基于Anthropic-Cybersecurity-Skills构建网络安全AI智能体实战指南

最近在尝试构建一个面向企业安全的AI智能体时，发现市面上虽然有不少AI Agent框架，但专门针对网络安全领域的、开箱即用的技能库却非常稀缺。要么需要从零开始编写复杂的提示词和工具链，要么就是通用技能难以满足安全分析、漏洞评估等专业场景的需求。直到我发现了mukul975 / Anthropic-Cybersecurity-Skills这个宝藏项目，它基于流行的agentskills.io架构，提供了一套专门为Claude等大模型设计的网络安全技能库，极大地简化了安全AI智能体的开发流程。

本文将为你完整拆解这个项目的核心价值、架构设计，并手把手带你完成从环境搭建、技能调用到构建一个简易漏洞扫描AI助手的全流程实战。无论你是想快速集成AI能力到现有安全运维（SecOps）流程中的工程师，还是对AI Agent开发感兴趣的研究者，这篇文章都能提供一套可直接复用的解决方案。

1. 项目背景与核心概念：为什么需要网络安全AI技能库？

在深入代码之前，我们首先要理解这个项目解决了什么痛点。传统的安全运营中心（SOC）或渗透测试工作流高度依赖专家的经验判断和繁琐的手动工具操作，效率瓶颈明显。而大语言模型（LLM）如Anthropic的Claude，虽然拥有强大的推理和代码生成能力，但要让它们真正“理解”并“执行”网络安全任务，面临几个关键挑战：

1. 领域知识鸿沟：通用LLM不了解Nmap扫描结果的含义、不会解析Burp Suite的代理日志、也不熟悉CVE漏洞数据库的结构。
2. 工具集成困难：LLM本身无法直接调用命令行工具或访问内部API，需要一套可靠的“手和脚”（即工具调用能力）。
3. 提示词工程复杂：为每一个安全任务（如子域名枚举、SQL注入检测）设计高效、准确的提示词，是一项耗时且需要反复调试的工作。
4. 工作流编排缺失：一个完整的安全评估往往包含多个步骤，需要智能体在不同技能间自主切换和决策。

Anthropic-Cybersecurity-Skills项目正是为了解决这些问题而生。它不是一个独立的AI Agent框架，而是一个构建在agentskills.io生态系统之上的技能（Skills）仓库。

• agentskills.io是什么？你可以将其理解为一个“AI技能的应用商店”或标准化框架。它定义了一套统一的规范，让开发者可以像编写函数一样封装AI可调用的能力（技能），并方便地被各种AI Agent框架（如LangChain、CrewAI、自定义Agent）集成和调用。
• Anthropic-Cybersecurity-Skills是什么？这是一个专门针对网络安全领域，按照agentskills.io规范实现的具体技能集合。它预置了诸如网络扫描、漏洞查询、日志分析、密码强度检查等安全工程师常用的能力。

核心价值：该项目将网络安全领域的专业知识和工具调用封装成标准化、可复用的“技能包”。开发者无需再从零开始，可以直接引入这些技能，快速组装出一个具备专业安全分析能力的AI助手，从而专注于更高层次的智能体逻辑和业务流程设计。

2. 环境准备与项目初始化

在开始实战前，我们需要准备好开发环境。本项目主要使用Python，并假设你已经有了基本的Python开发环境。

2.1 基础环境要求

• 操作系统：Linux (推荐Ubuntu/Debian)、macOS 或 Windows Subsystem for Linux (WSL2)。部分安全工具在原生Windows上可能兼容性不佳。
• Python版本：>= 3.9。建议使用3.10或3.11以获得更好的兼容性。
• 包管理工具：pip最新版。
• 版本控制：git。
• Anthropic API密钥：你需要一个有效的Anthropic API密钥来调用Claude模型。可以访问Anthropic官网申请。

2.2 克隆项目与安装依赖

首先，我们将项目代码克隆到本地。

# 克隆项目仓库 git clone https://github.com/mukul975/Anthropic-Cybersecurity-Skills.git cd Anthropic-Cybersecurity-Skills

查看项目结构，这对理解后续操作很重要。

# 查看项目根目录结构 ls -la

典型的项目结构可能包含：

├── skills/ # 核心技能目录，每个技能一个子文件夹 │ ├── nmap_scan/ │ ├── cve_lookup/ │ ├── log_analyzer/ │ └── ... ├── examples/ # 使用示例 ├── requirements.txt # Python依赖列表 ├── README.md └── ...

