754個結構化網絡安全技能庫，助力AI Agent變身高級安全分析師

作者：惡人筆記

日期：2026年5月28日上午7:29

來源：WeChat 原文

✦整理版優先睇

速讀 5 個重點高亮

一個為AI Agent設計嘅開源網絡安全技能庫，包含754個結構化技能，覆蓋26個領域並映射五大框架，等AI可以好似資深分析師咁執行專業任務。

整理版摘要

呢篇文章介紹一個開源項目Anthropic-Cybersecurity-Skills，佢係一個獨立社區項目，同Anthropic官方無直接關聯。作者想解決嘅問題係：AI Agent雖然識寫程式、搜資料，但缺乏網絡安全實戰指引，唔知幾時用咩工具、要做咩前置檢查、點樣執行同驗證。整體結論係呢個技能庫透過agentskills.io開放標準，用漸進式披露設計，等AI可以高效發現同執行專業流程，填補全球數百萬網絡安全人才缺口。

項目包含754個結構化技能，涵蓋26個安全領域，例如雲端安全、威脅狩獵、惡意軟件分析、數位取證等。每個技能都對應MITRE ATT&CK、NIST CSF 2.0、MITRE ATLAS、MITRE D3FEND同NIST AI RMF五大框架，方便合規同跨團隊協作。技能採用標準化格式，包含YAML元數據同Markdown正文，指定使用時機、前置條件、工作流程同驗證方法。

呢個項目嘅設計方向係Agentic AI喺垂直領域落地嘅務實做法：唔係取代人類分析師，而係透過結構化知識放大AI能力，加速威脅狩獵、事件應變同取證等工作。適合安全團隊用嚟構建AI輔助SOC，或者DevSecOps整合到CI/CD流程。使用時要注意技能質素依賴維護者更新，同埋AI仍需人類監督複雜決策。

結論：呢個項目係一個生產級網絡安全知識庫，包含754個技能，覆蓋26個領域，讓AI Agent可以執行專業安全任務。
方法：每個技能按照agentskills.io標準設計，包含前置條件、工作流程同驗證步驟，採用漸進式披露節省上下文窗口。
差異：獨特之處係每個技能都映射到五大框架（如MITRE ATT&CK、NIST CSF 2.0），方便合規同跨團隊協作。
啟發：項目體現Agentic AI落地嘅務實方向——放大AI能力而唔係取代人類，填補人才缺口。
可行動點：可以用npx一鍵添加技能庫（npx skills add mukul975/Anthropic-Cybersecurity-Skills），兼容Claude Code、Cursor等20+平台。

值得記低

連結 github.com

項目 GitHub 地址

Anthropic-Cybersecurity-Skills 開源項目倉庫

連結 agentskills.io

agentskills.io 標準

AI Agent 技能開放標準官網

整理重點

呢個項目係咩背景？

全球網絡安全人才缺口巨大（ISC2數據顯示有數百萬空缺），AI Agent雖然可以寫程式、搜資料，但欠缺資深分析師嘅實戰指南，唔知道幾時用咩工具、要做咩前置檢查、點樣執行同驗證。呢個項目正正填補咗呢個空白。

項目名稱：Anthropic-Cybersecurity-Skills，係獨立社區項目，同Anthropic官方無關。
遵循Apache 2.0許可，支援商業使用。
兼容Claude Code、Cursor、GitHub Copilot等20+平台。

整理重點

核心亮點：規模、框架映射與高效設計

項目包含754個結構化技能，覆蓋26個安全領域，例如雲端安全（60個技能）、威脅狩獵（55個）、惡意軟件分析（39個）、數位取證（37個）等。每個技能都映射到五大框架：MITRE ATT&CK、NIST CSF 2.0、MITRE ATLAS、MITRE D3FEND、NIST AI RMF。

舉例：分析惡意軟件網絡流量嘅技能，同時映射ATT&CK T1071同NIST DE.CM，方便合規同跨團隊協作。

1 規模與覆蓋：754個技能，26大領域，從Web安全到OT/ICS安全都有。
2 框架映射：每個技能對應多個框架，提升合規效率。
3 高效設計：採用漸進式披露，先掃描元數據（~30 tokens），匹配後先完整加載（500-2000 tokens）。

