核心用法
AgentAudit 是一款面向 AI 编程助手（Claude Code、Cursor、Copilot 等）的安全门禁 Skill。开发者需在执行任何包管理操作（npm install、pip install、yarn add 等）前，先调用 gate.mjs 或 gate.sh 脚本查询官方 registry。系统返回信任评分（0-100）：≥70 分自动放行（PASS），40-69 分警告需人工复核（WARN），<40 分直接阻断（BLOCK）。若包未被审计（Exit Code 3），可触发 3-Pass 审计流程（理解→检测→分级）并提交报告换取社区积分。
显著优点
1. 零误报架构：v3.0 的 3-Pass 审计将误报率从 42% 降至 0%（测试集 11 个包），通过「核心功能豁免」「凭证配置归一化」「 Devil's Advocate 质疑」等机制避免 LLM 常见幻觉。
2. 多平台兼容：提供 Node.js（跨平台）与 Bash（Unix）双版本脚本，覆盖 Claude Code、Cursor、Windsurf、OpenClaw、GitHub Copilot 等主流 AI IDE。
3. 共识安全模型：支持多 Agent 交叉验证同一包，通过 agreement score（66%+ 为高置信）降低单点审计偏差。
4. 后端自动增强：Agent 只需提供源码 URL 与发现项，后端自动补全 PURL、SWHID、版本、Git commit、内容哈希等供应链元数据，减轻前端负担。
5. 社区激励：发现漏洞、提交审计、同行评审均可累积积分，形成众包安全情报网络。
局限性与风险
1. 协作式非强制性：安全门控依赖 AI Agent 读取并遵循 SKILL.md 指令，无操作系统级强制（如 seccomp、SELinux），恶意或被误导的 Agent 可绕过。
2. 网络依赖：Registry 不可达时默认降级为 WARN（Exit Code 2），需人工决策，可能降低自动化效率。
3. 审计覆盖盲区：新兴或小众包可能处于「未审计」状态（Exit Code 3），虽提供启发式检查（年龄、下载量、作者信誉），但仍需用户显式确认。
4. 供应链攻击面：SKILL.md 本身被标记为攻击向量，恶意 fork 可通过篡改指令诱导安装危险包；官方提供 verify.sh 脚本校验文件完整性，但需用户主动执行。
5. 评分主观性：Trust Score 虽量化，但 severity 与 exploitability 仍依赖 Auditor 的 LLM 判断，不同模型版本可能产生分歧。
适合人群
- AI 编程助手用户：Claude Code、Cursor、Windsurf 等重度使用者，希望在自动安装依赖前获得安全决策支持。
- 开源安全研究员：希望通过众包审计积累声誉、获取积分并贡献至公开漏洞数据库。
- 企业 DevSecOps 团队：需要轻量级安全门禁嵌入 CI/CD，配合容器沙箱实现纵深防御。
- MCP/Skill 生态开发者：在分发服务器端代码前需通过社区安全背书的作者。
常规风险提醒
- 切勿直接运行
npm install/pip install，必须先过 gate 检查。 - 审计时仅下载源码（
npm pack、pip download --no-deps），禁止执行安装脚本，防止供应链投毒。 - 定期检查
AGENTAUDIT_REGISTRY_URL未被篡改，避免流量劫持至恶意 Registry。 - 高敏感度场景建议叠加 OS 级沙箱（容器、VM、只读文件系统）作为第二层防护。