核心用法
Skill Auditor 是一款面向 ClawHub 生态的安全审计工具，采用三层递进式检测架构：
L1 模式匹配层：基于正则表达式快速识别高危行为，包括 Base64 编码执行、curl|bash 远程脚本下载、eval/exec 动态代码执行、已知 C2 通信地址，以及中等风险的敏感目录访问、环境变量窃取和社会工程关键词。
L2 反混淆层：自动解码 Base64、十六进制等常见混淆格式，对还原后的内容进行二次扫描，发现隐藏的恶意指令和 C2 服务器通信。
L3 LLM 语义分析层（可选）：调用 Gemini CLI 进行代码意图理解，突破传统模式匹配的局限，识别新型未知威胁。
用户可通过 clawhub inspect <skill-name> 实现零安装预审计，或对已本地安装的技能执行深度扫描。
显著优点
- 多层纵深防御：单一技术无法绕过三层独立检测机制
- 主动威胁情报：内置已知恶意 IP（91.92.242.30）、域名（glot.io、webhook.site）及社会工程话术库
- 零成本预检：
inspect模式无需实际安装即可评估风险 - 可维护架构：威胁指标以变量形式集中管理，便于快速响应新出现的攻击手法
- 结构化输出：彩色分级报告（🔴高危/🟡中危/🟢低危）直观呈现风险点与具体代码行
潜在局限
- 依赖外部 LLM：第三层分析需要用户单独安装 Gemini CLI，未内置大模型能力
- 正则边界限制：复杂多态混淆可能逃逸模式匹配，依赖定期更新规则库
- 误报风险：合法技能使用
sudo或读取配置目录可能触发中低风险标记 - 生态锁定：专为 ClawHub/OpenClaw 设计，不具备通用软件包审计能力
适合人群
- 频繁安装第三方 ClawHub 技能的开发者与运维人员
- 企业安全团队管理内部技能仓库的场景
- 对供应链安全有较高要求的自动化平台用户
常规风险
- 情报滞后性：新出现的 C2 基础设施需手动更新至本地规则库
- LLM 分析成本：启用第三层时产生外部 API 调用费用与延迟
- 社会工程持续演化：攻击者可能针对"审计通过"的心理诱导用户放松警惕