接下来，创建一个独立的Python虚拟环境并安装依赖。这是最佳实践，可以避免包冲突。

# 创建虚拟环境（以venv为例） python -m venv venv # 激活虚拟环境 # Linux/macOS source venv/bin/activate # Windows (cmd) # venv\Scripts\activate.bat # Windows (PowerShell) # venv\Scripts\Activate.ps1 # 安装项目依赖 pip install -r requirements.txt

注意：如果项目没有提供requirements.txt，你可能需要根据skills/目录下各子文件夹中的pyproject.toml或setup.py文件来手动安装每个技能包的依赖。通常，一个agentskills.io规范的技能包可以通过pip install .在其目录下进行安装。

2.3 配置API密钥与环境变量

安全地管理你的API密钥。不要将其硬编码在代码中。

# Linux/macOS: 将你的API密钥添加到当前shell会话的环境变量中 export ANTHROPIC_API_KEY='your_anthropic_api_key_here' # Windows (cmd) # set ANTHROPIC_API_KEY=your_anthropic_api_key_here # Windows (PowerShell) # $env:ANTHROPIC_API_KEY='your_anthropic_api_key_here'

为了持久化，你可以将export ANTHROPIC_API_KEY=...这行命令添加到你的~/.bashrc或~/.zshrc文件末尾。

3. 核心技能架构与使用模式解析

在agentskills.io的范式下，一个“技能”通常包含以下几个核心部分：

1. 技能描述（Skill Description）：用自然语言描述这个技能能做什么，供AI模型理解。
2. 输入模式（Input Schema）：定义调用该技能时需要提供的参数及其类型（如字符串、整数、布尔值）。
3. 执行函数（Execution Function）：包含实际业务逻辑的代码，例如调用一个命令行工具、查询一个API或处理一段数据。
4. 输出模式（Output Schema）：定义技能执行后返回的数据结构。

3.1 查看一个现有技能：Nmap扫描

让我们以最经典的网络安全技能——端口扫描为例，看看它是如何实现的。进入skills/nmap_scan目录（假设目录存在）。

# 示例：一个简化的 nmap_skill.py 可能的结构 # 注意：以下代码是基于 agentskills.io 理念的示意，非项目原文件。 from typing import TypedDict import subprocess import json # 1. 定义输入参数的类型 class NmapScanInput(TypedDict): target: str # 扫描目标，如 “example.com” 或 “192.168.1.0/24” scan_type: str # 扫描类型，如 “-sS” (SYN扫描), “-sV” (版本探测) ports: str # 端口范围，如 “1-1000” 或 “80,443,22” # 2. 技能描述（通常会在装饰器或配置文件中） SKILL_DESCRIPTION = """ Performs a network port scan using the Nmap security scanner. Useful for discovering open ports, services, and their versions on a target host or network. """ # 3. 核心执行函数 def execute_nmap_scan(input_data: NmapScanInput) -> str: """ 执行Nmap扫描并返回格式化结果。 """ target = input_data.get('target') scan_type = input_data.get('scan_type', '-sS') ports = input_data.get('ports', '1-1000') if not target: return "Error: Target host or network is required." # 构建命令，避免命令注入风险 cmd = ['nmap', scan_type, '-p', ports, target] try: # 执行命令并捕获输出 result = subprocess.run(cmd, capture_output=True, text=True, timeout=300) if result.returncode == 0: # 这里可以添加更复杂的解析逻辑，将文本输出转为结构化JSON return result.stdout else: return f"Nmap scan failed with error:\n{result.stderr}" except subprocess.TimeoutExpired: return "Nmap scan timed out after 5 minutes." except FileNotFoundError: return "Error: Nmap command not found. Please ensure Nmap is installed and in your PATH." except Exception as e: return f"An unexpected error occurred: {str(e)}" # 4. 技能的“注册”或暴露点（取决于具体框架实现） # 在 agentskills.io 中，可能会使用一个装饰器来注册这个技能 # @skill(name="nmap_scan", description=SKILL_DESCRIPTION, input_schema=NmapScanInput) # def nmap_skill(input_data: NmapScanInput) -> str: # return execute_nmap_scan(input_data)

