核心用法
memory-scan 是专为 OpenClaw Agent 设计的内存安全扫描器，通过本地模式分析与可选的远程 LLM 增强检测，全面排查 MEMORY.md、每日日志及工作区配置文件中的安全隐患。
扫描命令体系：
- 基础扫描：
python3 skills/memory-scan/scripts/memory-scan.py（默认扫描最近30天） - 特定文件：
--file memory/2026-02-01.md - 静默模式：
--quiet（适合自动化流水线） - JSON输出：
--json（便于程序化处理） - 远程增强：
--allow-remote（脱敏后送交 GPT-4o-mini/Claude 深度分析）
威胁处置流程：检测到 MEDIUM/HIGH/CRITICAL 级别威胁时，支持通过 quarantine.py 进行行级隔离备份，自动替换风险内容为 [QUARANTINED BY MEMORY-SCAN: <timestamp>]。
自动化集成：内置 schedule-scan.sh 可创建每日定时任务（下午3点 PT），仅在有威胁时推送告警；与 safe-install 的每日审计天然集成，也可嵌入 HEARTBEAT.md 实现周期性自查。
显著优点
1. 零依赖安全架构：全程使用 Python 标准库（urllib、json、re、subprocess），彻底规避供应链攻击风险，依赖审计得分 100/100。
2. 分级授权设计：远程 LLM 分析默认关闭，必须显式添加 --allow-remote 方可启用，且传输前自动脱敏（API Key、密码等替换为 [REDACTED]），隐私合规得分 90/100。
3. 多维威胁覆盖：内置 6 大类本地检测模式（恶意指令、提示注入、凭证泄露、数据外泄、护栏绕过、行为操控、权限提升），结合可选的 LLM 语义分析形成纵深防御。
4. 企业级可观测性：五级安全评级（SAFE/LOW/MEDIUM/HIGH/CRITICAL）、文件级定位（file:line）、结构化 JSON 输出、OpenClaw 通道告警，满足 DevSecOps 全流程需求。
5. 社区生态协同：与 input-guard（外部输入防护）形成互补，可向 molthreats 社区情报库上报内存威胁，构建众包安全网络。
潜在缺点与局限性
1. 检测范围边界：默认仅扫描最近 30 天的每日日志，历史威胁需手动调整 --days 参数；不扫描 Agent 运行时的内存状态，仅针对持久化文件。
2. LLM 成本与延迟：远程分析模式产生 API 调用费用，且增加扫描耗时；高频率自动化场景下需权衡安全深度与成本效率。
3. 误报控制挑战：本地正则模式可能对复杂混淆攻击产生漏报，而 LLM 语义分析虽提升检出率，但也可能引入语义层面的误报，需人工复核 MEDIUM 级别告警。
4. 生态锁定：深度依赖 OpenClaw 特定文件结构（MEMORY.md、SOUL.md 等），迁移至其他 Agent 框架需适配改造。
适合的目标群体
- OpenClaw 重度用户：运行多 Agent 协作或长期记忆场景的团队，需防范记忆污染攻击
- 安全合规团队：需要满足数据安全审计、内存完整性验证的企业安全工程师
- AI 应用开发者：构建基于 OpenClaw 的产品化服务，需在 CI/CD 中嵌入自动化安全检测
- 红蓝对抗研究员：测试 Agent 系统的 prompt injection 防御能力，验证记忆隔离机制有效性
常规使用风险
性能风险：大体积记忆文件（如包含嵌入式 base64 图片）可能导致扫描耗时显著增加，建议在非业务高峰期运行全量扫描。
依赖项风险：虽为零外部依赖，但依赖本地 OpenClaw CLI 工具链（openclaw gateway config.get），若 CLI 版本变更可能导致配置读取失败。
网络风险：--allow-remote 模式虽经脱敏处理，但仍向 OpenAI/Anthropic 传输结构化数据轮廓，对数据主权敏感场景需评估合规性。
配置漂移风险：告警通道依赖 OPENCLAW_ALERT_CHANNEL 环境变量，未配置时将静默跳过告警发送，可能导致高危威胁未被及时感知。