30k stars 的開源專案 Anthropic-Cybersecurity-Skills,把 MITRE ATT&CK、NIST CSF、MITRE ATLAS 等六大資安框架拆成 817 個標準 SKILL.md。Claude Code、Cursor、Copilot、Codex CLI 加一行設定就能載入。
它解決什麼問題
入門資安分析師知道用 Volatility 3 的哪個外掛分析記憶體映像檔、哪些 Sigma 規則能抓到 Kerberoasting,但 AI Agent 預設不會這些。
這個專案的做法是:把 817 個結構化的資安技能(每個一份 SKILL.md),按 29 個資安領域、六大框架拆好。任何相容 agentskills.io 標準的 AI 程式工具,都能像呼叫本地技能一樣呼叫它們。
相當於把《藍隊手冊》和《紅隊手冊》打散成 LLM 讀得懂的 SKILL.md。
怎麼用
三步上手:
git clone https://github.com/mukul975/Anthropic-Cybersecurity-Skills- 在 Claude Code / Cursor / Codex CLI 裡把專案路徑加進 skills 目錄:
- Claude Code 一般放
~/.claude/skills/ - Cursor 放專案內
.cursor/skills/
- Claude Code 一般放
- 在對話裡直接說「用 memory-forensics-volatility 技能分析這個 dump」
下面是一個最小可運行的 skill 檔案範例,擷取自專案結構:
---
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.
把這個檔案放進 skills/memory-forensics/SKILL.md,Claude Code 或 Cursor 在相關提問時就會自動載入。
它怎麼運作
核心設計是 agentskills.io 這個開放標準。每個技能一個資料夾,裡面放 SKILL.md:YAML frontmatter 寫技能名稱、觸發情境、相依工具、框架對應,正文寫具體步驟和參考指令。
專案把 817 個技能按 29 個領域分目錄,例如 forensics/、cloud/、ai-security/、fraud/、red-team/。每個領域根目錄附一份 README 說明適用框架。
載入流程:使用者提問 → agent 檢索匹配的 SKILL.md → 載入到上下文視窗 → 按裡面的指令執行 → 輸出結果。匹配靠 description 欄位的語意檢索。
框架對應是雙向的。上面那個 volatility 範例同時標了 ATT&CK 的 T1003(OS Credential Dumping)和 NIST CSF 的 DE.CM-01(持續監控)。同一個技能從多個框架角度對到同一塊工作,寫合規報告時直接抄就行。
29 個領域涵蓋:攻擊面管理、威脅情資、偵測工程、IR、數位鑑識、雲端安全、AI/ML 安全、詐騙偵測、紅隊、C2、釣魚、ICS/OT、行動裝置、合規、隱私。基本上是中型 SOC 的完整工作流程。
相容 26 種以上 AI 平台是個亮點。Claude Code、GitHub Copilot、Cursor、OpenAI Codex CLI、Gemini CLI 都吃這套標準,寫一份 SKILL.md 到處都能跑。
好在哪 / 不好在哪
好的地方:
- 標準統一。26 種以上平台通用,換工具不用重寫技能,遷移成本接近零
- 框架對應完整。比單一 Sigma 規則庫涵蓋面廣得多,同時給 ATT&CK / NIST CSF / D3FEND / ATLAS / AI RMF / F3 編號
- Apache 2.0 授權。可商用,內部分發沒有地雷
- README 明確畫了法律紅線:紅隊 C2、釣魚模擬、漏洞利用這些雙刃技能,「只對自己有授權的系統使用」。這點比很多資安工具到位
不好的地方:
- 30k stars 多少沾了倉庫名裡「Anthropic」的光。看 README 的免責聲明,倉庫作者是 mukul975,是社群專案,跟 Anthropic PBC 官方沒關係。這個誤導需要警惕
SKILL.md是給 LLM 讀的提示詞,不是真正能跑的程式碼。本質是知識庫,不是自動化引擎。複雜場景還是要人寫程式- 部分紅隊 / 釣魚技能風險高。對合規要求嚴格的企業,導入前需要法務和安全雙重評估
- 維護靠單一作者。bus factor 是 1,長期永續性待觀察
實測紀錄
克隆到本地後,把 skills/ 目錄加進 Cursor 的 .cursor/skills/。挑了 memory-forensics 領域下的 volatility 技能做測試。
提問:「分析這個 memdump.raw,找出可疑程序」。Agent 正確載入技能,給出了 volatility3 -f memdump.raw windows.pslist --pid 的標準指令流程,並提示需要先 pip3 install volatility3。
從提問到看到完整建議,整個呼叫延遲在 2 秒內。注意:這是純檢索 + 載入 SKILL.md 到上下文的延遲,不包含真正跑 volatility 的時間。volatility3 跑大型記憶體映像檔自己還得幾分鐘到幾十分鐘。
換到 Claude Code 效果一致。
又試了一個網路層的 Sigma 規則技能,agent 能把它正確轉成 Splunk SPL 查詢,省了自己再翻一遍 Sigma 文件的功夫。
結論:當作「AI 用的資安手冊」是好用的,別指望它替你做自動化決策。真正跑指令、寫 PoC、起掃描,還是要人來。
誰適合用
適合:
- 藍隊 / SOC 分析師:想在 IDE 裡跑 Claude / Cursor 時順手查偵測規則。
SKILL.md比臨時翻文件快 - GRC / 合規崗位:需要按 MITRE ATT&CK / NIST CSF 引用證據。框架對應省事
- 資安研究者:想系統性學習六大框架,29 個領域的結構化資料是好的起點
- AI 安全方向:關注 ATLAS 和 AI RMF 的人。這裡給現成的技能模板
不適合:
- 想找開箱即用的自動化掃描工具。這是知識庫,不是引擎
- 紅隊想直接拿來做未授權滲透。法律風險自負,且專案明確禁止
- 完全沒資安背景的初學者。光有技能沒有判斷力,AI 輸出不能直接信任——
SKILL.md裡的指令跑錯了後果很嚴重
該怎麼用 / 不該怎麼用
具體建議:
- 先 clone 到本地,別直接信雲端版本號
- 灰度上線:先在自己 workstation 跑通 1-2 個技能(例如 memory-forensics 加一個 Sigma 規則),驗證 agent 載入和指令生成符合預期
- 給團隊寫一份「授權範圍清單」。哪些技能對應哪些系統、誰核准使用、紅線在哪,寫在 wiki 裡
- 關鍵指令落地前人工 review。
SKILL.md是 LLM 提示詞,不是 sandbox,agent 拿到的 shell 權限是你給的
不要做:
- 不要在公司正式環境直接掛整個
skills/目錄。817 個技能一次塞上下文會爆 token,也會讓 agent 檢索雜訊變大 - 不要拿紅隊技能對正式環境做「安全測試」除非走完變更流程並拿到書面授權
- 不要把它當 SOAR / 自動化平台。它是知識庫,排程還是要靠人
資料來源
- 專案:https://github.com/mukul975/Anthropic-Cybersecurity-Skills
- 標準:https://agentskills.io
- 截圖當下:GitHub Stars 30,162,Apache 2.0