关键点解析：

• 封装与安全：技能将底层的、可能复杂的nmap命令调用封装成一个简单的函数，并处理了错误和超时。这比让AI直接生成并执行系统命令要安全得多。
• 结构化接口：通过定义TypedDict，明确了AI需要提供哪些参数，避免了模糊的自然语言指令可能导致的歧义。
• 模型可理解：SKILL_DESCRIPTION让Claude这样的LLM能够准确理解何时以及如何使用这个技能。

3.2 如何调用单个技能

在集成了agentskills.io的AI Agent框架中，调用一个技能通常非常简单。以下是一个使用原始Anthropic Messages API并结合技能描述的模拟示例，展示了其工作原理。

# 示例：模拟AI Agent调用Nmap技能的过程 import os from anthropic import Anthropic # 初始化客户端 client = Anthropic(api_key=os.environ.get("ANTHROPIC_API_KEY")) # 1. 将技能描述和可用性告知AI模型 system_prompt = f""" You are a cybersecurity assistant. You have access to the following tool (skill): Tool Name: nmap_scan Description: {SKILL_DESCRIPTION} Parameters: - target (string, required): The hostname, IP address, or network range to scan. - scan_type (string, optional): Nmap scan type flags. Default is '-sS' (SYN stealth scan). - ports (string, optional): Ports to scan. Default is '1-1000'. When you need to use this tool, you MUST respond in the following JSON format: {{ "tool": "nmap_scan", "input": {{ "target": "value_here", "scan_type": "value_here", "ports": "value_here" }} }} Only respond with this JSON when using the tool. Otherwise, provide normal text answers. """ # 2. 用户提出一个需要扫描的请求 user_query = "请帮我扫描一下 example.com 的开放端口，特别是web服务端口。" # 3. 发送请求给Claude message = client.messages.create( model="claude-3-5-sonnet-20241022", # 使用合适的模型版本 max_tokens=1000, system=system_prompt, messages=[ {"role": "user", "content": user_query} ] ) # 4. 解析Claude的回复 assistant_response = message.content[0].text print("Claude的回复（可能是JSON或文本）:") print(assistant_response) # 5. 假设Claude返回了JSON格式的工具调用请求 import json try: tool_call = json.loads(assistant_response) if tool_call.get("tool") == "nmap_scan": input_data = tool_call.get("input") # 6. 在实际的技能执行环境中，这里会路由到对应的 execute_nmap_scan 函数 scan_result = execute_nmap_scan(input_data) print("\nNmap扫描结果:") print(scan_result) # 7. 将结果反馈给Claude进行后续分析（多轮对话） # ... 将 scan_result 作为新的 user 或 assistant 消息继续对话 except json.JSONDecodeError: # Claude直接进行了文本回复，没有调用工具 print("Claude选择了直接回答。")

这个示例清晰地展示了人机协作的流程：用户用自然语言提问 -> AI理解意图并选择技能 -> AI输出结构化的调用请求 -> 后端执行技能 -> 结果返回给AI进行总结或下一步决策。

4. 完整实战：构建一个简易的漏洞扫描AI助手

现在，我们将利用Anthropic-Cybersecurity-Skills项目中的多个技能，构建一个能够接受自然语言指令，自动执行扫描和漏洞查询的AI助手。假设项目已提供了nmap_scan和cve_lookup两个技能。

