ClawHub Security Signals: When VirusTotal, Static Analysis, and SkillSpector Disagree
ClawHub 安全信号：当 VirusTotal、静态分析与 SkillSpector 产生分歧
🧭 Agent 技能安全与扫描器分歧研究
OpenClaw Foundation · NVIDIA
揭示 Agent 技能安全扫描器间高度分歧，提倡分层治理而非依赖单一扫描器放行/拦截
📌 工作参考价值（4 点）
- 在电商 Agent 集成社区技能时，切勿依赖单一安全扫描器（如 Virustotal）做放行/拦截决策；应组合病毒扫描、静态分析、语义风险扫描等多维度信号，并预期扫描器间高质量分歧。
- 设计分层安全治理：将自动化扫描作为信号输入，而非黑白判定；对打包可执行代码技能侧重恶意代码检测，对纯指令/工具调用技能侧重语义风险检测（如越权、提示注入）。
- 若自建 Agent 技能市场或注册表，参考该数据集的分歧模式，构建「扫描结果 → 风险分 → 人工审核」的分诊流程，避免因单一扫描器漏报而引入恶意技能。
- 可直接利用此公开的脱敏数据集训练面向技能安全分类的专用模型，作为电商 Agent 技能上线审核的辅助工具。