openclaw-triage

核心用法

OpenClaw Triage 是一款专为 Agent 工作空间设计的安全事件响应与数字取证工具，扮演"安全侦探"角色。它通过五个核心命令构建完整的事件响应工作流：

• investigate**：全面调查，收集工作空间状态、检测入侵迹象（异常文件修改、新技能、权限变更、非工作时间操作等），交叉验证 Warden/Ledger/Signet/Sentinel 数据，生成事件时间线并计算严重等级（CRITICAL/HIGH/MEDIUM/LOW）
• timeline**：构建文件修改的时序时间线，识别可疑的爆发式活动（短时间内大量文件修改）
• scope**：评估威胁波及范围，按风险等级分类文件，检测凭证泄露模式，判断影响范围是"已控制/正在扩散/系统性"
• evidence**：在修复前保全取证证据，生成文件哈希快照、复制安全工具数据、输出结构化报告
• status**：一键获取当前威胁状态摘要

工具支持工作空间自动检测（环境变量/当前目录/默认路径），且与 OpenClaw 安全工具链深度集成。

显著优点

1. 零依赖架构：仅使用 Python 标准库，无需 pip 安装，无网络调用，完全离线运行，部署极简
2. 多源交叉验证：自动关联 Warden（完整性基线）、Ledger（操作日志链）、Signet（技能签名）、Sentinel（威胁情报）四类数据源，形成立体化检测能力
3. 标准化严重等级：基于量化规则（关键发现/3个高发现=CRITICAL）输出可操作的优先级，避免安全告警疲劳
4. 取证级证据保全：SHA-256 哈希、时间戳、完整目录结构快照，满足安全审计与事后追溯需求
5. 跨平台兼容：支持 macOS/Linux/Windows，兼容 OpenClaw、Claude Code、Cursor 等主流 Agent 工具

潜在缺点与局限性

• 生态依赖性强：需配合 OpenClaw 工具链（Warden/Ledger/Signet/Sentinel）才能发挥完整能力，独立使用价值受限
• T3 来源可信度：来自社区开发者（AtlasPA），非知名大型组织背书，企业级场景可能需要额外安全评估
• 纯本地检测：无云端威胁情报、无网络行为监控，对高级持续性威胁（APT）的检测能力有限
• Python 3 环境依赖：虽为标准库，但仍需目标系统预装 Python 3
• 无实时防护：属于事后调查工具，非实时入侵检测系统（IDS）

适合的目标群体

• Agent 平台安全运维人员：管理 Claude Code、Cursor 等 AI 编程工具的企业安全团队
• 开发团队安全负责人：需要监控 AI 助手操作痕迹、防止"影子代码"引入的技术负责人
• 安全审计与合规人员：需要生成符合取证标准的工作空间变更记录
• 个人高级用户：对 AI 助手操作保持警惕、希望掌握工作空间完整可见性的开发者

使用风险

• 性能影响：大规模工作空间的完整调查可能消耗显著 I/O 资源，建议在非高峰时段运行
• 误报可能：基于启发式的"可疑活动"检测（如非工作时间修改）可能产生误报，需人工复核
• 证据覆盖风险：evidence 命令应在任何修复操作之前执行，否则可能丢失关键时间线信息
• 权限要求：需要对工作空间目录的读取权限，以及执行 Python 脚本的系统权限
• 依赖项风险：虽无外部 pip 依赖，但依赖 Python 3 解释器的完整性和系统调用的稳定性

核心用法

OpenClaw Triage 是专为 Agent 工作空间设计的事件响应与数字取证工具，通过五个核心命令实现安全调查闭环：

• `investigate`：执行完整事件调查，收集工作空间状态、检测篡改迹象（异常文件修改、权限变更、非工作时间操作）、交叉验证 Warden/Ledger/Signet/Sentinel 数据，输出四级严重度评分（CRITICAL/HIGH/MEDIUM/LOW）
• `timeline`：构建文件修改时间线，识别可疑突发活动（短时间大量文件变更），支持自定义回溯时长（默认24小时）
• `scope`：评估事件爆炸半径，按风险等级分类文件（critical/memory/skill/config），检测凭证泄露模式与潜在外泄URL
• `evidence`：在修复前保全取证证据，生成带SHA-256哈希的工作空间快照及安全工具数据副本
• `status`：单行输出当前威胁状态概览

工具支持自动工作空间检测（环境变量/当前目录/默认路径），跨平台兼容 macOS/Linux/Windows。

显著优点

1. 零攻击面架构：纯 Python 标准库实现，无任何 pip 依赖，从根本上消除供应链投毒风险
2. 全本地隔离：零网络调用，所有取证分析在本地完成，杜绝调查过程本身的数据外泄
3. 多源证据融合：自动关联 OpenClaw 安全生态（Warden 基线偏差、Ledger 链完整性、Signet 签名验证、Sentinel 威胁情报），生成统一事件报告
4. 可操作输出：四级严重度评分配合结构化退出码（0/1/2），便于自动化集成到 CI/CD 或 SOAR 工作流
5. 取证级严谨性：证据收集命令强制要求"修复前保全"，生成带密码学哈希的不可篡改证据链

潜在局限

• 被动响应设计：依赖事后分析，不具备实时入侵检测能力，需配合 Sentinel 等实时监控工具
• 凭证检测覆盖有限：内置正则模式覆盖常见凭证类型（GitHub/AWS/OpenAI 密钥），新型云服务凭证需手动扩展
• 单工作空间视角：爆炸半径评估基于单个工作空间，跨工作空间的横向移动检测需额外架构支持
• Python 版本依赖：需 Python 3 环境，极简嵌入式环境可能受限

适合人群

• AI Agent 开发者：需要为 Claude Code、Cursor 等工具构建安全运维体系
• DevSecOps 工程师：负责 CI/CD 环境的安全事件响应与取证分析
• 安全运维团队：管理多 Agent 工作空间，需标准化的事件调查流程
• 红队/蓝队演练：需要轻量级、可审计的取证工具进行攻防演练复盘

常规风险

| 风险类型 | 评估 | 说明 |

|---------|------|------|

| 供应链攻击 | 极低 | 零外部依赖，无第三方库引入风险 |

| 数据泄露 | 极低 | 全本地操作，无网络外泄通道 |

| 权限滥用 | 低 | 仅读取文件元数据，不修改工作空间内容 |

| 误报/漏报 | 中等 | 依赖启发式规则检测异常行为，需人工复核确认 |

| 证据完整性 | 低 | SHA-256 哈希保障证据链完整性，但依赖底层文件系统时间戳准确性 |