核心用法
OpenClaw Bastion 是一款专注于 AI Agent 工作空间的运行时提示注入防御工具。其核心定位在于保护输入/输出边界——即 Agent 读取的本地文件、网页内容、API 响应和用户上传文档，而非传统的身份凭证文件监控。
该 Skill 提供四大核心命令：：scan 用于扫描文件或目录中的注入模式；check 执行单文件的快速检测；boundaries 分析工作空间的内容边界安全，识别混合可信/不可信内容的 Agent 指令文件；allowlist 管理命令白名单策略。此外，，status 命令可快速评估整体安全态势。工具支持自动检测工作空间路径，无需手动配置。
检测能力覆盖 11 类威胁模式，包括指令覆盖（如 "ignore previous"）、系统提示标记（如 <system>>）、HTML/脚本注入、Markdown 数据外泄、危险命令（如 curl | bash）、零宽字符等 Unicode 技巧、同形异义字符替换等。采用上下文感知扫描策略，自动跳过代码块内的模式以避免误报，并基于发现数量和严重程度进行风险评分。
显著优点
零依赖架构是最大亮点——仅使用 Python 标准库，无需 pip 安装，无网络调用，完全本地运行，极大降低了供应链攻击面。跨平台兼容支持 OpenClaw、Claude Code、Cursor 等主流 Agent 工具。检测维度全面，从显式指令覆盖到隐蔽的 Unicode 混淆均有覆盖，且持续更新威胁模式。操作安全性高，隔离、清理等敏感操作均配备自动备份机制，支持策略自定义。开源透明，MIT 许可证，代码可审计。
潜在缺点与局限性
作为 T3 来源的社区项目，品牌背书较弱，企业用户可能需要额外的信任建立过程。功能边界明确限制于文本内容，无法处理二进制文件或网络层检测，非实时系统调用监控。误报控制虽通过代码块跳过等策略优化，但复杂场景下仍需人工复核。社区生态尚处早期，GitHub Stars 和贡献者数量有待积累。Pro 功能（运行时钩子强制策略）需付费版本解锁，免费版依赖用户主动扫描。
适合的目标群体
- AI Agent 开发者：需要为自研 Agent 集成注入检测能力
- 安全研究人员：研究提示注入攻击与防御技术
- 企业安全团队：评估和监控内部 AI 工作空间安全态势
- 个人高级用户：使用 Claude Code、Cursor 等工具处理不可信来源内容
- 开源项目维护者：保护 CI/CD 流水线中的 Agent 执行环境
使用风险
性能方面：大规模工作空间全量扫描可能产生 I/O 开销，建议结合 .gitignore 类机制排除无关目录。依赖项：虽无外部依赖，但需确保 Python 3 环境可用，Windows 平台路径处理需验证兼容性。隔离操作风险：quarantine 命令会移动文件，虽自动备份但仍建议在版本控制环境下使用。策略配置：自定义 .bastion-policy.json 时，过于宽松的规则可能削弱防护效果。来源可信度：T3 级别意味着需自行承担代码审计责任，关键场景建议结合其他安全工具纵深防御。