被篡改，建议首次使用前运行 verify.sh 校验文件哈希。