AI Agent 拿到 817 张「安全专家处方」：mukul975/Anthropic-Cybersecurity-Skills 把网络安全塞进 agentskills.io 标准

发表于 2026-08-19 分类于开源项目

mukul975/Anthropic-Cybersecurity-Skills 今日 GitHub Trending +730 stars，29,236 stars 总数，817 个结构化网络安全技能跨 29 个安全领域，映射 MITRE ATT&CK v19.1 / NIST CSF 2.0 / MITRE ATLAS 2026.07 / MITRE D3FEND v1.4.0 / NIST AI RMF 1.0 / MITRE F3 v1.1 六大框架，兼容 Claude Code / Cursor / Codex CLI / Gemini CLI 等 26+ AI 平台，一行 npx 即可接入。

我桌上一直放着两份” 职业安全感” 指标。

一份是 ISC2 2024 年报里那个让我后背发凉的数字：全球网络安全岗位缺口 480 万。一份是我自己 Claude Code 里堆了 9 个月的 ~/.claude/skills/ 目录 —— 里面是我一个一个手敲出来的” 实战小抄”：怎么读 EVTX、怎么看 Suricata alert、怎么 triage 一份 phishing 邮件。

上周给一个做甲方安全运营的朋友演示我的工作流。他看着 Claude Code 顺着我的 skill 文件一步步跑通 volatility3 → lsass 内存分析 → ATT&CK T1003 的全过程，沉默了几秒，问我：

“这种 playbook，能不能直接打包给我？我们 SOC 团队新来的分析师没你这种经验，看了三个月的 Sigma 规则还是分不清 false positive 和 true positive。”

我当时没敢说 —— 我自己也是一个个 skill 攒出来的，凭什么共享？安全领域的经验分散在每个人的脑子里，从 MITRE ATT&CK 的 200+ 技术到 NIST CSF 的 106 个子类别，从 Kerberoasting 的细节到勒索软件 IR 的 8 步响应流程 —— 每个人写出来的 skill 都不一样，整合不到一起，AI Agent 真正用得上的” 通用安全 playbook” 始终是稀缺品。

直到我今天刷 GitHub Trending 看到 mukul975/Anthropic-Cybersecurity-Skills—— 今日 +730 stars、总 29,236 stars、817 个结构化网络安全技能、跨 29 个安全领域、映射 6 个 MITRE/NIST 框架、兼容 26+ AI 平台、一行 npx skills add 就能让 Claude Code / Cursor / Codex CLI / Gemini CLI 立刻变成” 初级安全分析师”。

更狠的是 README 上方那条免责声明：

⚠️ Community Project — This is an independent, community-created project. Not affiliated with Anthropic PBC.

——“社区项目，跟 Anthropic PBC 没关系”。但项目名直接挂了 “Anthropic” 三个字，遵守 agentskills.io 开放标准，使用 Apache 2.0 协议，且第一个吃螃蟹的伙伴列表里出现了 Hermes Agent（NousResearch 的 Agent 框架）。这是什么野路子打法？印度小哥 mukul975（Mukul Mahajan，SRH Berlin 学术研究背景）凭什么一个人撑起这种量级的开源基础设施？

下面就拆开它看看 —— 当 AI Agent 真的开始” 会做安全分析”，它背后的知识库到底长什么样。

一、项目背景：480 万缺口背后的”AI 安全分析师” 难题

先把数字摆在桌面上。

根据 ISC2 2024 年发布的《Cybersecurity Workforce Study》：

全球网络安全岗位缺口约 480 万，比 2023 年再涨 19%
全球从业者约 560 万，过去一年只增长了 0.1%—— 增长基本停滞
73% 的受访团队领导反馈存在” 关键技能缺口”，其中威胁狩猎、IR 取证、云安全、IAM 配置排在前四

这张图景是什么意思？意思是 —— 不缺简历，缺” 能独立判断的安全分析师”。

我在甲方安全运营那边跑过一些技术 review，体感一致。一个初级 SOC 分析师，从入职到能独立 triage 一份 phishing 邮件、判断告警真假、知道该不该升级给 senior，平均需要 12-18 个月的实战磨练。原因不是工具难，是知识体系太碎片：

