Anthropic-Cybersecurity-Skills: AI Agent용 보안 스킬 817개를 하나의 toolbox로
GitHub 3만 스타의 오픈소스 저장소 Anthropic-Cybersecurity-Skills는 MITRE ATT&CK, NIST CSF, MITRE ATLAS 등 6대 보안 프레임워크를 817개의 표준 SKILL.md로 분해해 제공한다. Claude Code, Cursor, Copilot, Codex CLI에 설정 한 줄을 추가하면 바로 로드된다.
해결하려는 문제
주니어 보안 분석가는 Volatility 3의 어떤 플러그인으로 메모리 덤프를 분석하고, 어떤 Sigma 규칙으로 Kerberoasting을 잡을 수 있는지 알고 있다. 하지만 AI Agent는 기본적으로 이런 지식을 갖고 있지 않다.
이 저장소의 접근 방식은 다음과 같다. 817개의 구조화된 보안 스킬(각각 하나의 SKILL.md)을 29개 보안 도메인과 6대 프레임워크로 분류해 정리했다. agentskills.io 표준을 호환하는 AI 코딩 도구라면 어디서든 로컬 스킬을 호출하듯 이 스킬들을 호출할 수 있다.
쉽게 말해, 『블루팀 매뉴얼』과 『레드팀 매뉴얼』을 LLM이 읽을 수 있는 SKILL.md 형태로 풀어낸 것이다.
사용 방법
세 단계면 시작할 수 있다.
git clone https://github.com/mukul975/Anthropic-Cybersecurity-Skills- Claude Code / Cursor / Codex CLI에서 저장소 경로를 skills 디렉터리에 추가한다.
- Claude Code는 보통
~/.claude/skills/ - Cursor는 프로젝트 내
.cursor/skills/
- Claude Code는 보통
- 대화에서 바로 이렇게 말하면 된다. 「memory-forensics-volatility 스킬로 이 덤프를 분석해 줘」
저장소 구조에서 가져온 최소 동작 가능한 skill 파일 예시다.
---
name: memory-forensics-volatility
description: |
Analyze Windows memory dumps using Volatility 3 to identify malicious
processes, injected code, and credential artifacts. Use when the user
provides a .raw or .dmp file and asks about memory forensics, process
injection, or credential theft (T1003 OS Credential Dumping).
framework_mapping:
attack:
- T1003
csf:
- DE.CM-01
---
# Memory Forensics with Volatility 3
## Prerequisites
pip3 install volatility3
## Quick Analysis Workflow
1. Identify image profile:
`vol -f memdump.raw windows.info`
2. List processes (look for unsigned / hollowed):
`vol -f memdump.raw windows.pslist`
3. Scan for code injection:
`vol -f memdump.raw windows.malfind`
4. Dump credentials:
`vol -f memdump.raw windows.hashdump`
## Output
Save findings to `findings.md` with MITRE ATT&CK technique IDs.
이 파일을 skills/memory-forensics/SKILL.md에 두면, 관련 질문이 나왔을 때 Claude Code나 Cursor가 자동으로 로드한다.
동작 방식
핵심 설계는 agentskills.io라는 오픈 표준이다. 각 스킬은 하나의 폴더 안에 SKILL.md 파일을 둔다. YAML frontmatter에는 스킬 이름, 트리거 시나리오, 의존 도구, 프레임워크 매핑을 쓰고, 본문에는 구체적인 단계와 참고 명령어를 적는다.
저장소는 817개 스킬을 29개 도메인 디렉터리로 나눴다. 예컨대 forensics/, cloud/, ai-security/, fraud/, red-team/ 등이다. 각 도메인 루트 디렉터리에는 해당 프레임워크 적용 범위를 설명하는 README가 함께 들어 있다.
로딩 흐름은 이렇다. 사용자 질문 → agent가 매칭되는 SKILL.md 검색 → 컨텍스트 윈도우에 로드 → 안의 명령어대로 실행 → 결과 출력. 매칭은 description 필드의 시맨틱 검색으로 이루어진다.
