Cybersecurity Skills (754)

為什麼要用

核心特性

754 個 skill，全部為防禦性——無攻擊/滲透面
對應 5 個框架：MITRE ATT&CK、NIST CSF 2.0、MITRE ATLAS、D3FEND、NIST AI RMF
26 個資安領域，包含 AI 安全與 AI 紅隊防禦
Apache 2.0
跨 Agent：以 agentskills.io 格式發布
由 Mukul Kantiwal 維護

即時演示

實際使用效果

就緒

安裝

作者儲存庫 · Claude Skills 官方文件

使用場景

實戰用法： Cybersecurity Skills (754)

針對疑似入侵事件執行符合 NIST IR 規範的回應流程

👤 沒有 runbook 函式庫的獨立 SRE / 小型 SOC ⏱ ~90 min advanced

何時使用： 告警觸發，你需要結構化的回應，而非盲目 Google。

步驟

分類

Use the IR skill. Suspected compromise on host X — guide me through NIST SP 800-61 R2 phases. Stop after Containment.✓ 已複製

→ 逐階段核查清單，含具體指令
蒐集

What evidence should I capture before isolating the host? Give me the exact osquery / GRR commands.✓ 已複製

→ 具體指令；無含糊帶過
記錄

Generate the IR report scaffold mapped to MITRE ATT&CK techniques observed.✓ 已複製

→ 含已對應 TTP 的報告

結果： 一份連結到標準的可信 IR 記錄。

注意事項

Skill 建議了攻擊性步驟 — 不應該——它是純防禦性的。若你看到任何攻擊性內容，那是 bug；請回報上游。

搭配使用： filesystem

對服務執行符合 OWASP 規範的 AppSec 審查

👤 沒有專職資安團隊的開發者 ⏱ ~120 min advanced

何時使用： 上線前——你需要一份可在稽核中捍衛的審查。

步驟

盤點

Use the AppSec skill on /service/. Map the attack surface (auth, data flows, deps, infra).✓ 已複製

→ 含標注的攻擊面地圖
威脅建模

STRIDE the surface. Output the threats with likelihood and impact.✓ 已複製

→ STRIDE 表格
緩解計畫

For HIGH likelihood threats, propose mitigations with NIST CSF mapping.✓ 已複製

→ 含控制項 ID 的計畫

結果： 含稽核就緒引用的 AppSec 審查。

注意事項

不符合你技術堆疊的通用緩解措施 — 傳入版本庫路徑；Skill 會依偵測到的語言/框架量身訂製

搭配使用： github

對即將發布的 AI 功能進行防禦性審查

👤 開發 AI 功能的團隊 ⏱ ~90 min advanced

何時使用： 你要發布一個 LLM 功能；你想要 NIST AI RMF + MITRE ATLAS 審查。

步驟

分析風險

Use the AI security skill. List ATLAS risks relevant to a chat assistant with tool calls.✓ 已複製

→ 依戰術分組的風險（提示注入、模型規避、供應鏈）
防禦措施

For each risk, propose specific defenses with NIST AI RMF function (Govern/Map/Measure/Manage).✓ 已複製

→ 含功能標籤的防禦措施
測試計畫

Write a red-team test plan I can hand to a contractor.✓ 已複製

→ 含具體攻擊嘗試的計畫

結果： 上線前的 AI 安全基準。

注意事項

Skill 建議的控制項讓延遲加倍 — 它有嚴重性標籤；v1 上線時只做第一層控制項

組合

與其他 MCP 搭配，撬動十倍槓桿

anthropic-cybersecurity-skills + github

將資安發現建立為 Issue

Open a GitHub issue per HIGH finding, with NIST CSF reference.✓ 已複製

anthropic-cybersecurity-skills + filesystem

將報告持久化為稽核證據

Save the IR report to /security/reports/$(date +%F)/.✓ 已複製

工具

此 MCP 暴露的能力

工具	輸入參數	何時呼叫
ir.runbook	phase, scenario	事件發生期間
appsec.review	path	上線前 / 每季
ai.atlas_review	feature_description	發布 AI 功能前
framework.map	finding, target_framework	稽核準備

成本與限制

運行它的成本

API 配額: 不適用——本地 skill
每次呼叫 Token 數: 完整審查：20–50k token
費用: 免費（Apache 2.0）
提示: 日常工作時，將範圍限制在單一領域（只做 IR、只做 AppSec）以控制成本

安全

權限、密鑰、影響範圍

最小權限： filesystem-read

憑證儲存： 無

資料出站： 本地

Skill 是諮詢性的——它們無法取代人類判斷，尤其是在即時事件回應中

故障排查

常見錯誤與修復

輸出過於籠統

提供具體路徑、告警文字或服務描述；Skill 會根據上下文量身訂製

框架對應引用了不存在的控制項

傳入 --framework-version 鎖定特定修訂版本（例如 NIST CSF 2.0）

Skill 標記了太多發現

第一次過濾時只看嚴重性 ≥ HIGH

替代方案