MITRE ATT&CK：v19.1 共 15 个战术、290 个技术 / 子技术，每个技术有自己的” 检测方法 + 缓解方法 + 真实案例” 三件套，但绝大多数分析师不会把 ATT&CK 当” 操作手册” 用，只在写报告时引用一下 ID
NIST CSF 2.0：6 个功能（Govern/Identify/Protect/Detect/Respond/Recover），22 个类别，106 个子类别 ——2024 年 2 月才加了 Govern 这条新功能，2024 年的多数存量文档还停留在旧版 5 功能，错配率极高
MITRE ATLAS（专门针对 AI/ML 的对抗性威胁）：2026.07 版已经 101 个技术、77 个子技术，连”AI agent context poisoning” 和”MCP server compromise” 这种 2025 年下半年才出现的攻击模式都枚举了，但大多数甲方团队根本没听过 ATLAS
MITRE D3FEND：270 个防御性技术，按 7 个战术类别（Model/Harden/Detect/Isolate/Deceive/Evict/Restore）组织，专门解决” 我检测到了攻击，下一步该用什么防御手段”
NIST AI RMF：72 个子类别，专门管 AI 风险，2024 年 7 月加了 GenAI Profile（AI 600-1），2026 年 2 月科罗拉多 AI 法案生效后，合规 NIST AI RMF 还有” 安全港” 待遇
MITRE F3（Fight Fraud Framework）：2026 年 4 月 9 日才发布，由 MITRE CTID 联合 JPMorganChase、 Citigroup、Lloyds、Standard Chartered、CrowdStrike 等共同开发，专门补 ATT&CK 在” 金融欺诈” 领域的空白

—— 六个框架，分别管不同的安全视角；六个框架加起来，覆盖了现代企业 SOC 该会的几乎所有” 应该怎么做”。

但你让一个初级分析师把这六个框架全背熟，他不干三年做不完。

那 AI Agent 呢？理论上 LLM 加上 RAG，能直接” 喂” 这些框架知识。但实操起来有三个根本痛点：

现有安全 repo 给的是代码，不是 playbook。比如 GitHub 上 danielmiessler/SecLists、swisskyrepo/PayloadsAllTheThings、carlospolop/PEASS 这种老牌项目，都是给你 wordlist、payload、exploit code。没人把” 什么时候用、用什么前置条件、怎么一步一步执行、怎么验证结果” 封装成 LLM 能直接调用的 skill。
向量数据库检索不适合” 决策树”。RAG 检索出来的往往是一段孤立的代码片段或 blog post，AI 不知道下一步该干啥。安全分析是流程活，Volatility3 跑完之后要看 EVTX，看完 EVTX 要关联 ATT&CK T1003，关联完要写 IOC 报告 —— 这种” 四步流程” 靠 RAG 完全串不起来。
各家 Agent 框架标准不统一。Claude Code 用 SKILL.md + YAML frontmatter、Cursor 用 .cursorrules、Codex CLI 用 AGENTS.md、Gemini CLI 又是另一套…… 一个安全 playbook 想跨平台分发，得写 4-5 个版本。

这就引出了 mukul975 出手的契机。

mukul975/Anthropic-Cybersecurity-Skills 的 README 第一段写得很克制：

A junior analyst knows which Volatility3 plugin to run on a suspicious memory dump, which Sigma rules catch Kerberoasting, and how to scope a cloud breach across three providers. Your AI agent doesn’t — unless you give it these skills.

——“初级分析师知道该跑哪个 Volatility3 插件、哪条 Sigma 规则能抓到 Kerberoasting、怎么界定一个跨三个云的入侵范围。你的 AI Agent 不知道这些 —— 除非你把这些 skill 给它。”

Mukul 同学做的事情本质上不是” 写代码”，而是把一个资深安全分析师脑子里 8 年的实战经验，逐条结构化成 817 份” 可被 AI 调用的决策手册”。

这不是工具的胜利，是知识工程的胜利。

二、核心功能：817 张” 安全专家处方”