프레임워크 매핑은 양방향이다. 위 volatility 예시는 ATT&CK의 T1003(OS Credential Dumping)과 NIST CSF의 DE.CM-01(지속적 모니터링)을 동시에 표기한다. 같은 스킬을 여러 프레임워크 관점에서 같은 작업에 매핑해 두었기 때문에, 컴플라이언스 보고서를 작성할 때 그대로 인용하면 된다.
29개 도메인이 커버하는 범위는 공격 표면 관리, 위협 인텔리전스, 탐지 엔지니어링, IR, 디지털 포렌식, 클라우드 보안, AI/ML 보안, 사기 탐지, 레드팀, C2, 피싱, ICS/OT, 모바일, 컴플라이언스, 프라이버시까지다. 중견 SOC의 전체 업무 흐름을 거의 그대로 담고 있다.
26개 이상 AI 플랫폼을 호환한다는 점이 강점이다. Claude Code, GitHub Copilot, Cursor, OpenAI Codex CLI, Gemini CLI 모두 이 표준을 받아들이므로, 한 번 SKILL.md를 작성하면 어디서든 돌아간다.
장점과 단점
장점
- 표준이 통일돼 있다. 26개 이상 플랫폼에서 그대로 동작하므로 도구를 바꿔도 스킬을 다시 작성할 필요가 없고, 마이그레이션 비용이 사실상 0이다.
- 프레임워크 매핑이 완전하다. 단순한 Sigma 규칙 저장소보다 커버리지가 훨씬 넓고, ATT&CK / NIST CSF / D3FEND / ATLAS / AI RMF / F3 코드를 동시에 제공한다.
- Apache 2.0 라이선스다. 상용으로 써도 되고, 내부 배포에도 걸림돌이 없다.
- README에 법적 빨간선이 명확히 표시돼 있다. 레드팀 C2, 피싱 시뮬레이션, 익스플로잇 같은 양날의 스킬은 「본인에게 권한이 있는 시스템에만 사용할 것」으로 못 박았다. 많은 보안 도구보다 이 부분이 오히려 잘 돼 있다.
단점
- 3만 스타 중 일부는 저장소명에 「Anthropic」이 들어간 덕을 본 측면이 있다. README의 disclaimer를 보면 저작자는 mukul975이고, Anthropic PBC와 무관한 커뮤니티 프로젝트다. 이 오해의 가능성은 경계해야 한다.
SKILL.md는 LLM이 읽는 프롬프트지, 실제 실행 가능한 코드가 아니다. 본질은 지식베이스이지 자동화 엔진이 아니다. 복잡한 시나리오는 결국 사람이 직접 코드를 짜야 한다.- 일부 레드팀 / 피싱 스킬은 위험도가 높다. 컴플라이언스 요건이 엄격한 기업이라면 도입 전에 법무와 보안 양쪽에서 검토가 필요하다.
- 유지보수가 개인 저작자에게 의존한다. bus factor가 1이라 장기적 지속 가능성은 지켜봐야 한다.
직접 테스트해 봤다
로컬에 클론한 뒤 skills/ 디렉터리를 Cursor의 .cursor/skills/에 등록했다. memory-forensics 도메인 아래 volatility 스킬을 골라 테스트했다.
질문: 「이 memdump.raw를 분석해서 의심스러운 프로세스를 찾아줘」. Agent가 스킬을 정확히 로드하고 volatility3 -f memdump.raw windows.pslist --pid 형식의 표준 명령 흐름을 제시했다. 또한 먼저 pip3 install volatility3가 필요하다는 점도 안내했다.
