Anthropic-Cybersecurity-Skills:把 817 个安全技能塞进 AI Agent 工具箱
30k stars 的开源仓库 Anthropic-Cybersecurity-Skills,把 MITRE ATT&CK、NIST CSF、MITRE ATLAS 等 6 大安全框架拆成 817 个标准 SKILL.md。Claude Code、Cursor、Copilot、Codex CLI 加一行配置就能加载。
它解决什么问题
初级安全分析师知道用 Volatility 3 的哪个插件分析内存 dump、哪些 Sigma 规则能抓到 Kerberoasting,但 AI Agent 默认不会这些。
仓库的做法是:把 817 个结构化的安全技能(每个一份 SKILL.md),按 29 个安全域、6 大框架拆好。任何兼容 agentskills.io 标准的 AI 编程工具,都能像调用本地技能一样调用它们。
相当于把《蓝队手册》和《红队手册》打散成 LLM 能读的 SKILL.md。
怎么用
三步上手:
git clone https://github.com/mukul975/Anthropic-Cybersecurity-Skills- 在 Claude Code / Cursor / Codex CLI 里把仓库路径加进 skills 目录:
- Claude Code 一般放~/.claude/skills/
- Cursor 放项目内.cursor/skills/ - 在对话里直接说「用 memory-forensics-volatility 技能分析这个 dump」
下面是一个最小可运行的 skill 文件示例,截取自仓库结构:
---
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.
把这个文件放进 skills/memory-forensics/SKILL.md,Claude Code 或 Cursor 在相关提问时就会自动加载。
它怎么工作
核心设计是 agentskills.io 这个开放标准。每个技能一个文件夹,里面放 SKILL.md:YAML frontmatter 写技能名字、触发场景、依赖工具、框架映射,正文写具体步骤和参考命令。
仓库把 817 个技能按 29 个域分目录,比如 forensics/、cloud/、ai-security/、fraud/、red-team/。每个域根目录带一个 README 说明适用框架。
加载流程:用户提问 → agent 检索匹配的 SKILL.md → 加载到上下文窗口 → 按里面的命令执行 → 输出结果。匹配靠 description 字段的语义检索。
框架映射是双向的。上面那个 volatility 例子同时标了 ATT&CK 的 T1003(OS Credential Dumping)和 NIST CSF 的 DE.CM-01(持续监控)。同一个技能从多个框架角度对到同一块工作,写合规报告时直接抄就行。
29 个域覆盖:攻击面管理、威胁情报、检测工程、IR、数字取证、云安全、AI/ML 安全、欺诈检测、红队、C2、钓鱼、ICS/OT、移动、合规、隐私。基本是中型 SOC 的完整工作流。
兼容 26+ AI 平台是个亮点。Claude Code、GitHub Copilot、Cursor、OpenAI Codex CLI、Gemini CLI 都吃这套标准,写一份 SKILL.md 到处跑。
好在哪 / 不好在哪
好:
- 标准统一。26+ 平台通吃,换工具不用重写技能,迁移成本接近零
- 框架映射完整。比单一 Sigma 规则库覆盖面广得多,同时给 ATT&CK / NIST CSF / D3FEND / ATLAS / AI RMF / F3 编号
- Apache 2.0 协议。可商用,内部分发没坑
- README 明确划了法律红线:红队 C2、钓鱼模拟、漏洞利用这些双刃技能,「只对自己有授权的系统使用」。这点比很多安全工具到位
不好:
- 30k stars 多少沾了仓库名里 "Anthropic" 的光。看 README 的 disclaimer,仓库作者是 mukul975,是社区项目,跟 Anthropic PBC 官方没关系。这个误导得警惕
SKILL.md是给 LLM 读的提示词,不是真能跑的代码。本质是知识库,不是自动化引擎。复杂场景还是得人写代码- 部分红队 / 钓鱼技能风险高。国内合规要求严格的企业,引入前需要法务和安全双评估
- 维护靠个人作者。bus factor 是 1,长期可持续性待观察
我试了一下
克隆到本地后,把 skills/ 目录加进 Cursor 的 .cursor/skills/。挑了 memory-forensics 域下的 volatility 那个技能做测试。
提问:「分析这个 memdump.raw,找出可疑进程」。Agent 正确加载技能,给出了 volatility3 -f memdump.raw windows.pslist --pid 的标准命令流,并提示需要先 pip3 install volatility3。
从提问到看到完整建议,整个调用延迟在 2 秒内。注意:这是纯检索 + 加载 SKILL.md 到上下文的延迟,不包含真正跑 volatility 的时间。volatility3 跑大内存 dump 自己还得几分钟到几十分钟。
换到 Claude Code 效果一致。
又试了一个网络层的 Sigma 规则技能,agent 能把它正确转成 Splunk SPL 查询,省了自己再翻一遍 Sigma 文档。
结论:当作「AI 用的安全手册」是好用的,别指望它替你做自动化决策。真正跑命令、写 PoC、起扫描,还是得人来。
谁该用
适用:
- 蓝队 / SOC 分析师:想让 IDE 里跑 Claude / Cursor 时顺手查检测规则。
SKILL.md比临时翻文档快 - GRC / 合规岗:需要按 MITRE ATT&CK / NIST CSF 引用证据。框架映射省事
- 安全研究者:想系统学 6 大框架,29 个域的结构化资料是好的起点
- AI 安全方向:关注 ATLAS 和 AI RMF 的人。这里给现成的技能模板
不适用:
- 想找开箱即用的自动化扫描工具。这是知识库,不是引擎
- 红队想直接拿来做未授权渗透。法律风险自担,且仓库明确禁止
- 完全没安全背景的小白。光有技能没有判断力,AI 输出不能直接信任——
SKILL.md里的命令跑错了后果很严重
怎么用 / 别怎么用
具体建议:
- 先 clone 到本地,别直接信云端版本号
- 灰度用:先在自己 workstation 跑通 1-2 个技能(比如 memory-forensics + 一个 Sigma 规则),验证 agent 加载和命令生成符合预期
- 给团队写一份「授权范围清单」。哪些技能对应哪些系统,谁批准使用,红线在哪,写在 wiki 里
- 关键命令落地前人工 review。
SKILL.md是 LLM 提示词,不是 sandbox,agent 拿到的 shell 权限是你给的
不要做:
- 不要在公司生产环境直接挂整个
skills/目录。817 个技能一次塞上下文会爆 token,也会让 agent 检索噪声大 - 不要拿红队技能对生产环境做「安全测试」除非走完变更流程并拿到书面授权
- 不要把它当 SOAR / 自动化平台。它是知识库,调度还得靠人
来源
- 仓库:https://github.com/mukul975/Anthropic-Cybersecurity-Skills
- 标准:https://agentskills.io
- 截图时刻:GitHub Stars 30,162,Apache 2.0