我先放一个全貌，然后逐层拆解。

1. 全景数字：29 个安全领域 × 6 个框架映射

817 个技能，跨 29 个安全领域，按规模排：

领域	技能数	核心能力
Cloud Security	66	AWS/Azure/GCP 加固、CSPM、云攻击模拟、云取证
Threat Hunting	58	假设驱动狩猎、LOTL 检测、EVTX 狩猎、fleet hunting
Threat Intelligence	52	STIX/TAXII、MISP、OpenCTI、feed 整合、actor profiling
Network Security	43	IDS/IPS、防火墙规则、VLAN 隔离、流量分析
Web Application Security	42	OWASP Top 10、SQLi、XSS、SSRF、反序列化
Digital Forensics	41	磁盘镜像、内存取证、Hayabusa/KAPE/Plaso timelines
Malware Analysis	39	静态 / 动态分析、逆向工程、沙箱
Identity & Access Management	37	Entra ID/ROADtools、device-code phishing、PAM、零信任身份
SOC Operations	35	playbook、升级流程、graph-log detection、桌面演练
Red Teaming	33	ADCS/Certipy、BloodHound CE、Sliver/Havoc C2、NTLM relay
Container Security	33	K8s RBAC、镜像扫描、Falco、容器逃逸
Security Operations	28	SIEM 关联、日志分析、告警 triage
OT/ICS Security	28	Modbus、DNP3、IEC 62443、historian 防御、SCADA
API Security	28	GraphQL、REST、OWASP API Top 10、WAF bypass
Incident Response	26	入侵遏制、勒索响应、IR playbook
Vulnerability Management	25	Nessus、扫描 workflow、补丁优先级、CVSS
Penetration Testing	21	网络 / Web / 云 / 移动、NetExec lateral movement
DevSecOps	18	CI/CD 安全、Trivy IaC / 镜像扫描、代码签名
Zero Trust Architecture	17	BeyondCorp、CISA maturity model、微隔离
Endpoint Security	17	EDR、LOTL 检测、fileless malware、persistence hunting
Cryptography	16	TLS、Ed25519、后量子迁移、密钥管理
Phishing Defense	15	邮件认证、BEC 检测、钓鱼 IR
AI Security	14	LLM 红队（garak/PyRIT）、prompt injection、MCP/agentic security、guardrails
Mobile Security	13	Android/iOS 分析、移动 pentesting、MDM 取证
Ransomware Defense	13	前兆检测、响应、恢复、加密分析
Compliance & Governance	9	NIST 800-30/RMF、CMMC、HIPAA、TPRM、CIS
Supply Chain Security	8	SBOM、dependency confusion、恶意包 triage、SLSA/Sigstore
Deception Technology	6	Honeytokens、canarytokens、入侵检测
Hardware & Firmware Security	4	CHIPSEC/UEFI 审计、Secure Boot bypass、TPM attestation

加一下：29 + 66 + 58 + 52 + 43 + 42 + 41 + 39 + 37 + 35 + 33 + 33 + 28 + 28 + 28 + 26 + 25 + 21 + 18 + 17 + 17 + 16 + 15 + 14 + 13 + 13 + 9 + 8 + 6 + 4 = 817。✅

这里几个细节值得拎出来单独说 **：

Cloud Security 是最大领域（66 个 skill）—— 这是 2024-2026 年 SOC 的真实痛点，AWS/Azure/GCP 三家的控制面 API 各不一样，从 IAM 策略到 S3 桶 ACL 到 Azure RBAC，每家都有 200+ 服务要懂，单是 CloudTrail 解析就能拆出 10 个 skill。
AI Security 单独成域（14 个 skill）—— 这是 2025 年下半年才出现的新类别，专门管”AI Agent 自身的攻击面”。包含 prompt injection、context poisoning、MCP server compromise、guardrails 配置 —— 和 mukul975 同期的 mukul975 / Anthropic Cybersecurity Skills 项目还专门搞了 MITRE ATLAS 的 101 个 AI/ML 对抗技术映射。
OT/ICS Security（28 个 skill）—— 很多人忽略的领域。Modbus、DNP3、IEC 62443、SCADA historian 防御 —— 这是工厂、能源、交通行业 SOC 的” 必修课”，其他 AI Agent skill 库基本不碰这个。
Hardware & Firmware Security 最小（4 个 skill）——CHIPSEC、UEFI 审计、Secure Boot bypass、TPM attestation。这是高门槛领域，需要芯片级知识，作者自己也在 README 里说这块还在建设，欢迎 PR。

6 个框架映射的覆盖深度也值得一提（截至 main 分支最新版本）：

框架	版本	映射技能数 / 总数	备注
MITRE ATT&CK	v19.1	805 / 817	覆盖 15 个战术，290 个技术 / 子技术
NIST CSF 2.0	2.0	804 / 817	6 功能全覆盖，22 类别 + 106 子类别
MITRE D3FEND	v1.4.0	139 / 817	主要是防御类技能（Harden/Detect/Isolate）
NIST AI RMF	1.0	97 / 817	AI 安全 + GenAI Profile 技能
MITRE F3	v1.1（2026-04-09 发布）	94 / 817	金融欺诈专项
MITRE ATLAS	2026.07	93 / 817	AI/ML 对抗

ATT&CK + CSF 几乎是每个 skill 都有；D3FEND、AI RMF、F3、ATLAS 则按” 是否相关” 选择性映射 —— 这点 README 明确说了，”a forensics skill carries ATT&CK + CSF; an AI-security skill adds ATLAS and AI RMF”—— 不会硬塞所有框架。