질문부터 완전한 제안까지 호출 지연이 2초 안에 들어왔다. 참고로 이 시간은 순수하게 SKILL.md를 검색·로드하는 지연이며, 실제 volatility 실행 시간은 포함되지 않는다. 큰 메모리 덤프를 volatility3로 돌리면 본 실행은 수 분에서 수십 분 더 걸린다.
Claude Code로 바꿔서 돌려도 결과는 동일했다.
네트워크 계층의 Sigma 규칙 스킬도 시도했는데, agent가 이를 정확히 Splunk SPL 쿼리로 변환해 줬다. Sigma 문서를 다시 뒤질 필요가 없었다.
결론은 이렇다. 「AI용 보안 매뉴얼」로서는 쓸 만하다. 단, 자동화 의사결정을 대신 해 주길 기대하진 말아야 한다. 실제로 명령을 돌리고, PoC를 작성하고, 스캔을 시작하는 일은 결국 사람이 해야 한다.
이런 사용자에게 맞다
적합
- 블루팀 / SOC 분석가: IDE에서 Claude / Cursor를 돌리면서 탐지 규칙을 빠르게 참조하고 싶은 경우.
SKILL.md가 임시로 문서 뒤지는 것보다 빠르다. - GRC / 컴플라이언스 담당: MITRE ATT&CK / NIST CSF 기준으로 증거를 인용해야 할 때. 프레임워크 매핑이 일을 줄여 준다.
- 보안 연구자: 6대 프레임워크를 체계적으로 학습하고 싶은 사람에게는 29개 도메인의 구조화된 자료가 좋은 입구다.
- AI 보안 분야: ATLAS와 AI RMF에关注하는 사람이라면 여기서 바로 쓸 수 있는 스킬 템플릿을 얻을 수 있다.
부적합
- 바로 쓸 수 있는 자동화 스캔 도구를 찾는 사람. 이건 지식베이스지 엔진이 아니다.
- 미인가 침투 테스트에 레드팀 스킬을 곧바로 활용하려는 경우. 법적 책임은 본인 부담이며, 저장소도 명시적으로 금지한다.
- 보안 배경 지식이 전혀 없는 초심자. 스킬만 있고 판단력이 없으면 AI 출력을 그대로 신뢰하면 안 된다.
SKILL.md안의 명령을 잘못 돌렸을 때后果가 크다.
권장 사용 방식과 주의 사항
구체적 권장
- 먼저 로컬에 clone하고, 클라우드 버전 번호를 곧이곧대로 믿지 말 것
- 단계적으로 적용할 것: 먼저 자신의 워크스테이션에서 스킬 1~2개(memory-forensics + Sigma 규칙 하나 정도)를 끝까지 돌려보고, agent 로딩과 명령 생성이 기대대로인지 검증할 것
- 팀에 「권한 범위 목록」을 작성해 둘 것. 어떤 스킬이 어떤 시스템에 대응되는지, 누가 사용을 승인하는지, 빨간선은 어디인지를 wiki에 명시할 것
- 핵심 명령 실행 전에는 사람이 검토할 것.
SKILL.md는 LLM 프롬프트일 뿐 샌드박스가 아니며, agent가 받은 shell 권한은 결국 본인이 부여한 것이다
하지 말아야 할 것
- 회사 운영 환경에
skills/디렉터리 전체를 그대로 연결하지 말 것. 817개 스킬을 한꺼번에 컨텍스트에 넣으면 토큰이 터지고, agent 검색 노이즈도 커진다 - 레드팀 스킬로 운영 환경에 「보안 테스트」를 하지 말 것. 변경 관리 프로세스를 모두 밟고 서면 승인을 받은 경우가 아니면 안 된다
- SOAR / 자동화 플랫폼처럼 취급하지 말 것. 지식베이스일 뿐이며, 오케스트레이션은 결국 사람의 몫이다
참고
- 저장소: https://github.com/mukul975/Anthropic-Cybersecurity-Skills
- 표준: https://agentskills.io
- 캡처 시점: GitHub Stars 30,162, Apache 2.0