整理重點

技能結構同點樣用？

每個技能係一個文件夾，包含以下元件：

SKILL.md：YAML前置元數據（name、description、tags、framework mappings） + Markdown正文（When to Use、Prerequisites、Workflow、Verification）。
references/：標準映射、詳細工作流。
scripts/：可選輔助腳本。
assets/：模板、檢查清單等。

安裝方法好簡單：推薦用npx skills add mukul975/Anthropic-Cybersecurity-Skills一鍵添加；或者手動git clone後指向支援agentskills.io嘅平台。

安裝指令 bash

npx skills add mukul975/Anthropic-Cybersecurity-Skills
# 或者手動 clone
git clone https://github.com/mukul975/Anthropic-Cybersecurity-Skills.git

整理重點

優勢、侷限同適合邊啲人？

優勢方面：技能標準化統一格式，方便團隊共享同版本控制；可以提升效率，讓能力唔高嘅AI或非專家快速獲得資深專業級指導；對安全從業者嚟講係好好嘅學習參考。

潛在侷限：技能質素依賴維護者同貢獻者，工具版本更新快，需要定期驗證；AI仍需人類監督，複雜決策、環境適配、法律合規要專家把關；強調防禦同分析，唔可以用嚟實施攻擊；實時性方面要結合最新情報。

1 安全團隊：用嚟構建AI輔助SOC、自動化playbook。
2 開發者/DevSecOps：整合到CI/CD或程式碼審查。
3 學習者/研究者：深入理解框架同實戰流程。
4 合規導向企業：多框架映射有助攞更多安全認證。

今日同大家講下一個AI幫手網絡安全領域嘅開源project：Anthropic-Cybersecurity-Skills，呢個project唔係簡單嘅工具集或者提示詞庫，而係一個專為AI Agent量身打造嘅生產級網絡安全知識庫。佢包含咗754個結構化技能，覆蓋咗26個安全領域，仲完整映射咗MITRE ATT&CK、NIST CSF 2.0等五大主流框架。

個project跟足agentskills.io開放標準，兼容Claude Code、Cursor、GitHub Copilot等20幾個平台，行Apache 2.0許可，可以用嚟商用。

不過要留意，雖然project名有「Anthropic」，但呢個係獨立嘅社區project，同Anthropic官方冇直接關係。

點解需要呢個project？

網絡安全人才缺口好大（據ISC2數據，全球曾經有幾百萬個空缺崗位）。AI Agent識寫Code、搜資料，但係就欠資深分析師嘅「實戰指南」，唔知幾時用咩工具、前置條件檢查、執行步驟、結果驗證呢啲。

呢個project正正填補咗呢個空白。佢唔係生成式總結，而係基於真實從業者工作流構建嘅AI原生知識庫。每個技能都用agentskills.io標準設計，令到AI可以高效發現、加載同執行專業流程。

project核心亮點

1. 規模與覆蓋：754個技能，26大領域（雲安全、威脅狩獵、DFIR、惡意軟件分析、OT/ICS安全等）。例如：

◦ 雲安全：60個技能（AWS/Azure/GCP加固、雲取證）
◦ 威脅狩獵：55個
◦ 惡意軟件分析：39個
◦ 數字取證：37個
◦ … 覆蓋由Web App安全到勒索軟件防禦嘅廣泛場景。

2. 五大框架映射：呢個係project嘅獨特之處。每個技能都映射到：
一個技能對應多個框架，方便合規同跨團隊協作。例如：分析惡意軟件網絡流量嘅技能，同時映射ATT&CK T1071、NIST DE.CM等框架。

◦ MITRE ATT&CK（對手行為）
◦ NIST CSF 2.0（組織安全態勢）
◦ MITRE ATLAS（AI/ML對抗）
◦ MITRE D3FEND（防禦措施）
◦ NIST AI RMF（AI風險管理）

3. 高效設計：採用漸進式披露（progressive disclosure）方式。AI先掃描技能前置元數據（得~30 tokens），匹配咗之後先完整加載（500-2000 tokens），唔會浪費上下文窗口，好慳位。

技能嘅結構

每個技能係一個文件夾，包含：

• SKILL.md：YAML前置元數據（name、description、tags、framework mappings） + Markdown正文（When to Use、Prerequisites、Workflow、Verification）。
• references/：標準映射、詳細工作流。
• scripts/：可選輔助腳本。
• assets/：模板、檢查清單等。

