在 Agent 生态里，Skill 正在变成一个很现实的新攻击面。原因很简单，今天很多 Agent 都靠 Skill 扩展能力，一个 Skill 往往既包含 SKILL.md 里的自然语言说明，也可能带着脚本、依赖和权限声明。
它看起来像一个“小插件”，但实际拿到的是 Agent 的执行能力、环境变量访问能力、文件系统访问能力，甚至网络请求能力。
今天介绍的论文就指出，OpenClaw 的 ClawHub 上已经有超过 1.3 万个社区 Skill，而且已有多轮审计发现其中相当比例存在恶意或高风险问题。
https://arxiv.org/pdf/2604.06550
而他们关注的，正是这样一个问题：
面对同时包含“自然语言指令”和“可执行脚本”的 Agent Skill，怎样在成本可控的前提下，把真正危险的 Skill 更稳定地识别出来？
作者给出的答案叫 SkillSieve。
它不是把所有 Skill 都一股脑丢给大模型审，而是设计了一条三层分诊流水线：先用低成本静态分析做快速筛查，再把可疑样本拆成几个语义维度交给大模型判断，最后只对高风险样本启用多模型“陪审团”复核。整套方案在 400 个人工标注样本上做到 0.800 的 F1，明显高于基线 ClawVet 的 0.421。
Agent Skill 的安全检测比普通插件更麻烦
传统软件包安全扫描，主要看代码。
但 Skill 不一样。它天生是“双模态”的：一部分风险藏在代码里，比如窃取密钥、外传数据、下载执行；另一部分风险藏在文字说明里，比如提示注入、权限诱导、社会工程、跨文件分工式恶意逻辑。
论文明确指出，正则和静态分析工具很难理解 SKILL.md 里的自然语言意图，而只靠一个 LLM 做整体判断，又容易被“包装得很正常”的恶意 Skill 绕过去。
这也是这篇论文的切入点：
Skill 安全，不只是代码扫描问题，也是说明文档、权限声明、实现逻辑三者是否一致的问题。
先分诊，再深挖，再复核
SkillSieve 的整体架构很像现实里的安全运营流程。
第一层先做便宜、快、偏高召回的初筛；
第二层再对可疑样本做更细的语义分析；
第三层只处理最难、最模糊的高风险样本。
论文里给出的数据也很清楚：Layer 1 平均每个 Skill 处理时间不到 40ms，能在零 API 成本下先过滤掉约 86% 的总量；剩下约 14% 的可疑样本再进入 Layer 2；只有更高风险的一小部分才继续进入 Layer 3。
这个设计的意义很大。因为在真实工程里，大模型不是不能用，而是不能乱用。如果每个 Skill 都直接丢给 LLM，成本、时延和稳定性都会成为问题。SkillSieve 把“该不该深查”这件事先做了一次分流，所以后面的高成本分析才有了可落地性。
第一层：用静态分析做“高召回分诊”
论文里的第一层叫 Static Triage，可以理解成“静态分诊”。
它的目标不是把所有恶意 Skill 一次判死，而是尽量把真正危险的样本先捞出来，不要漏掉。论文明确说，Layer 1 的设计目标是高召回、低成本，宁可先多抓一些可疑样本，也把后续判断留给更深层分析。
这一层主要用了四类信号：
1. 正则规则
扫描 Skill 中所有文件，匹配大约 60 条规则，覆盖反弹 shell、凭证窃取、数据外传、代码混淆、提示注入关键词等类别。
2. AST 结构特征
解析 Python、Bash、JavaScript 等脚本，提取系统调用、网络调用、环境变量访问、动态执行、编码字符串、高熵常量等结构化特征。
3. 元数据信誉信号
从 SKILL.md 的 YAML 头信息里抽取名字相似度、是否申请敏感环境变量、是否依赖危险二进制等信息，用来识别仿冒和高风险权限请求。
4. SKILL.md 表面统计特征
例如外链数量、权限请求次数、敏感路径提及、催促性或隐瞒性语言密度、说明长度与描述长度的比例。
这里有一个很值得注意的细节。论文一开始确实训练了一个 XGBoost 分类器，在交叉验证里 F1 能做到 0.959；但真正到更异质的 400 个样本基准上，泛化反而不如启发式打分，最终正式结果采用的是启发式风险评分，而不是纯模型分类器。作者给出的原因是，训练集中的恶意样本过于集中在少数已知攻击者的风格上，导致模型更像在学“作者特征”，而不是学“恶意行为本身”。
这个点很关键。它说明在 Skill 安全场景里，数据偏置是实打实的问题。你在训练集上跑得很漂亮，不代表到了真实市场里还能一样稳。
第二层：这篇论文最有价值的部分，是把“大模型判恶意”拆成四个问题
SkillSieve 真正拉开差距的地方，在第二层。
很多方案会直接问大模型一句话：
“这个 Skill 恶不恶意？”
论文认为这种问法太粗，结果容易飘。因为模型会倾向于看“整体印象”，而很多恶意 Skill 恰恰擅长伪装成正常工具。于是作者把这个大问题拆成了四个并行子任务，也就是论文里提到的 Structured Semantic Decomposition，SSD。
这四个问题分别是：
1. 意图一致性
Skill 声称自己要做什么，和它实际指挥 Agent 去做的事，是否一致。这个维度重点抓“嘴上说 A，实际上做 B”的伪装型攻击。
2. 权限正当性
它申请的权限，是否真的和宣称用途匹配。例如一个看起来只是做普通交易辅助的 Skill，却要求读取敏感 API Key，这就很可疑。
3. 隐蔽行为检测