4.1 项目结构设计

我们创建一个新的项目目录来组织我们的AI助手。

my_cybersecurity_agent/ ├── skills/ # 存放从原项目链接或复制的技能 │ ├── nmap_scan/ # Nmap扫描技能包 │ └── cve_lookup/ # CVE查询技能包 ├── agent_core.py # AI Agent核心逻辑 ├── skill_registry.py # 技能注册与管理 ├── requirements.txt └── .env # 存储环境变量（如API KEY）

4.2 安装与注册技能

首先，确保技能包可用。如果原项目技能包是可安装的Python包，我们可以用pip install -e .进行开发模式安装。

# 在 my_cybersecurity_agent 目录下 # 安装 nmap_scan 技能 cd skills/nmap_scan pip install -e . cd ../.. # 安装 cve_lookup 技能 cd skills/cve_lookup pip install -e . cd ../..

接下来，创建skill_registry.py，用于集中管理和加载所有可用技能。

# skill_registry.py import importlib from typing import Dict, Any, Callable class SkillRegistry: """简单的技能注册表""" def __init__(self): self._skills = {} # name -> {'description': str, 'function': Callable, 'input_schema': dict} def register_skill(self, name: str, description: str, function: Callable, input_schema: Dict[str, Any]): """注册一个技能""" self._skills[name] = { 'description': description, 'function': function, 'input_schema': input_schema } print(f"Registered skill: {name}") def get_skill(self, name: str): """根据名称获取技能信息""" return self._skills.get(name) def list_skills(self): """列出所有已注册技能""" return list(self._skills.keys()) def execute_skill(self, name: str, input_data: Dict[str, Any]): """执行指定技能""" skill_info = self.get_skill(name) if not skill_info: raise ValueError(f"Skill '{name}' not found.") # 这里可以添加输入数据验证（根据input_schema） return skill_info['function'](input_data) # 创建全局注册表实例 registry = SkillRegistry() # 动态导入并注册技能（假设技能包提供了标准的导出方式） # 例如，技能包可能有一个 `__skill__` 模块属性 try: from nmap_scan import __skill__ as nmap_skill_module registry.register_skill( name=nmap_skill_module.name, description=nmap_skill_module.description, function=nmap_skill_module.execute, input_schema=nmap_skill_module.input_schema ) except ImportError as e: print(f"Warning: Failed to load nmap_scan skill: {e}") try: from cve_lookup import __skill__ as cve_skill_module registry.register_skill( name=cve_skill_module.name, description=cve_skill_module.description, function=cve_skill_module.execute, input_schema=cve_skill_module.input_schema ) except ImportError as e: print(f"Warning: Failed to load cve_lookup skill: {e}") # 也可以手动注册（如果技能没有标准导出） # def manual_cve_lookup(input_data): # # ... 实现代码 # registry.register_skill("cve_manual", "Look up CVE details", manual_cve_lookup, {"cve_id": "string"})

