SkillSpector 是 NVIDIA 推出的開源 AI Agent 技能（Skills）安全掃描工具，主要用途是在安裝 Claude Code、Codex CLI、Gemini CLI、OpenCode 等 AI Agent 的技能套件之前，先進行安全檢查與風險評估。它的定位有點像 AI 時代的防毒軟體或套件安全掃描器，但保護對象不再是傳統軟體套件，而是近年快速興起的 Agent Skills、生產力技能包、MCP 擴充模組與自動化工作流程。
隨著 Claude Code、OpenCode、Cursor 等 Agent 生態系逐漸成熟，越來越多開發者開始安裝來自 GitHub、社群市場或第三方網站的 Skills。然而這些技能往往擁有讀取檔案、執行指令、呼叫 API、存取憑證等能力，一旦存在惡意內容或設計缺陷，就可能造成資料外洩、權限濫用甚至供應鏈攻擊。SkillSpector 正是為了解決這類新興風險而誕生，其核心問題相當直接：
「這個 Skill 安全嗎？值得安裝嗎？」
從官方說明來看，SkillSpector 支援掃描 GitHub Repository、網址、ZIP 壓縮檔、本機資料夾、單一 SKILL.md 檔案等多種來源。使用者不需要先安裝技能，就能預先分析其潛在風險。這種模式類似於下載程式前先進行病毒掃描，只不過檢查對象換成 Agent Skills。
在功能設計上，SkillSpector 的檢測範圍相當廣泛。目前官方已內建：
- 64 種漏洞偵測規則
- 16 大風險類別
- 靜態程式分析（Static Analysis）
- AST 行為分析
- 污染追蹤（Taint Tracking）
- YARA 規則檢查
- OSV.dev CVE 漏洞查詢
- MCP 安全性分析
- 可選擇 LLM 語意分析
- SARIF、JSON、Markdown 報告輸出
這使它不只是單純的規則比對工具，而是一套完整的 Agent Security Scanner。
從實際檢查內容來看，SkillSpector 特別針對 AI Agent 生態中的新型攻擊模式進行防護。例如：
- Prompt Injection
- Data Exfiltration（資料外洩）
- Privilege Escalation（權限提升）
- Memory Poisoning（記憶污染）
- Tool Misuse（工具濫用）
- Rogue Agent（失控代理）
- System Prompt Leakage
- MCP Tool Poisoning
- Trigger Abuse
- Supply Chain Attack
這些風險許多都不是傳統防毒軟體能夠有效辨識的問題，而是 Agent 時代才逐漸浮現的新攻擊面。
其中相當值得注意的是 Memory Poisoning 與 Prompt Injection 檢測。
近年不少研究指出，某些 Skill 可能在說明文件、註解或隱藏內容中植入惡意指令，誘導 Agent 在未來工作中做出錯誤決策。例如：
- 忽略安全限制
- 洩漏系統提示詞
- 傳送敏感資訊
- 修改既有工作流程
- 永久改變 Agent 行為
SkillSpector 便會嘗試偵測這類內容。
在技術架構方面，SkillSpector 採用雙階段分析流程。
第一階段是靜態分析：
- Regex Pattern Matching
- AST Analysis
- Dependency Analysis
- CVE Lookup
- Permission Review
主要負責快速找出高風險訊號。
第二階段則是選配的 LLM Semantic Analysis。
系統可以透過 OpenAI、Anthropic 或 NVIDIA Build 平台模型，進一步分析：
- 技能宣稱用途
- 實際程式行為
- 權限需求合理性
- 潛在惡意意圖
官方表示這個階段主要用來降低誤判率，讓報告更接近人類安全審查結果。
另一項實用功能是風險評分系統（Risk Score）。
SkillSpector 會根據漏洞數量與嚴重程度計算 0 至 100 分的風險值，並提供：
- Safe
- Caution
- High Risk
- Avoid Installation
等級建議。
對於需要大量審核社群技能的團隊來說，這種量化指標有助於快速建立審查流程。
從市場背景來看，SkillSpector 的推出其實反映了 AI Agent 生態正在進入新的發展階段。
過去開發者主要擔心：
- 程式漏洞
- 惡意套件
- 開源供應鏈攻擊
如今則開始面臨：
- 惡意 Skills
- Prompt 注入攻擊
- MCP 工具投毒
- Agent 行為操控
等全新風險。
NVIDIA 在專案中引用的研究指出，針對超過 42,000 個公開 Skills 的分析發現，約 26.1% 含有至少一項漏洞，而 5.2% 顯示出明顯惡意傾向。這也成為 SkillSpector 誕生的重要背景。
從使用情境來看，SkillSpector 特別適合以下族群：
- Claude Code 重度使用者
- Cursor Agent 開發者
- MCP Server 維護者
- Agent Marketplace 經營者
- 開源 Skill 社群管理者
- AI 安全研究人員
- 企業內部 Agent 團隊
尤其是建立 Skill Marketplace 或 MCP Registry 的團隊，甚至可以將 SkillSpector 直接整合進 CI/CD 流程，在發布前自動進行安全掃描。
整體而言，SkillSpector 並不是另一個 Agent Framework，也不是新的 AI 模型，而是一套專門針對 Agent 生態設計的安全治理工具。當 Agent Skills、MCP Server 與 AI 擴充功能開始像 npm 套件一樣大量流通後，如何驗證這些技能是否安全，將成為 AI 開發流程的重要環節。SkillSpector 的價值就在於提供一套系統化、可自動化的檢查機制，幫助開發者在安裝之前發現潛在風險，降低 AI Agent 供應鏈攻擊的可能性。
