Anthropic-Cybersecurity-Skills：818 個資安技能如何塞進 AI Agent
817 structured cybersecurity skills for AI agents · Mapped to 6 frameworks: MITRE ATT&CK, NIST CSF 2.0, MITRE ATLAS, D3FEND, NIST AI RMF & MITRE F3 (Fight Fraud) · agentskills.io standard · Works with Claude Code, GitHub Copilot, Codex CLI, Cursor, Gemini CLI & 20+ platforms · 29 security domains · Apache 2.0
秒懂
- 它是什麼？
- 這是一個將 818 個結構化資安技能對應到六個 MITRE 與 NIST 框架的開源庫，目標是讓 Claude Code、Copilot 等 AI Agent 具備資安分析師的判斷力。本文從實際機制、安裝方式與框架覆蓋的盲點來評估它是否值得採用。
- 適合誰用？
- 如果你是資安工程師，正在用 Claude Code 或 Copilot 處理事件調查、威脅狩獵或雲端資安分析，這個庫能省下大量撰寫提示詞的時間，尤其是它對 ATT&CK 與 NIST CSF 的覆蓋接近完整，且 Apache 2.0 授權允許商業使用。但若你期待這些技能能直接執行攻擊或自動產生 Sigma 規則，它會讓你失望，因為技能本質上是結構化的提示詞，不是可執行的程式。
- 可以商用嗎？
- 可以。Apache-2.0 是寬鬆授權：你可以使用、修改並販售以它為基礎的軟體，只需保留著作權與授權聲明。
- 還在維護嗎？
- 有在維護。儲存庫最近一次提交在 16 天前。
- 用什麼語言寫的？
- 主要是 Python（依據 GitHub 的語言統計）。
以上回答依據專案的 GitHub 資料（最近同步於 2026年9月15日）與我們的分析，不構成法律意見。
開源專案深度解析
這不是工具，是一套給 Agent 讀的劇本
這個專案的核心假設是，Agent 的失敗通常不是因為不會下指令，而是因為不知道在資安情境下該下什麼指令。一個 junior analyst 知道記憶體傾印該跑 Volatility3 的哪個 plugin，知道 Kerberoasting 該用哪條 Sigma 規則，但 LLM 不會自動知道這些。技能庫把這些知識變成 Agent 能讀取的結構化檔案，讓它在面對可疑記憶體或異常登入時，能先查閱對應的技能再行動。這是一個合理的設計，但也暴露了它的本質：它依賴 Agent 的閱讀與推理能力，技能內容再好，如果 Agent 不主動查閱或誤解指令，效果就會打折。從 README 的範例來看，每個技能都標註了適用的框架，但沒有提到技能之間是否有依賴關係或執行順序，這在複雜的事件調查中可能是個問題。
六個框架的對應邏輯與覆蓋數字
框架對應的實作方式從釋出紀錄可以看出演進軌跡。v1.1.0 只有 753 個技能，v1.2.0 增加到五個框架，v1.3.0 補上 F3 達到六個框架。這代表框架對應不是一次到位，而是隨著 MITRE 新框架釋出而持續擴充。F3 是 2026 年 4 月才由 CTID 發布，這個專案在 6 月就整合進 v1.3.0，反應速度算快。但要注意的是，技能數量增加不代表既有技能有更新，如果 ATT&CK 或 NIST CSF 改版，舊技能的對應是否會同步調整，README 沒有說明。對於依賴框架對應來產生報告或稽核文件的使用者，這是一個需要自行驗證的風險點。
從複製到上線：實際操作路徑
實際使用的門檻不在安裝，而在於理解技能的格式與限制。每個技能檔案都包含適用的框架標記、情境描述與建議動作，但這些動作是文字指令，不是可執行的程式。例如一個技能可能建議你「執行 Volatility3 的 windows.malfind plugin 並檢查輸出」，但不會幫你執行，也不會自動解析結果。你需要確保你的 Agent 有足夠的工具權限來執行這些建議，同時也要有判斷力來決定是否該執行。對於只想快速獲得答案的使用者，這個多一步的設計可能顯得繁瑣，但對於需要可追溯性的資安工作，文字指令反而比黑箱自動化更適合稽核。
雙用途技能的授權紅線
這裡有個實際的判斷難題：技能庫本身是靜態檔案，沒有內建任何授權檢查機制。Agent 不會知道當前目標系統是否屬於你，也不會在執行釣魚模擬前自動驗證你有沒有書面許可。這意味著安全責任完全落在使用者與 Agent 的設定上。如果你把整個技能庫開放給 Agent 無限制存取，它可能會在錯誤的脈絡下建議或執行攻擊性動作。比較安全的做法是，只讓 Agent 存取與你當前工作相關的技能子集，例如在進行藍隊工作時，不要讓它讀取 red-team 相關的技能檔案。這個篩選機制需要你自己建立，專案本身沒有提供。
替代方案：從零撰寫提示詞與專用工具
還有一類替代方案是直接使用 MITRE 的官方資源，例如 ATT&CK 的 STIX 資料或 NIST 的 CSF 文件。這些資源的優點是權威且更新即時，缺點是格式不是為 Agent 設計的，你需要自己轉換成 Agent 能有效使用的格式。Anthropic-Cybersecurity-Skills 的價值在於它已經幫你做了這個轉換與對應的工作，省去大量的前置處理時間。但如果你有特殊需求，例如只關注 ICS 安全或特定的法規遵循，官方資源加上自己的轉換流程可能更精準。
維護成本與版本更新的實際考量
另一個維護考量是技能品質的一致性。818 個技能由社群貢獻，README 標註 PRs Welcome，這代表技能內容的品質可能參差不齊。有些技能可能非常詳細且實用，有些可能只有粗略的框架對應而缺乏具體的操作建議。專案沒有提供任何技能品質的評分機制或審核標準，你只能自行抽查。對於需要高可靠性的資安工作，這是一個需要正視的風險。建議在導入後，針對你最常使用的情境，逐一檢查相關技能的內容品質，而不是假設所有技能都同樣可靠。
編輯結論
如果你是資安工程師，正在用 Claude Code 或 Copilot 處理事件調查、威脅狩獵或雲端資安分析，這個庫能省下大量撰寫提示詞的時間，尤其是它對 ATT&CK 與 NIST CSF 的覆蓋接近完整，且 Apache 2.0 授權允許商業使用。但若你期待這些技能能直接執行攻擊或自動產生 Sigma 規則，它會讓你失望，因為技能本質上是結構化的提示詞，不是可執行的程式。導入前你必須先檢查三件事：一是確認你使用的 Agent 平台是否支援 agentskills.io 標準，二是抽查幾個技能（例如 analyzing-network-traffic-of-malware）看裡面的指令是否適合你的工作流程，三是確認你對雙用途技術（如釣魚模擬）的使用有明確的書面授權。這個庫的價值在於框架對應的廣度，而非技能的深度，你應該把它當作參考文件庫，而不是自動化工具。
社群筆記