核心用法
CrawSecure 是一款面向 ClawHub / OpenClaw 生态的离线安全预检工具，主要功能是在用户安装或信任第三方技能前，对其内容进行静态安全分析。用户只需将待检测的技能文档提供给 CrawSecure，它便会自动扫描其中的风险信号，包括危险命令模式、敏感文件或凭据引用，以及各类不安全实践指标。整个分析过程完全离线，无需联网，也不会执行任何代码或修改任何文件，最终输出清晰的风险提示，帮助用户做出更明智的安装决策。
显著优点
极致安全架构：CrawSecure 采用"四零"设计原则——零网络访问、零代码执行、零文件修改、零数据收集，从根本上消除了传统安全工具本身可能成为攻击向量的风险。这种"以安全的方式做安全"的设计理念，使其成为生态内难得的零信任预检方案。
完全透明可审计：该 skill 仅包含 3 个文件、59 行纯文档内容，无任何可执行代码或外部依赖，用户和技术审查人员可以完整审阅其全部逻辑，不存在黑箱操作。
精准的威胁识别：专注于 ClawHub 生态特有的风险模式，如破坏性命令、凭据泄露、权限诱导等，检测结果具有高度的场景相关性。
促进安全文化：不仅作为工具存在，更通过清晰的报告和风险沟通，培养用户的安全意识，推动开发者社区采纳更安全的开发实践。
潜在缺点与局限性
纯静态分析的边界：由于坚持离线、不执行代码的原则，CrawSecure 无法检测运行时行为、动态加载的恶意代码或条件触发的攻击逻辑，对于高度混淆或分阶段执行的威胁可能漏报。
依赖技能自身描述准确性：分析基于技能公开的文档和元数据，若开发者刻意隐瞒或误导性描述功能，静态分析难以穿透。
无自动修复能力：作为预检工具，它只负责识别风险而不提供修复建议或自动加固功能，用户仍需自行判断是否安装。
生态覆盖有限：目前专注于 ClawHub/OpenClaw 特定模式，对于跨平台或通用型威胁的识别能力有待验证。
适合的目标群体
- 谨慎的普通用户：对第三方技能安全性存疑，希望在安装前获得第二意见的非技术背景用户。
- 企业安全管理员：需要在团队或组织层面建立技能准入审查流程的 IT 或安全负责人。
- 技能开发者：希望自我审查、确保作品符合安全最佳实践的创作者。
- 安全研究人员：研究 AI Agent 生态威胁模型、构建检测规则集的学术或产业安全从业者。
使用风险与注意事项
尽管 CrawSecure 本身获得了 S 级安全认证（96 分），用户仍需注意：认证报告明确指出其基于"检测时点的静态分析"，不构成绝对安全保证；对于运行时行为、供应链深层依赖、零日漏洞等动态威胁，仍需配合人工审查和其他安全工具。此外，该 skill 由个人开发者（T3 来源）维护，建议关注后续是否建立开源社区治理、添加正式开源许可证（当前为 Unknown）以及版本变更日志，以提升长期可信度。