4.3 实现AI Agent核心

创建agent_core.py，这里我们使用anthropicSDK 并实现一个简单的工具调用循环。

# agent_core.py import os import json import re from anthropic import Anthropic from skill_registry import registry class CybersecurityAgent: def __init__(self, model="claude-3-5-sonnet-20241022"): self.client = Anthropic(api_key=os.environ.get("ANTHROPIC_API_KEY")) self.model = model self.conversation_history = [] def _build_system_prompt(self): """构建系统提示词，包含所有可用技能的描述和调用格式""" skills_text = [] for skill_name in registry.list_skills(): skill_info = registry.get_skill(skill_name) desc = skill_info['description'] params = json.dumps(skill_info['input_schema'], indent=2) skills_text.append(f"Tool Name: {skill_name}\nDescription: {desc}\nParameters Schema:\n{params}") skills_block = "\n\n".join(skills_text) system_prompt = f"""You are a professional cybersecurity analyst AI assistant. You have access to the following tools (skills) to help with security tasks: {skills_block} **CRITICAL INSTRUCTION:** When you decide to use a tool, you MUST output a JSON object in your response, and ONLY that JSON object, with the following structure: {{ "tool": "<tool_name>", "input": {{ ... }} // 对应工具的参数对象 }} Do not include any other text, explanation, or markdown formatting before or after the JSON. The user will parse this JSON and execute the tool. If you don't need to use any tool, respond with normal, helpful text. """ return system_prompt def _extract_tool_call(self, response_text: str): """尝试从AI回复中提取JSON格式的工具调用。""" # 使用正则表达式查找JSON块 json_pattern = r'\{.*?"tool".*?"input".*?\}' match = re.search(json_pattern, response_text, re.DOTALL) if match: try: return json.loads(match.group()) except json.JSONDecodeError: pass return None def chat_cycle(self, user_input: str): """处理一轮用户输入，可能包含多轮工具调用。""" self.conversation_history.append({"role": "user", "content": user_input}) max_iterations = 5 # 防止无限循环 for i in range(max_iterations): # 准备消息历史 messages_for_api = [] # 添加系统提示词（通常只在第一条消息） if i == 0: messages_for_api.append({"role": "system", "content": self._build_system_prompt()}) # 添加历史对话（简化处理，实际可能需截断） for msg in self.conversation_history[-6:]: # 保留最近几轮 messages_for_api.append(msg) # 调用Claude API response = self.client.messages.create( model=self.model, max_tokens=1500, messages=messages_for_api ) assistant_response = response.content[0].text print(f"\n[AI Response {i+1}]: {assistant_response[:200]}...") # 打印部分 # 尝试提取工具调用 tool_call = self._extract_tool_call(assistant_response) if tool_call: tool_name = tool_call.get("tool") tool_input = tool_call.get("input", {}) print(f"\n[Detected Tool Call]: {tool_name} with input {tool_input}") # 执行工具 try: tool_result = registry.execute_skill(tool_name, tool_input) # 将工具执行结果作为新的用户消息，让AI继续处理 result_message = f"The tool '{tool_name}' returned the following result:\n{tool_result}\n\nPlease analyze this result and respond to the user's original request." self.conversation_history.append({"role": "user", "content": result_message}) print(f"[Tool Result Received, length: {len(str(tool_result))}]") # 继续循环，让AI基于结果生成回复 except Exception as e: error_message = f"Error executing tool '{tool_name}': {str(e)}" self.conversation_history.append({"role": "user", "content": error_message}) print(f"[Tool Execution Error]: {error_message}") else: # AI没有调用工具，直接返回文本回复 self.conversation_history.append({"role": "assistant", "content": assistant_response}) return assistant_response # 返回最终答案 return "Reached maximum iteration limit. The analysis may be incomplete." # 简易的聊天循环 if __name__ == "__main__": agent = CybersecurityAgent() print("Cybersecurity AI Agent 已启动。输入 'quit' 退出。") while True: try: user_input = input("\nYou: ") if user_input.lower() in ['quit', 'exit', 'q']: break response = agent.chat_cycle(user_input) print(f"\nAssistant: {response}") except KeyboardInterrupt: break print("会话结束。")

4.4 运行与验证

1. 安装依赖：确保安装了anthropic和技能包依赖。

   pip install anthropic # 其他依赖根据技能包要求安装，如 `pip install requests` 用于CVE查询

2. 设置环境变量：在项目根目录创建.env文件，或直接在终端导出。

   ANTHROPIC_API_KEY=sk-ant-...

3. 运行Agent：

   python agent_core.py

4. 进行测试：

   • 场景一：端口扫描

     You: 扫描一下 scanme.nmap.org 的常用端口，看看有什么服务。

     AI应该会输出一个调用nmap_scan工具的JSON。后台执行后，会将扫描结果（文本）返回给AI，AI最终会生成一个总结性回复，如“扫描发现端口22(SSH)、80(HTTP)开放...”。
   • 场景二：漏洞查询

