核心用法
该工具专为解决 AI 技能生态系统中一个隐蔽但关键的问题：技能在继承链中经历多代 fork 后，虽名称未变，实质已与原始审计版本大相径庭。用户输入技能标识符或市场继承链 URL，系统自动执行以下流程：
1. 谱系重建：向上追溯至原始发布版本，映射每个 fork 节点与修改
2. 代际差异分析：逐代计算结构化差异，识别新增能力、权限变更、外部依赖引入
3. 能力漂移评分：聚合跨代差异生成 0-100 漂移指标，量化偏离原始审计范围的程度
4. 变异分类：将变更归类为 cosmetic（格式化）、functional（新逻辑）、capability-expanding（权限扩张）、safety-reducing（安全降级）
5. 重审计建议：基于累积漂移阈值输出 YES / WATCH / NO 建议
显著优点
- 发现隐蔽风险：单代变更看似合理（如加 retry 逻辑），但累积效应可能将文件读取工具变为具备网络外泄能力的组件，传统静态审计无法捕捉
- 谱系可视化：提供清晰的代际树状图与能力演进时间线
- 量化决策支持：漂移评分与分类标签帮助安全团队优先处理高风险 lineage
- 生态级视角：超越单技能审计，关注技能组合在传播过程中的系统性风险
潜在缺点与局限性
- 元数据依赖：若市场未记录 fork 关系，完整谱系无法重建
- 启发式分类边界模糊：某些变更难以严格归类（如隐式扩展能力的"功能性"修改）
- 非恶意检测：高漂移评分仅提示需重审计，不直接判定技能被植入后门
- 代码混淆抗性弱：对 obfuscated 或动态生成代码的 diff 分析能力有限
- 语义理解边界：无法完全替代人工判断变更的安全意图
适合人群
- AI 技能市场平台的安全审核团队
- 企业 AI 架构师，需评估第三方继承技能的安全基线
- 红队/蓝队安全研究员，进行供应链风险分析
- 开源技能维护者，追踪下游 fork 的安全合规性
常规风险
- 误报风险：合法的功能迭代可能触发高漂移评分，需人工复核区分"良性演进"与"风险累积"
- 审计滞后：发现漂移后代际可能已广泛部署，需配合 blast-radius-estimator 评估影响面
- 时间衰减叠加：需与 trust-decay-monitor 联用，处理"审计既过期又漂移"的复合失效场景