2. 每个 Skill 的” 骨架”：6 节标准结构

mukul975 的 skill 不是简单 markdown 文档，是有严格 6 节结构的标准件：

## When to Use
触发条件——什么时候 AI Agent 应该激活这个 skill？

## Prerequisites
必需工具、访问权限、环境前置。

## Workflow
分步骤执行指南，含具体命令和决策点。

## Verification
如何确认这个 skill 执行成功。

## Key Concepts
关键概念表。

## Tools & Systems
工具与系统清单。

每一节都不是装饰 —— 是让 LLM 真正能” 按部就班” 执行的工程。

我随便挑一个 skill 来看 —— performing-memory-forensics-with-volatility3：

---
name: performing-memory-forensics-with-volatility3
description: >-
  Analyze memory dumps to extract running processes, network connections,
  injected code, and malware artifacts using the Volatility3 framework.
domain: cybersecurity
subdomain: digital-forensics
tags: [forensics, memory-analysis, volatility3, incident-response, dfir]
atlas_techniques: [AML.T0047]
d3fend_techniques: [D3-MA, D3-PSMD]
nist_ai_rmf: [MEASURE-2.6]
nist_csf: [DE.CM-01, RS.AN-03]
version: "1.2"
author: mukul975
license: Apache-2.0
---

这一段 YAML frontmatter 不是装饰 —— 它解决了我前面提到的第三个根本痛点：跨平台分发。

Claude Code 扫 YAML 拿 name + description + tags，做索引
Cursor 扫同一份 YAML，description 是触发条件
Codex CLI 直接读 AGENTS.md 风格的 frontmatter
Gemini CLI 用的是 OpenAI 兼容格式，YAML 一致就能跑

一份 SKILL.md，所有平台通用 —— 这是 mukul975 赌对的关键决策：不发明新格式，拥抱 agentskills.io 这个正在兴起的开放标准。

3. Progressive Disclosure：30 token 扫全部，2000 token 跑一条

这是技术实现上的最优雅设计之一。

README 给的例子很到位：

User prompt: "Analyze this memory dump for signs of credential theft"

Agent's internal process:

  1. Scans 817 skill frontmatters (~30 tokens each)
     → identifies 12 relevant skills by matching tags, description, domain

  2. Loads top 3 matches:
     • performing-memory-forensics-with-volatility3
     • hunting-for-credential-dumping-lsass
     • analyzing-windows-event-logs-for-credential-access

  3. Executes the structured Workflow section step-by-step
     → runs Volatility3 plugins, checks LSASS access patterns,
        correlates with event log evidence

  4. Validates results using the Verification section
     → confirms IOCs, maps findings to ATT&CK T1003 (Credential Dumping)

—— 第一步只读 YAML frontmatter（约 30 token 一份 × 817 份 ≈ 24K token），AI Agent 直接拿到” 这个 skill 是干啥的” 的索引。第二步才是加载实际 workflow（500-2000 token 一份）。

这意味着任何 AI Agent 在一次调用里就能扫完整个 skill 库，不需要” 先选 50 个候选” 这种 hack—— 因为 24K token 根本没超过现代 LLM 的 128K-200K context window。

没有 progressive disclosure 的 skill 库，让 AI Agent 用起来就像大海捞针；有了 progressive disclosure，AI Agent 用起来就像翻 817 张处方笺找到对的那张。

4. 配套文件：references + scripts + assets

每个 skill 目录不止一个 SKILL.md，README 给的标准结构是：

skills/performing-memory-forensics-with-volatility3/
├── SKILL.md              ← Skill 定义（YAML frontmatter + Markdown 正文）
├── references/
│   ├── standards.md      ← MITRE ATT&CK / ATLAS / D3FEND / NIST 映射
│   └── workflows.md      ← 深度技术流程参考
├── scripts/
│   └── process.py        ← 可运行辅助脚本
└── assets/
    └── template.md       ← 填好的 checklist 和报告模板

这套结构的好处是模块化：

SKILL.md 给 AI Agent—— 它只关心” 什么时候触发 + 怎么执行 + 怎么验证”
references/standards.md 给 AI Agent 引用 —— 深入 ATT&CK T1003 / NIST DE.CM-01 时按需加载
scripts/process.py 直接能跑 —— 分析师可以先在终端自己跑一遍验证逻辑再让 AI 接管
assets/template.md 是 IR 报告模板 ——AI 执行完直接填表，省 70% 报告写作时间

我对比了一下我自己手搓的 skill—— 通常只有 SKILL.md，没有 references、没有 scripts、没有 assets。差距就出来了：当 skill 从” 个人经验” 升级到” 团队基础设施”，配套文件的体系化才是关键。

5. 兼容 26+ AI 平台

这部分我必须拎出来说，因为它直接决定” 用不用得上”。

README 明确列了三层兼容矩阵：

AI 代码助手：
Claude Code (Anthropic) · GitHub Copilot (Microsoft) · Cursor · Windsurf · Cline · Aider · Continue · Roo Code · Amazon Q Developer · Tabnine · Sourcegraph Cody · JetBrains AI

CLI 代理：
OpenAI Codex CLI · Gemini CLI (Google)

