核心用法
skill-scanner-guard 是 OpenClaw 技能生态的安全闸门，集成 Cisco AI Defense 的 skill-scanner 引擎，构建覆盖开发、安装、运行全生命周期的供应链防护体系。
主要工作模式：
- 手动扫描：定期审计
~/.openclaw/skills目录，生成 Markdown/JSON/SARIF 多格式报告 - 安装拦截：封装
scan_and_add_skill.sh与clawhub_scan_install.sh，在技能落地前强制扫描，仅允许 Medium/Low/Info 级别通过，High/Critical 默认阻断（可--force覆盖） - 实时监控：通过 systemd user units 监听技能目录变更，自动触发扫描并将高危技能移至隔离区
~/.openclaw/skills-quarantine
技术实现亮点：
- 基于 YARA 规则的行为模式匹配，覆盖恶意代码、敏感信息泄露、权限滥用等风险场景
- 分级处置策略：High/Critical 硬阻断，Medium 软通过+告警，避免过度拦截影响开发效率
- 完全本地化执行，扫描数据不出境，契合企业合规要求
显著优点
1. 供应链完整性：在 ClawHub 等第三方技能市场与本地执行环境之间建立可信边界
2. 低侵入集成：systemd 用户级服务无需 root，与 OpenClaw 现有目录结构无缝兼容
3. 可审计性：SARIF 标准输出可对接 GitHub/CodeQL 等 DevSecOps 流水线
潜在局限
- 依赖 YARA 规则时效性：新型攻击手法可能存在检测滞后，需持续更新规则库
- 误报成本：Medium 级别的宽泛策略可能放过边缘风险场景
- Node/JS 技能支持有限：当前规则集侧重 Python/bash 技能，对前端技能覆盖不足
适合人群
- 使用 OpenClaw 构建 Agent 系统的个人开发者及企业安全团队
- 需满足 ISO 27001/SOC 2 等合规要求的 AI 工程化场景
- 从公共仓库安装不明来源技能的高风险用户
常规风险
--force安装机制存在人为绕过可能，需配合代码审查流程- 隔离区仅做文件移动，未加密存储，敏感技能仍需额外防护
- uv/Python 环境依赖可能因版本冲突导致扫描失败