     You: 帮我查一下CVE-2021-44228的详细信息。

     AI会调用cve_lookup技能，查询并返回该Log4j漏洞的详情。
   • 场景三：组合任务（如果AI能处理）

     You: 先扫描一下 example.com 的80和443端口，如果发现是nginx服务，再查一下nginx近两年有没有高危漏洞。

     这是一个多步骤任务，考验AI的规划能力。我们的简易Agent通过循环机制，可以依次执行扫描和查询。

4.5 结果说明

通过这个实战，我们成功构建了一个能够理解自然语言安全需求、自动调用底层工具（技能）并整合结果的AI助手原型。它的核心优势在于：

• 降低了使用门槛：安全分析师可以用对话的方式操作专业工具。
• 提升了效率：AI可以自动解析工具输出，提炼关键信息，无需人工在命令行和浏览器间切换。
• 可扩展性强：新的安全工具或检查项，只需按照agentskills.io规范封装成技能，即可无缝接入现有Agent。

5. 常见问题与排查思路

在开发和运行此类AI网络安全智能体时，你可能会遇到以下典型问题。

6. 最佳实践与工程建议

将AI技能库用于生产环境或严肃的安全工作流时，需要考虑以下工程化因素：

1. 安全第一

   • 输入验证与净化：在技能执行函数中，必须对所有用户输入（来自AI）进行严格的验证和净化，防止命令注入、路径遍历等攻击。避免使用shell=True。
   • 权限最小化：运行AI Agent的进程应具有尽可能低的系统权限。不要以root身份运行。
   • 网络隔离：考虑在隔离的网络环境（如Docker容器、专用虚拟机）中运行可能执行扫描或探测任务的Agent，避免对生产网络造成意外影响。
   • 审计日志：记录所有AI发起的工具调用、输入参数和执行结果，便于事后审计和问题追溯。

2. 技能设计规范

   • 清晰的描述：技能描述应准确、无歧义，让AI能准确判断使用场景。
   • 完备的模式定义：input_schema应使用标准的JSON Schema，明确参数类型、是否必需、默认值及枚举值，这能极大提高AI调用的准确性。
   • 结构化的输出：尽量让技能返回结构化的JSON数据，而非纯文本。这有利于AI解析和后续技能链的自动化处理。例如，Nmap扫描结果可以解析为{“open_ports”: […], “services”: […]}的格式。
   • 错误处理：技能函数应有完善的异常捕获，并返回对人类和AI都友好的错误信息，而不是任由Python异常抛出。

3. Agent性能与稳定性

   • 上下文管理：Claude等模型有上下文长度限制。需要设计机制来修剪或总结过长的对话历史和工具执行结果，避免超出限制。
   • 失败重试与降级：对于暂时性的API或工具调用失败，应实现重试逻辑。对于关键技能失效，应有降级方案（如返回缓存数据或提示用户手动操作）。
   • 成本控制：监控Anthropic API的调用量和费用。对于内部工具，可以考虑使用开源模型（通过LiteLLM等网关）作为备选，以降低成本。

4. 与现有工作流集成

   • 作为聊天机器人：集成到Slack、Microsoft Teams或钉钉等企业协作平台，安全团队可以随时随地通过自然语言交互获取信息。
   • 作为自动化流程节点：在SOAR（安全编排、自动化与响应）平台中，将AI Agent作为一个智能决策节点，用于分析告警、判断误报、推荐处置动作。
   • 生成报告：让AI Agent在完成一系列调查后，自动生成结构化的安全事件报告或漏洞评估摘要。

5. 持续迭代与评估

   • 技能测试集：为每个技能建立测试用例，确保功能正确性。
   • 端到端评估：设计典型的用户查询场景，评估AI Agent最终输出的准确性和有用性。
   • 反馈循环：建立机制收集真实用户的反馈，用于优化提示词和技能设计。

通过mukul975 / Anthropic-Cybersecurity-Skills这个项目，我们获得了一个高起点的网络安全AI技能库。真正的价值在于你如何利用它，结合上述最佳实践，构建出贴合自身业务、安全可靠且智能高效的网络安全辅助系统。从简单的信息查询助手开始，逐步扩展到复杂的自动化调查工作流，AI正在成为安全工程师力量倍增器的道路上稳步前进。