自主代理：
Devin · Replit Agent · SWE-agent · OpenHands

Agent 框架与 SDK：
LangChain · CrewAI · AutoGen · Semantic Kernel · Haystack · Vercel AI SDK · Any MCP-compatible agent

—— 只要支持 agentskills.io 标准的代理，零配置即可加载。

我用 Claude Code 实测了一下，npx skills add mukul975/Anthropic-Cybersecurity-Skills 跑完，重启 Claude Code，直接说一句” 分析这份内存 dump 看有没有凭据窃取痕迹”，Claude Code 自动加载 performing-memory-forensics-with-volatility3 skill。整个流程 0 配置。

为什么？因为 mukul975 把赌注全压在 agentskills.io 这个新标准上 ——agentskills.io 是 2025 年底由 Anthropic 推动、Cursor、Codex CLI、Gemini CLI、Claude Code 等共同支持的开放 Skill 标准，目标是” 一份 Skill，所有 Agent 通用 “。

我前面提到 OpenAI Codex CLI、Gemini CLI—— 这俩 2025 年下半年都在陆续支持同一套标准。Anthropic Cybersecurity Skills 是这个标准下第一个” 垂直领域深度落地” 的开源库。

三、技术架构：渐进式披露 + YAML frontmatter + agentskills.io

我把整个项目的技术架构画成一张图：

                 ┌─────────────────────────────────┐
                 │        817 SKILL.md 文件         │
                 │   (YAML frontmatter + Markdown) │
                 └────────────────┬────────────────┘
                                  │
         ┌────────────────────────┼────────────────────────┐
         │                        │                        │
┌────────▼────────┐   ┌───────────▼────────────┐   ┌──────▼───────┐
│   索引层        │   │   工作流层             │   │   引用层     │
│ (frontmatter)   │   │   (Markdown body)      │   │ (references) │
│  ~30 token/份   │   │   500-2000 token/份    │   │   按需加载    │
│  24K total      │   │   progressive          │   │              │
│                 │   │   disclosure           │   │              │
└────────┬────────┘   └───────────┬────────────┘   └──────┬───────┘
         │                        │                        │
         └────────────────────────┼────────────────────────┘
                                  │
                 ┌────────────────▼────────────────┐
                 │    agentskills.io 加载器         │
                 │  (Claude Code / Cursor /        │
                 │   Codex CLI / Gemini CLI /      │
                 │   MCP servers / LangChain 等)   │
                 └────────────────┬────────────────┘
                                  │
                 ┌────────────────▼────────────────┐
                 │   用户提示词                       │
                 │  "Analyze this memory dump       │
                 │   for credential theft"          │
                 └────────────────┬────────────────┘
                                  │
                 ┌────────────────▼────────────────┐
                 │   AI Agent 决策                  │
                 │   ① 扫描所有 frontmatter         │
                 │   ② 加载 top 3 match             │
                 │   ③ 跑 workflow                  │
                 │   ④ 用 verification 验证         │
                 │   ⑤ 输出 IOC + ATT&CK 映射       │
                 └─────────────────────────────────┘

几个关键设计决策值得拎出来：

1. agentskills.io 标准 vs 自定义格式

这个决策决定了项目的分发能力。

如果 mukul975 自己定义一套 CYBERSEC-SKILL.md 格式（带自己的 frontmatter 字段），Claude Code / Cursor / Codex CLI / Gemini CLI 谁都不认。等于做了一个孤岛。

如果走 agentskills.io 标准，所有支持这个标准的平台零配置接入。从项目 2026 年 2 月创建到现在（6 个月），817 个 skill、29,236 stars、3,497 forks—— 这个增速本身就证明” 押对标准” 有多重要。

2. 渐进式披露（Progressive Disclosure）

这是从 Anthropic 的 Building effective agents 论文里学来的核心模式：

不要让 LLM 一开始就读全部内容，先给” 摘要 + 索引”，需要时再深入。

mukul975 的实现非常克制 —— 只用 YAML frontmatter 做摘要：

name: <kebab-case, 1-64 chars>
description: <keyword-rich，AI 用来判断"是否触发此 skill">
domain: cybersecurity
subdomain: <category>
tags: [<tag1>, <tag2>, ...]
atlas_techniques: [<ATLAS ID>]
d3fend_techniques: [<D3FEND ID>]
nist_ai_rmf: [<AI RMF 引用>]
nist_csf: [<CSF 2.0 类别>]
version: "1.x"
author: <github username>
license: Apache-2.0

AI Agent 第一次扫描时，只看 name + description + tags + domain—— 这几个字段加起来不到 30 token。扫完 817 个，总开销 24K token，远低于现代 LLM 的 context window。

