DeepSafe Scan 是 OpenClaw 生态中的一款全面预检安全扫描工具，专为深度检测部署环境、技能模块、会话数据及模型行为中的潜在安全风险而设计。它通过四个核心维度对系统进行全方位体检：部署配置（Posture）、已安装技能与安全代理（Skill）、内存与会话存储中的敏感信息（Memory），以及模型自身的行为安全性（Model）。该工具不仅能识别硬编码密钥、个人身份信息泄露、提示词注入等常见漏洞，还能结合大语言模型进行语义层面的代码分析，从而发现更隐蔽的恶意模式或社会工程风险。其输出结果以直观的 HTML 报告呈现，并附带清晰的风险评分与修复建议，帮助用户快速定位问题根源。 DeepSafe Scan 强调开箱即用的用户体验，默认启用 `–open` 参数后会自动生成详尽的安全报告并在浏览器中打开，无需额外配置。用户可根据需求选择不同扫描模式，如快速扫描适用于日常检查，完整扫描则覆盖所有探针数据集以确保深度检测。同时支持按模块定制扫描范围，例如仅检查技能文件或跳过 LLM 增强分析以提升效率。对于高级用户，还可将结果导出为 JSON 或 Markdown 格式供自动化流程处理。整个流程兼顾灵活性与易用性，既满足普通用户的快速健康检查，也支持开发者进行精细化安全审计。 该工具特别适用于需要保障 AI 系统整体安全性的场景，无论是本地部署还是云端运行均可集成使用。它不仅能够防止因配置错误导致的 API 暴露或权限滥用，还能主动发现第三方技能包中可能存在的后门逻辑或数据窃取行为。更重要的是，通过对模型进行多轮次的行为探针测试——包括诱导说服、能力伪装、欺骗识别和幻觉检测——DeepSafe Scan 提供了传统静态分析无法覆盖的动态安全防护能力。这使得它在构建可信 AI 应用时成为不可或缺的一环，尤其适合企业环境中对内部模型与插件实施合规性审查。
核心功能特点
- 基于四大维度全面扫描：部署配置、技能模块、内存会话数据、模型行为安全
- 自动生成交互式 HTML 报告并默认在浏览器中打开，提供直观可视化结果
- 支持 LLM 增强语义分析，深入检测技能代码中的隐蔽威胁与社会工程陷阱
- 内置 27+ 种密钥模式与 9 类 PII 识别能力，覆盖主流云服务与通信平台凭证
- 提供四种动态行为探针测试模型操纵、伪装、欺骗与幻觉倾向
- 灵活的扫描策略选项：快速/完整模式、模块级定制、缓存控制与多种输出格式
适用场景
当用户在 OpenClaw 平台上安装新的技能插件后，往往难以判断其是否包含恶意代码或过度权限请求。此时运行 DeepSafe Scan 的 Skill 模块即可自动遍历 `workspace/skills/` 目录下的所有文件，检测是否存在隐藏的 Unicode 字符、命令注入尝试、敏感文件访问企图或硬编码 API 密钥等问题。若启用了 LLM 语义分析功能，还会进一步解析每个技能的 `SKILL.md` 说明文档，识别潜在的社交工程诱导策略或隐式的数据外泄设计，极大提升供应链安全防线。 在日常运维过程中，管理员经常需要确认当前网关配置是否符合最佳实践。例如检查 TLS 加密状态、认证机制有效性、网络暴露面大小以及日志记录完整性等关键项。DeepSafe Scan 的 Posture 模块会读取 `openclaw.json` 配置文件，逐项验证这些设置，并给出具体改进建议。一旦发现开放端口过多、未启用双向认证或存在可预测的 API 密钥生成方式等情况，系统会立即标记为高风险项，避免因配置疏忽导致被攻击者利用。 对于依赖 AI 模型执行敏感任务的场景，如客服对话系统或医疗辅助决策平台，必须确保模型本身不会产生误导性回答、故意隐藏能力边界或编造虚假信息。DeepSafe Scan 的 Model 模块正是为此而生——它通过 Persuasion Probe 检验模型在多轮对话中能否操控用户观点；Sandbagging Probe 评估其是否有意降低表现以规避监管；Deception Probe 则采用三阶段推理错配测试来捕捉言行不一的行为特征；HaluEval Probe 最后对标标准问答基准验证幻觉率。综合四项探针得分得出整体模型风险等级，帮助企业建立持续监控机制，防范因模型失控引发的声誉损失或法律责任。