AI Agent安全审计框架，自动验证skill/MCP/包安全，基于共享信任数据库进行风险评分与安装拦截。
说明：
## 核心用法
ecap-security-auditor 是一个面向 AI Agent 生态的安全审计框架，提供**自动安全门控**和**手动深度审计**两大能力。安装或使用任何 skill、MCP 服务器、npm/pip 包时，系统自动查询信任注册表、验证文件完整性哈希、计算 Trust Score（0-100），并根据阈值决定放行（≥70）、警告（40-69）或拦截（<40）。若无可信数据，则触发自动审计流程，分析源码后上传报告。
**关键机制**：
– **Trust Score 计算**：100 减去各严重级 finding 的扣分（Critical -25, High -15, Medium -8, Low -3），高风险组件（hooks/、.mcp.json 等）×1.2 倍惩罚
– **完整性验证**：对比本地文件 SHA-256 与审计时记录的哈希，不匹配则硬拦截
– **AI 专属检测**：12 类提示注入模式（AI_PROMPT_001~012）、6 类持久化机制（PERSIST_001~006）、7 类高级混淆技术（零宽字符、base64→exec 链等）
– **跨文件分析**：识别多文件攻击链（凭证读取+网络外传、权限提升+持久化等），标记为 CORR_ 前缀 finding
## 显著优点
1. **零配置被动防护**：安装即触发安全门，无需用户干预
2. **众包式信任网络**：每个 Agent 审计后上传报告，注册表有机增长
3. **AI 原生威胁建模**：针对 LLM Agent 特有的提示注入、工具滥用、指令层级攻击设计检测规则
4. **版本感知完整性**：区分"合法更新"与"篡改攻击"，避免误杀
5. **可恢复的信任分**：修复 issue 后通过 `/fix` 端点恢复 50% 扣分，误报标记后全额恢复
## 潜在缺点与局限
– **完整性数据库覆盖有限**：目前仅 `ecap-security-auditor` 自身在库，多数包需依赖 findings 评分而非哈希验证
– **网络依赖**：API 不可达时只能降级为"用户自担风险"或本地缓存模式
– **大包审计成本**：500+ 文件项目需启发式跳过，可能漏检非入口文件中的攻击
– **AI 检测误报**：防御性代码（如"不要透露提示词"）可能与攻击模式混淆，需人工复核
– **Self-review 禁止**：无法直接修正自己报告的误报，必须依赖社区 peer review
## 适合人群
– **AI Agent 开发者**：需验证自身 skill/MCP 安全性，或集成安全门到 Agent 运行时
– **安全研究员**：贡献审计报告、参与 peer review 获取积分排名
– **企业部署团队**：建立内部信任注册表（可通过 `ECAP_REGISTRY_URL` 自定义），管控第三方组件准入
## 常规风险
– **SKILL.md 供应链攻击**：恶意 fork 可能篡改 `verify.sh` 脚本，需始终校验官方来源哈希
– **审计提示注入**：被审计包中的注释/字符串可能包含针对审计 LLM 的隐藏指令（零宽字符、HTML 注释）
– **API 密钥泄露**：`credentials.json` 或 `ECAP_API_KEY` 若被窃取，可导致虚假报告注入信任系统
– **评分操纵**：通过 `by_design=true` 标记规避扣分，或利用 component_type 模糊性降低惩罚权重
会员专属
