核心用法
OpenClaw Marshal 是一款专为 Agent 工作空间设计的安全合规审计工具，其核心使命是解决"技能泛滥时代"的安全治理难题。随着 AI Agent 生态的爆发，工作空间中往往积累了大量执行命令、访问网络、处理数据的第三方技能，而这些技能的潜在风险却缺乏系统性审查手段。
该技能通过策略即代码（Policy as Code）的理念，让用户可以一次性定义组织安全策略（.marshal-policy.json），并持续审计所有已安装技能的合规状态。主要命令包括：初始化策略文件（--init）、查看当前策略（--show）、执行完整合规审计（audit）、检查单个技能（check）以及生成审计报告（report）。支持命令安全、网络策略、数据处理和仓库卫生四大维度的深度检查。
工具采用纯本地执行架构，无需任何外部依赖，甚至不依赖 pip 安装，Python 标准库即可完成全部功能。这种设计确保了审计工具本身不会引入新的供应链风险，同时也适用于离线环境或高度受控的生产网络。
显著优点
极致的安全架构：零外部依赖、零网络调用，所有检测逻辑均通过正则表达式在本地完成。相比需要联网的安全工具，完全杜绝了数据外泄和供应链攻击风险。代码仅涉及文件读写操作，动态行为评分高达 95 分。
细粒度的策略控制：支持从命令白名单/黑名单、危险模式检测（eval/exec/pipe-to-shell/rm -rf 等），到域名级别的网络访问控制，再到 PII 和密钥扫描的数据处理要求，形成完整的安全策略矩阵。
生产级审计能力：生成符合合规要求的格式化报告，支持退出码分级（0/1/2 对应合规/需审查/严重违规），可直接集成到 CI/CD 流水线。与 Claude Code hooks 的集成能力更进一步实现了运行时策略执行。
跨平台兼容性：支持 macOS、Linux、Windows 三大操作系统，兼容 OpenClaw、Claude Code、Cursor 等主流 Agent 工具链，具备良好的生态适配性。
潜在缺点与局限性
T3 来源可信度：作为 AtlasPA 维护的社区项目，缺乏顶级企业或基金会的官方背书。尽管代码安全评级达到 S 级，但在企业采购场景中可能面临信任门槛。
功能边界限制：当前主要聚焦于事前审计和静态分析，无法完全替代运行时沙箱等主动防护手段。例如，对技能实际执行时的动态行为监控能力有限。
社区生态成熟度：相比商业安全工具，文档的完整度、单元测试覆盖率、长期维护承诺等方面仍有提升空间。建议与其他 OpenClaw 安全工具（如 openclaw-sentry、openclaw-ledger）配合使用以形成纵深防御。
适合的目标群体
- 企业安全团队：需要为 AI Agent 工作空间建立合规基线的组织
- DevSecOps 工程师：寻求将 Agent 技能安全纳入 CI/CD 流水线的技术负责人
- 开源社区维护者：管理多贡献者技能仓库，需要自动化安全门禁的项目
- 高安全要求场景：金融、医疗、政务等对数据本地化有严格要求的行业
使用风险
性能风险：全量审计时需遍历工作空间所有技能文件，大型仓库可能产生秒级延迟。建议在 CI 中配置增量审计策略。
误报风险：正则模式匹配可能产生误报（如将包含 "eval" 字符串的文档误判为危险命令），需要结合人工审查使用。
策略维护成本：安全策略需要随业务演进持续更新，僵化的策略可能影响正常开发效率。建议采用渐进式收紧策略。
隔离操作风险：quarantine 功能涉及目录重命名，极端情况下可能影响技能依赖关系。执行前建议确认备份状态。