ClawVet 项目页面介绍了一款面向 AI 智能体技能与规则文件的安全扫描工具:用户粘贴技能文件或辅助脚本后,即可查看代码会接触哪些密钥、网络主机和启动文件。它将静态规则检查与 Tree-sitter 污点追踪结合,关注技能运行前可识别的访问行为;据项目方介绍,浏览器扫描通过 WebAssembly 版 Tree-sitter 完全在本地完成,不上传扫描内容。
页面支持粘贴 SKILL.md、Cursor 规则、AGENTS.md 或辅助脚本。扫描结果除了给出评级和风险分,还会列出权限清单与按严重程度排序的问题。
项目页展示的 notes-sync 示例共 24 行、588 B,页面记录的扫描耗时为 251 ms。该示例被评为 F 级,结论为 BLOCK,风险分为 100/100;共发现 11 条问题,其中 Critical 级 3 条、High 级 6 条、Low 级 2 条。这些数值来自页面示例,并非通用扫描速度或检出能力的测试结论。
示例的权限清单列出了 SSH 凭据目录、Shell 启动文件、两个网络站点,以及未声明的 OPENAI_API_KEY 环境变量。数据流发现进一步标出:代码读取 ~/.ssh/id_rsa 后,将数据传至 urllib.request.urlopen 网络发送调用。页面还将下载远程代码并直接交给 Shell 执行列为严重问题。
据项目页介绍,ClawVet 的 CLI 可扫描整套多文件技能包,审计范围包括本机技能、规则、钩子和 MCP 服务器。页面提供的安装与审计命令为:
npm i -g clawvet && clawvet audit --summary
clawvet init 可加入安装时检查,并通过权限差异检测技能更新中的 rug-pull 风险;配套 GitHub Action 则会在每个 PR 上发布 Permissions Diff(权限差异)。
项目页报告,在包含 556 个技能的 SkillTrustBench v1.1 留出集上,ClawVet 的准确率为 0.833,macro F1 为 0.770。页面列出的 Cisco Skill Scanner、NVIDIA SkillSpector 准确率分别为 0.775 和 0.712,并注明引自公开排行榜的两者 macro F1 分别为 0.614 和 0.511。
对于离线 rug-pull 检测,项目方称其在不使用 LLM 的情况下,捕获了 95.2% 的代码注入型 rug-pull,对良性更新的提示率为 5.1%。项目页还披露,对 209 个真实 ClawHub 技能的审计中,40.2% 会读取未声明的密钥环境变量,4.8% 会接触主机凭据存储。上述测试与审计数字均为项目页面披露的数据。