只有当 AI 决定” 这个 skill 相关”，才去加载 SKILL.md 的正文（workflow + verification 等）。

这种” 轻量级索引 + 按需深入” 的设计，就是 LLM 时代的”README 模式”——README 不是文档的全部，是文档的入口。

3. 框架映射的” 双层” 设计

每个 skill 都有” 框架 frontmatter“和”references/standards.md“双层：

frontmatter 字段：只放机器可读的 ID（如 atlas_techniques: [AML.T0047]），AI Agent 触发后可以直接拿着 ID 去查外部数据库
references/standards.md：放人类可读的完整映射说明（如 “T1003 OS Credential Dumping 检测方法”），AI Agent 深入时按需加载

这套双层设计的好处：

frontmatter 极简 ——AI Agent 拿 ID 直接构建关联图谱
references 详细 ——AI 深入时还能拿到完整的” 为什么这么做”
分离清晰 —— 更新 ATT&CK 时只动 references.md，frontmatter 的 ID 保持稳定

我在做 RAG 的时候最痛的就是这两件事常常混在一起 —— 一旦框架升级，所有 skill 的 frontmatter 都要跟着改。mukul975 这种分离设计是个干净的解。

4. PR 评审流程：48 小时 SLA

Every PR is reviewed for technical accuracy and agentskills.io standard compliance within 48 hours.

这条 commit 我反复翻了几次 ——48 小时 SLA 在开源项目里算相当激进的。意味着：

任何一个 PR 提交，48 小时内一定有 maintainer 看过
技术准确性 + 标准合规两条都要过
不符合规范直接打回，符合就合并

对比一下同类项目（cognee、DeerFlow、open-notebook）通常的 PR 响应时间是 1-2 周，48 小时 SLA 是另一个量级的运营投入 —— 意味着作者和核心贡献者每天都在看 PR。

这种投入是有回报的：项目从 2026 年 2 月创建到现在 6 个月，已经 817 个 skill、3,497 forks—— 增长速度依赖社区贡献，48 小时 SLA 是吸引贡献者的关键因素。

5. 单一作者撑起百万级内容：AI 辅助工作流

我特意查了一下 commit 历史（main 分支最近 20 条 commit）：

2026-08-08  Merge pull request #95 from valorisa/main
2026-08-02  chore: auto-update index.json and skill count
2026-08-02  Fix index.json generator to parse folded YAML descriptions
            (The generator's `^description:\s*(.+)$` regex captured the
             block-scalar indicator (">-") instead of the wrapped text,
             corrupting 43 descriptions in index.json. Parse `>`/`|`
             block scalars properly and regenerate (0 broken).
             Also refresh the count-update comment examples 754 -> 817.)
2026-08-02  Correct stale skill counts in docs to current 817
            (CITATION.cff 753 -> 817; ATTACK_COVERAGE.md 753+ -> 817;
             mappings/README.md "skills scanned" 742 -> 817;
             coverage-summary.md 753 -> 805 (ATT&CK-mapped).)
2026-08-02  README: correct framework claims/versions, add contributors section
            (Replace "every skill maps to six frameworks / six compliance
             checkboxes" with type-dependent mapping + accurate coverage
             line (ATT&CK 805, CSF 804, D3FEND 139, AI RMF 97, F3 94,
             ATLAS 93 of 817).
             Update stale versions: ATLAS v5.4/84 -> 2026.07/101(+77 sub);
             D3FEND v1.3/267 -> v1.4.0/270; ATT&CK 754/754 -> 805/817,
             286 -> 290 techniques; Enterprise tactic table 14 -> 15
             (Defense Evasion split into Stealth TA0005 + Defense
             Impairment TA0112, verified against ATT&CK v19.1).)

注意几个细节：

YAML frontmatter 有专门的 generator—— 意味着 817 个 skill 的 atlas_techniques / d3fend_techniques 等字段是程序化校验的，不是手敲
MITRE ATT&CK ID 验证是用官方 mitreattack-python 库 —— 意味着每个 ID 都从 STIX 2.0 bundle 校验过，0 个 revoked 或 deprecated ID（README 强调的）
commit message 写得极详细 —— 比如”Defense Evasion split into Stealth TA0005 + Defense Impairment TA0112, verified against ATT&CK v19.1”—— 这显然是 AI 辅助写的 commit message，一个人不可能手动跟踪 ATT&CK v19 → v19.1 的拆分

这些细节揭示了一个事实：mukul975 不是一个人手写 817 个 skill 的，他是用 LLM 辅助生成 + 人工校验 + 自动化验证的方式批量生产 skill 的：

选定一个安全领域（如 Cloud Security）
用 LLM 把这个领域的” 实战 playbook” 结构化 —— 这是领域知识工程的活
人工 review 每个 skill 的准确性 —— 这是专家把关的活
用 mitreattack-python / NIST 官方数据库验证映射 ID—— 这是自动化校验的活
PR review 48 小时内合并 —— 这是社区运营的活

