核心用法
Crabukit 是专为 OpenClaw 技能生态设计的静态安全扫描工具，通过分析 SKILL.md 元数据与脚本代码，识别潜在威胁后再执行安装。主要工作流包括：
- 安装前扫描：
crabukit install <skill-name>在本地安装前自动完成风险评估 - 本地目录扫描：
crabukit scan ./path适用于开发自测或审计第三方技能 - 已安装技能巡检：扫描现有技能目录，排查供应链攻击后的残留风险
- CI/CD 集成：
--fail-on=high模式可在流水线中阻断高危技能进入生产环境
工具采用分层防御架构：若已安装 Clawdex，优先查询其 824+ 已知恶意技能数据库实现快速匹配；未命中时则触发行为分析引擎，针对零日威胁进行静态代码审查。
显著优点
1. 多维检测覆盖：整合外部威胁情报（Clawdex）、机密泄露扫描（API 密钥、私钥）、代码注入识别（eval、exec、危险 subprocess）、Shell 风险（管道执行、递归删除）、权限滥用及元数据异常六大类别。
2. 量化风险评估：0-100 分风险评分体系配合五级严重程度划分（Clean / Low / Medium / High / Critical），为安全决策提供明确阈值。
3. 原生生态集成：作为 OpenClaw 官方推荐工具，支持 clawdhub 一键安装，并与技能开发工作流无缝衔接。
4. 自动化防护：CI 模式下非零退出码设计便于嵌入 GitHub Actions 等流水线，实现"安全即代码"。
潜在缺点与局限性
- 静态分析边界：无法检测运行时才触发的动态恶意行为（如混淆后的网络载荷下载），对高度混淆的 Python 代码存在漏报可能。
- 依赖外部数据库：Clawdex 的覆盖范围直接决定已知威胁识别率，离线环境或私有仓库场景下防护降级为纯规则引擎。
- 误报风险：Shell 脚本中的合法
curl | bash安装模式（如官方 SDK 脚本）可能被标记为高风险，需人工复核白名单。 - 语言局限：当前主要针对 Python 技能（
pyproject.toml、Python 源码），对 JavaScript/TypeScript 等其他 OpenClaw 支持语言的深度分析能力文档未明确。
适合人群
- 技能开发者：发布前自检，避免因安全配置不当被 Clawdex 标记
- 平台运营/安全团队：建立技能上架前的强制安全门禁
- 企业用户：私有化部署 OpenClaw 时，防范供应链投毒与内部威胁
- DevOps 工程师：构建零信任 CI/CD 流水线，实现依赖项安全左移
常规风险
| 风险类型 | 说明 |
|---------|------|
| 供应链攻击 | 恶意技能伪装成实用工具，窃取环境变量或植入后门 |
| 凭证泄露 | 开发者误将测试密钥打包进发布版本 |
| 权限提升 | 技能申请过度危险的 MCP 工具权限（如任意文件读写、Shell 执行） |
| 社会工程 | SKILL.md 描述诱导用户绕过安全审查 |
Crabukit 通过"威胁情报 + 静态分析"双层机制显著降低上述风险，但无法替代代码审计与运行时监控的纵深防御体系。建议高安全场景下配合沙箱执行与网络流量分析使用。