智能体技能装上安检门：NVIDIA 开源扫描器，31,132 个技能里 26.1% 含漏洞
核心概要
AI 智能体技能在安装时默认被信任，却很少经过审查。NVIDIA 开源 SkillSpector，在安装前扫描仓库、压缩包或单个文件，覆盖 17 类共 71 种漏洞模式，先做快速静态分析，可选再叠加 LLM 语义评估。在其研究数据集 31,132 个技能的分析子集中，26.1% 含漏洞，5.2% 表现出可能的恶意意图。
深度剖析
智能体技能在安装前多了一道可执行的检查：扫描器读取待装技能，给出风险评分与是否安装的建议。 此前这类技能以隐式信任运行，几乎不经审查，安装决定缺少可依据的检查结果。 在研究所用数据集 31,132 个技能的分析子集中，26.1% 含漏洞，5.2% 表现出可能的恶意意图。
扫描器把检查拆成两段：先做快速静态分析，再按需调用大模型做语义评估。 静态分析负责结构化匹配，语义评估用于补充静态规则难以覆盖的判断，二者可分开运行。 输入可以是 Git 仓库、URL、zip 压缩包、目录或单个文件，输出支持终端、JSON、Markdown 与 SARIF 四种格式。
检查项按 17 个类别组织成 71 种漏洞模式，涵盖提示注入、数据外泄、权限提升、供应链、过度自主、系统提示泄露、记忆投毒、工具滥用、MCP 最小权限与 MCP 工具投毒等。 除模式匹配外，还包含基于抽象语法树的危险代码检查、污点追踪与 YARA 签名，并可查询 OSV.dev 获取实时 CVE 数据，离线时自动回退。 风险以 0 到 100 分计并附严重度标签；已知问题可通过 glob 规则或指纹基线接受，使重扫只暴露新问题。
启示与展望
已展示的范围是安装前扫描：对 Git 仓库、URL、zip 压缩包、目录或单个文件运行，输出终端、JSON、Markdown 或 SARIF 报告，并可作为 Pi 与 OpenCode 工具在智能体会话内调用。
26.1% 与 5.2% 来自研究数据集 31,132 个技能的分析子集，材料未说明该子集如何抽取、恶意意图如何判定；语义评估为可选步骤，未开启时只走静态分析。