例如呢個簡化示例：performing-memory-forensics-with-volatility3

• 描述：用Volatility3分析內存轉儲，提取進程、網絡連接、注入代碼等。
• Workflow：具體命令、決策點。
• Verification：點樣確認結果並映射到ATT&CK T1003等。

點樣用？

推薦方式（npx，一鍵添加）：

npx skills add mukul975/Anthropic-Cybersecurity-Skills

手動方式：

git clone https://github.com/mukul975/Anthropic-Cybersecurity-Skills.git
# 將文件夾指向支持agentskills.io的平台

兼容嘅Agent平台包括Claude Code、Cursor、GitHub Copilot、Gemini CLI、OpenAI Codex CLI等。安裝之後，直接喺提示中描述安全任務，AI就會自動發現並用相關技能。

實戰場景示例：

• 用戶輸入提示：「分析呢個內存轉儲，揾下有冇憑證竊取跡象。」
• Agent內部工作流：掃描技能 → 加載Volatility3內存取證、LSASS憑證轉儲等 → 跟步驟執行並驗證 → 輸出結構化報告並映射框架。

另外，你仲可以喺Casky.ai等試驗場環境上唔使安裝就體驗即時演練。

分析：優勢、限制同適合嘅人

優勢：

• 標準化同可重用：技能嘅標準化統一格式，方便團隊共用同版本控制。
• 提升效率：令能力冇咁高嘅AI或者非專家快速得到資深專業級指導，加快威脅狩獵、事件應對、取證等工作。
• 教育價值：對安全從業者嚟講，係好好嘅學習參考，因為技能都係結構化嘅工作指南。

潛在限制：

• 技能質素依賴維護者同貢獻者，需要定期驗證（尤其係工具版本更新快）。
• AI依然需要人類監督：技能提供指導，但複雜決策、環境適配、法律合規仍然要專家把關。
• 強調防禦同分析，唔係用嚟實施攻擊，使用時一定要合法授權。
• 上下文同即時性：AI結合最新情報時仍然要及時補充外部數據。

適合邊個？

• 安全團隊：構建AI輔助SOC、自動化playbook。
• 開發者/DevSecOps：集成到CI/CD或者代碼審查中。
• 學習者/研究者：深入瞭解框架同實戰流程。
• 出海或合規導向企業：多框架映射可以幫到手，更方便拎到更多安全認證。

整體嚟講，呢個project代表咗Agentic AI喺垂直領域落地嘅務實方向。喺AI快速演進嘅時代，佢唔係誇大AI取代人類，而係透過結構化知識放大AI能力，幫手填補人才缺口。網絡安全係持久戰，而AI正成為新嘅戰力。

參考連結：

• project地址：https://github.com/mukul975/Anthropic-Cybersecurity-Skills
• agentskills.io 標準：https://agentskills.io

（本文根據公開GitHub資訊整理，僅供參考。安全操作請遵守法律法規並獲得相應授權。）

今天跟大家分享一個AI助力網絡安全領域的開源項目：Anthropic-Cybersecurity-Skills，這個項目不是簡單的工具集合或提示詞庫，而是一個為AI Agent量身打造的生產級網絡安全知識庫。它包含了754個結構化技能，覆蓋了26個安全領域，並完整映射MITRE ATT&CK、NIST CSF 2.0等五大主流框架。

項目遵循 agentskills.io 開放標準，兼容Claude Code、Cursor、GitHub Copilot等20+平台，遵循Apache 2.0許可，可以支持商用。

不過需要注意，雖然項目名字帶了“Anthropic”，但這是一個獨立的社區項目，與Anthropic官方並無直接關聯。

為什麼需要這樣的項目？

網絡安全人才缺口巨大（據ISC2數據，全球曾有數百萬空缺崗位）。AI Agent能寫代碼、搜索信息，但缺少資深分析師的“實戰指南”，不知道什麼時候用什麼工具、前置條件檢查、執行步驟、結果驗證等。

這個項目正是填補了這一空白。它不是生成式總結，而是基於真實從業者工作流構建的AI原生知識庫。每個技能都採用agentskills.io標準設計，讓AI能高效發現、加載並執行專業流程。