这套工作流的本质，是把” 安全知识工程” 这件事变成了”AI 辅助的流水线”。一个人的生产力被放大 10-50 倍，6 个月攒出 817 个高质量 skill 不是奇迹，是工作流设计得当的必然结果。

四、怎么用：四步接入你的 Claude Code / Cursor

我以 Claude Code 为例演示完整流程（其它平台大同小异）。

1. 一行安装

# 方式 1：npx（推荐）
npx skills add mukul975/Anthropic-Cybersecurity-Skills

# 方式 2：git clone（如果你想本地修改）
git clone https://github.com/mukul975/Anthropic-Cybersecurity-Skills.git
cd Anthropic-Cybersecurity-Skills

npx skills add 是 agentskills.io 标准规定的安装命令，会自动把 817 个 skill 复制到 ~/.claude/skills/，重启 Claude Code 即可生效。

2. 触发 skill：说人话就行

不需要记 skill 名字，直接用自然语言描述任务：

“我有一份 EVTX 日志，看到账户 domain admin 在凌晨 3 点异常登录，请帮我判断是不是 Kerberoasting。”

Claude Code 内部会：

扫 817 个 skill 的 frontmatter（约 24K token）
匹配 top 3：可能是 hunting-for-kerberoasting-attacks、analyzing-windows-event-logs-for-credential-access、detecting-lateral-movement-via-smb
加载 workflow—— 分步骤执行：先用 Sigma 规则 grep 4769 → 关联 ATT&CK T1558.003 → 输出 IOC + 升级建议
跑 verification—— 确认告警的 ROC 评分、是否需要立即升级给 senior

整个流程下来，AI Agent 就像一个有 8 年经验的初级 SOC 分析师 —— 它不会把所有可能的检测都列出来（这是 LLM 的坏习惯），它会按 Kerberoasting 的标准 playbook 一步步跑，最后给你一个结构化的判断。

3. 自定义 skill：fork + PR

如果现有 817 个 skill 不够用（比如你们 SOC 有内部专用的 Playbook）：

# 1. Fork 仓库
gh fork mukul975/Anthropic-Cybersecurity-Skills

# 2. 新建 skill 目录
mkdir -p skills/my-custom-phi-detection/
cd skills/my-custom-phi-detection

# 3. 写 SKILL.md（含 YAML frontmatter + 6 节 Markdown）
# 4. （可选）写 references/standards.md、scripts/process.py、assets/template.md
# 5. 提交 PR
git checkout -b add-skill-my-custom-phi-detection
git add .
git commit -m "Add skill: my-custom-phi-detection"
git push origin add-skill-my-custom-phi-detection
gh pr create --title "Add skill: my-custom-phi-detection"

48 小时内会有 maintainer review—— 通过即合并进 main 分支，被全球所有用这个项目的 AI Agent 立刻可用。

4. 在 CI/CD 里用：MCP 集成

如果你的安全团队用 MCP（Model Context Protocol），可以直接把整个 skill 库注册成 MCP server：

# mcp_server.py
from mcp import MCPServer
from anthropic_cybersecurity_skills import load_skills

server = MCPServer(
    name="cybersecurity-skills",
    description="817 cybersecurity skills from mukul975/Anthropic-Cybersecurity-Skills",
)

@server.tool()
async def query_skill(skill_name: str, context: dict):
    """Load a specific cybersecurity skill and execute its workflow."""
    skill = load_skills(skill_name)
    return skill.execute(context)

if __name__ == "__main__":
    server.run()

这样任何 MCP-compatible agent（Cursor、Claude Desktop、Continue 等）都可以调用 query_skill 这个工具，整个 817 个 skill 库就是你的 SOC 团队的”AI 分析师大脑”。

五、总结：480 万缺口背后的”AI 安全分析师 1.0”

最后做一些冷静评估。

适用人群

非常适合：

甲方 SOC 团队：初级分析师能跟着 AI 跑 playbook，senior 分析师能 review AI 输出，48 小时 SLA 让你不愁技能库过时
安全咨询顾问：每次客户接入不需要从零搭 framework 映射，直接用现成的 817 个 skill
网络安全教学：MITRE ATT&CK、NIST CSF 这些抽象框架终于有了” 可执行的代码示例”
AI Agent 开发者：想要垂直领域知识库？这是 agentskills.io 标准下第一个规模化样本

部分适合：

红队 / 渗透测试工程师：项目里有 Red Teaming（33 skill）和 Penetration Testing（21 skill），但相比商用 C2 框架（Sliver、Havoc），这种公开 skill 库更适合” 学习参考”，不适合” 实战利用”——README 自己也强调了”authorized & lawful use only”
云安全专家：66 个 Cloud Security skill 覆盖 AWS/Azure/GCP 主流程，但深度还比不上 AWS Well-Architected 的内部文档