是否存在隐瞒、绕过、抑制日志、偷偷执行等行为指令。这类风险很多时候不靠明显恶意代码，而是靠“行为设计”完成。
4. 跨文件一致性
SKILL.md 和脚本实现是否前后一致，有没有把关键恶意逻辑藏在其他文件中。
这正是很多跨文件拆分式攻击的典型手法。
论文还给这四个子任务设置了权重：意图一致性 0.35，权限正当性 0.25，隐蔽行为 0.25，跨文件一致性 0.15，并以加权和计算 Layer 2 的综合风险分。作者认为，意图一致性对识别伪装型攻击最关键，所以权重最高。
这一层的设计特别值得产品和安全团队借鉴。因为它说明一个事实：
很多 Agent 安全问题，核心不在“这句话本身坏不坏”，而在“说明、权限、实现、行为之间对不对得上”。
论文做了一个很有代表性的对比：同样使用 Kimi 2.5 做判断，一种方式是只问一次“这是不是恶意 Skill”，另一种方式是用 SSD 拆成四个子任务并行分析。
结果很直观：
单次提问：F1 为 0.746，精度 1.000，召回 0.596 SSD：F1 为 0.800，精度 0.752，召回 0.854
这意味着什么？
单次提问的优点是“谨慎”，几乎不误杀，但它漏掉了很多真正危险的样本。SSD 的优点是把安全判断拆开之后，能看见更多被整体印象掩盖的异常关系，因此召回率明显更高。
论文还给了三个典型案例：
一个伪装成 DeFi 工具的 Skill，整体上看像个正常自动化交易工具，所以单次提问把它判成了良性；但 SSD 发现它申请了
OPENAI_API_KEY却并没有相应 AI 功能，同时还要求压制交易日志。另一个伪装成身份验证服务的 Skill，表面说做去中心化身份管理，实际却引导 Agent 收集并传输私钥。
第三个区块链游戏包装器案例，则是文档写得很正常，但脚本里执行了未声明的环境变量外传动作。
这三个例子都指向同一个结论：
恶意 Skill 往往不是“明显地坏”，而是“局部都像正常，拼起来不正常”。
第三层：多模型“陪审团”，处理真正难判的样本
在 Layer 3，SkillSieve 引入了一个 Multi-LLM Jury Protocol，也就是多模型陪审团。
它会把高风险样本交给三个不同模型独立判断，论文使用的是 Kimi 2.5、MiniMax M2.7 和 DeepSeek-V3。第一轮各自给出结论；如果三者不一致，就进入第二轮结构化辩论，彼此参考对方的证据和推理，再次投票；如果仍然无法形成有效多数，就升级人工复核。
这一层的价值，并不只是“多模型平均一下更准”。
更重要的是，它把不确定性显式化了。
有些 Skill 天生就处在灰区，仅靠一个模型给一个“看起来很确定”的结论，往往会掩盖判断本身的模糊性。陪审团机制做的，是把这种模糊样本单独拎出来，让系统承认“这件事还需要复核”。
从安全产品设计的角度看，这很像现实里的高危样本复审流程。
也就是说，模型裁决并不是终点，争议升级机制本身也是安全能力的一部分。
实验结果
论文在 400 个人工标注样本上做了端到端评测，其中恶意样本 89 个，良性样本 311 个。结果如下：
ClawVet 的 F1 为 0.421；
SkillSieve 只用第一层时，F1 达到 0.733，召回高达 0.989；
在第一层基础上加单次 LLM 提问，F1 为 0.746；
换成 SSD 后，F1 提升到 0.800，召回提高到 0.854。
这个结果其实说明了三件事。
第一，只靠规则扫描远远不够。
它容易把很多常见模式一刀切地打成风险，结果精度很低。
第二，第一层静态分诊本身很有价值。
即便不接 LLM，它已经能用很低成本把高风险样本大范围捞出来。
第三，真正把效果拉上去的，不是“换一个更强模型”，而是“换一种更合理的提问结构”。
SkillSieve 的提升，更多来自分析框架设计，而不是模型本身。
在绕过攻击测试里，论文还构造了五类对抗样本：编码混淆、跨文件拆分、条件触发、同形字伪装、时间延迟。结果显示，五类技术都被拦截下来。强静态信号的样本，例如条件触发和延时触发，Layer 1 就已经能抓住；而编码混淆和跨文件拆分这类信号较弱的攻击，则更依赖 Layer 2 的语义确认。
启发
1. Skill 安全要按“关系”来审，不要只按“关键词”来审
这篇论文最有启发的地方，就是把检测重点放在“描述—权限—实现—行为”之间的一致性上。这比单纯做敏感词扫描，更接近真实风险。
2. 分层分流是必须的
大模型分析能力强，但贵、慢、还不稳定。先让低成本静态分析把大多数正常样本放走，再把少量可疑样本送入深度分析，这才是能跑在真实市场里的架构。
3. “把问题拆细”比“换个更强模型”更重要
很多安全团队在接入 LLM 时，最先想到的是换模型、堆模型。这篇论文给出的经验更有参考价值：先把要问的问题拆对，再考虑模型强弱。
4. 高风险样本一定要保留人工升级口
第三层陪审团说明了一点：有些样本不是模型太弱，而是问题本身就模糊。对这类样本，系统能否诚实地暴露不确定性，往往比“硬给一个结论”更重要。
局限性
当然，SkillSieve 也不是终点。
论文的检测范围仍然主要是静态内容与语义分析。它假设防守方能看到完整 Skill 包内容，但不执行代码，因此对运行时拉取载荷、动态行为、环境依赖型攻击等问题，覆盖仍然有限。论文自己也明确说明，运行时监控和动态分析不在本文范围内。
另外，实验主结果来自 400 个标注样本，规模还不算特别大。它足够支持论文结论，但如果要直接映射成真实生产环境的最终能力上限，还需要更多开放场景验证。