項目核心亮點

1. 規模與覆蓋：754個技能，26大領域（雲安全、威脅狩獵、DFIR、惡意軟件分析、OT/ICS安全等）。例如：

◦ 雲安全：60個技能（AWS/Azure/GCP加固、雲取證）
◦ 威脅狩獵：55個
◦ 惡意軟件分析：39個
◦ 數字取證：37個
◦ … 覆蓋從Web App安全到勒索軟件防禦的廣泛場景。

2. 五大框架映射：這是項目的獨特之處。每個技能都映射到：
一個技能對應多個框架，便於合規與跨團隊協作。比如：分析惡意軟件網絡流量的技能，同時映射ATT&CK T1071、NIST DE.CM等框架。

◦ MITRE ATT&CK（對手行為）
◦ NIST CSF 2.0（組織安全態勢）
◦ MITRE ATLAS（AI/ML對抗）
◦ MITRE D3FEND（防禦措施）
◦ NIST AI RMF（AI風險管理）

3. 高效設計：採用漸進式披露（progressive disclosure）方式。AI先掃描技能前置元數據（僅~30 tokens），匹配後再完整加載（500-2000 tokens），不浪費上下文窗口，極大的節約。

技能的結構

每個技能是一個文件夾，包含：

• SKILL.md：YAML前置元數據（name、description、tags、framework mappings） + Markdown正文（When to Use、Prerequisites、Workflow、Verification）。
• references/：標準映射、詳細工作流。
• scripts/：可選輔助腳本。
• assets/：模板、檢查清單等。

比如這個簡化示例：performing-memory-forensics-with-volatility3

• 描述：使用Volatility3分析內存轉儲，提取進程、網絡連接、注入代碼等。
• Workflow：具體命令、決策點。
• Verification：如何確認結果並映射到ATT&CK T1003等。

如何使用？

推薦方式（npx，一鍵添加）：

npx skills add mukul975/Anthropic-Cybersecurity-Skills

手動方式：

git clone https://github.com/mukul975/Anthropic-Cybersecurity-Skills.git
# 將文件夾指向支持agentskills.io的平台

兼容的Agent平台包括Claude Code、Cursor、GitHub Copilot、Gemini CLI、OpenAI Codex CLI等。安裝後，直接在提示中描述安全任務，AI就會自動發現並使用相關技能。

實戰場景示例：

• 用戶輸入提示：“分析這個內存轉儲，查找憑證竊取跡象。”
• Agent內部工作流：掃描技能 → 加載Volatility3內存取證、LSASS憑證轉儲等 → 按步驟執行並驗證 → 輸出結構化報告並映射框架。

另外，你還可以在Casky.ai等試驗場環境上無安裝體驗實時演練。

分析：優勢、侷限與適用人羣

優勢：

• 標準化與可複用：技能的標準化統一格式，便於團隊共享和版本控制。
• 提升效率：讓能力相對不高的AI或非專家快速獲得資深、專業級指導，加速威脅狩獵、IR、取證等工作。
• 教育價值：對安全從業者來說，是極好的學習參考，因為技能都是結構化的工作指南。

潛在侷限：

• 技能質量依賴維護者與貢獻者，需定期驗證（尤其工具版本更新快）。
• AI仍需人類監督：技能提供指導，但複雜決策、環境適配、法律合規仍需專家把關。
• 強調防禦與分析，而非用於實施攻擊，使用時務必合法授權。
• 上下文與實時性：AI結合最新情報時仍需及時補充外部數據。

適合誰？

• 安全團隊：構建AI輔助SOC、自動化playbook。
• 開發者/DevSecOps：集成到CI/CD或代碼審查中。
• 學習者/研究者：深入理解框架與實戰流程。
• 出海或合規導向企業：多框架映射可以助力，更方便獲取更多安全認證。

總體而言，這個項目代表了Agentic AI在垂直領域落地的務實方向。在AI快速演進的時代，它不誇大AI取代人類，而是通過結構化知識放大AI能力，從而助力填補人才缺口。網絡安全是持久戰，而AI正成為新的戰力。

參考連結：

• 項目地址：https://github.com/mukul975/Anthropic-Cybersecurity-Skills
• agentskills.io 標準：https://agentskills.io

（本文基於公開GitHub信息整理，僅供參考。安全操作請遵守法律法規並獲得相應授權。）