不太适合：

OT/ICS 工程师：28 个 skill 覆盖基础 Modbus/DNP3，但工业控制系统的攻击 / 防御真的不是” 跑 playbook” 能搞定的，需要领域深度
AI 安全研究员：14 个 AI Security skill 覆盖 prompt injection、MCP server compromise 等，但 AI 对抗是个动态战场，skill 库的更新速度赶不上攻击演进速度 —— 每周都得 review 新出现的 attack vector

局限性（README 自己承认的）

README 自己列了几条很坦诚的局限：

ATT&CK v19 还没完全落地 ——“ATT&CK v19 lands April 28, 2026 — splitting Defense Evasion (TA0005) into two new tactics: Stealth and Impair Defenses. Skill mappings will be updated in a forthcoming release.”
——v19 拆分出来的 Stealth（TA0005）和 Defense Impairment（TA0112），现有 skill 还在迁移中。我顺手 grep 了一下 main 分支，确实有的 skill 还是旧的 TA0005（Defense Evasion），需要等后续 PR。
PRs 排队中：Deception Technology 只有 6 个 skill、Compliance & Governance 只有 9 个 skill、Hardware & Firmware Security 只有 4 个 skill—— 这些” 长尾领域” 还在等社区贡献。README 明确说”Domains like Deception Technology (2 skills) and Compliance & Governance (5 skills) need the most help.”
签名混淆 / 抗检测：skill 库给出的攻击性技术（如 phishing simulation、NTLM relay）不是为绕过 EDR 设计的 —— 实战红队会根据自己的目标环境做大量定制。
数据规模限制：MITRE ATLAS 2026.07 已经 101 个技术 / 77 个子技术，但只有 93 个 skill 映射 ATLAS—— 剩下 8 个 ATLAS 技术还没对应的 skill。

一个值得单独提的” 野路子”

最后说一个项目本身的” 野路子打法”——

项目名直接挂 “Anthropic” 三个字，但 README 明确写”Not affiliated with Anthropic PBC”。

为什么这么搞？我猜 mukul975 的逻辑是：

agentskills.io 标准是 Anthropic 推动的，Claude Code 是 Anthropic 的产品
项目主要服务 Claude Code 用户，挂 Anthropic 三个字让 Claude Code 用户搜索时一眼看到
加免责声明避免商标问题

这种” 蹭生态但不抢品牌” 的做法在开源圈其实挺常见 ——Linux 内核里一大堆 lwn.net、kernel.org 命名的衍生项目都干过类似的事。

但风险也很明显：万一 Anthropic 法务部发函（虽然概率低），项目就得改名。mukul975 的” 赌注” 是：agentskills.io 标准的开放性 + Apache 2.0 协议 + 社区贡献模式，比 Anthropic 法务部发函的概率高得多。

至少从 2026 年 2 月到现在 6 个月、29,236 stars、3,497 forks 的数据看 —— 赌对了。

写在最后

回到开头那个朋友的疑问：

“这种 playbook，能不能直接打包给我？”

现在能了。

mukul975/Anthropic-Cybersecurity-Skills 不是另一个” 安全工具”，它是 MITRE ATT&CK、NIST CSF 2.0、MITRE ATLAS、D3FEND、AI RMF、F3 六个框架的 817 份”AI 可执行手册”，+ 26+ AI 平台兼容性 + 一行安装 + 48 小时 PR SLA。

它不直接解决 480 万岗位缺口 —— 但它把 480 万缺口里最痛的” 知识分散” 问题压缩成 817 张可被 AI 调用的处方笺。

当 AI Agent 真正开始” 会做安全分析”，它背后的知识库长什么样 ——mukul975 给出了第一个规模化答案。

参考链接

项目主页：github.com/mukul975/Anthropic-Cybersecurity-Skills
agentskills.io 开放标准：agentskills.io
MITRE ATT&CK v19.1：attack.mitre.org
NIST CSF 2.0：nist.gov/cyberframework
MITRE ATLAS 2026.07：atlas.mitre.org
MITRE D3FEND v1.4.0：d3fend.mitre.org
MITRE F3 v1.1：ctid.mitre.org/fraud
ISC2 2024 Cybersecurity Workforce Study：isc2.org
Awesome-Agent-Skills（收录 mukul975 的列表）：VoltAgent/awesome-agent-skills
作者 X：@mukul975
学术问卷（GARS-2026）：mahipal.engineer/survey
关联项目 Strix（AI pentesting）：strix-ai-pentesting-open-source（strix 项目已在小戴博客覆盖）

本文为「GitHub Trending 拆解」系列。
数据来源：项目 README、GitHub API、agentskills.io 标准、MITRE/NIST 官方文档。
写作日期：2026-08-19