Vivi Skill Vetter 是一款专为 AI 代理设计的安全优先型技能审查工具，旨在在安装来自 ClawHub、GitHub 或其他第三方来源的外部技能前提供全面的安全评估。该工具通过自动化扫描与人工审核相结合的方式，帮助用户在引入新技能时识别潜在风险，避免因安装恶意或存在安全隐患的技能而导致系统被入侵、数据泄露或设备受损。其核心设计理念遵循“信任但需验证”的原则，不仅检测明显的恶意行为模式，还为用户提供清晰的上下文信息以支持自主决策。 Skill Vetter 采用分层安全检测机制，将代码行为划分为三个关键类别：第一类为‘🚨 Critical Red Flags’（关键危险信号），包括远程代码执行、权限提升、数据外泄和系统破坏等高危操作，一旦发现此类模式即建议阻止安装；第二类为‘⚠️ Warning Patterns’（警告模式），涵盖环境变量访问、网络请求、包管理器调用及隐藏文件创建等行为，这些虽不一定是恶意的，但仍需用户结合具体场景审慎判断；第三类为‘📋 Standard Patterns’（标准模式），指正常技能开发中常见的操作如读写工作区文件、使用标准库或调用常规命令行工具，通常视为安全可接受。这种分类体系使安全审查既不过度敏感，也不遗漏真正威胁。 该工具支持多种输入源，无论是通过 `clawhub inspect` 检查 ClawHub 上的技能元数据，还是克隆 GitHub 仓库进行本地分析，均可导入至 Vetting 流程中。用户可通过内置脚本 `vet_skill.py` 对技能目录执行自动化扫描，并选择生成简明报告或启用详细输出模式。最终结果以结构化形式呈现——包含必须修复的问题、需要人工复核的警告项以及整体建议（通过/谨慎/阻止）——从而形成清晰的三段式决策框架。整个过程强调透明度与用户控制权，所有检测结果均明确告知而非自动拦截，确保最终决定权始终掌握在用户手中。
核心功能特点
- 自动识别并标记远程代码执行、权限提升、数据窃取等高危害行为模式
- 区分关键危险信号、可疑警告模式和常规安全操作三类风险等级
- 支持从 ClawHub、GitHub 等多渠道获取技能源码进行离线安全扫描
- 提供结构化检测报告，含问题详情、风险说明与安装建议
- 允许用户自定义共享区域与个人禁区边界，强化本地数据保护
适用场景
Vivi Skill Vetter 最适用于那些频繁从非官方渠道获取并集成第三方技能的 AI 开发者或自动化平台管理员。例如，当团队计划通过 `clawhub install weather-skill` 安装一个天气查询插件时，可在实际部署前运行 Skill Vetter 对该技能进行预检，快速发现其中是否包含向外部服务器发送敏感信息的 curl 命令，从而防止隐私泄露。同样，对于开源社区贡献者而言，若收到他人分享的 GitHub 技能包，使用本工具能显著降低引入后门或挖矿程序的风险。 在企业级环境中，该工具可作为 CI/CD 流水线中的安全检查环节之一。每次新技能提交合并后，自动触发 vetting 脚本生成安全报告，只有通过审核的技能才会被正式纳入生产环境。这不仅保障了内部系统的稳定性，也符合零信任架构下的最小权限原则。此外，对于普通用户而言，即使不了解底层代码逻辑，也能借助此工具理解技能可能带来的影响——比如某个笔记同步功能是否会尝试读取 ~/.ssh/id_rsa 文件，进而决定是否授权运行。 另一个典型应用场景是教育训练。新手开发者往往难以分辨看似无害的命令（如 `pip install`）背后的潜在风险，而 Skill Vetter 提供的分类提示和解释机制，有助于培养良好的安全编码习惯。同时，其输出的标准化格式也便于组织建立内部技能准入规范，统一团队的安全基线。无论是个人项目维护还是大规模协作开发，该工具都扮演着‘数字守门人’的角色，在开放生态与系统安全之间取得平衡。