OpenClaw 携手 NVIDIA 构建 AI 技能安全新防线
随着 Agent（智能体）生态的爆发式增长，技能（Skills）的安全性已成为行业痛点。OpenClaw 近期宣布与 NVIDIA 达成战略合作，共同推出了一套全新的自动化技能安全验证体系，旨在解决传统恶意软件扫描无法覆盖的“代理风险”问题。
背景：传统扫描无法覆盖的代理风险
OpenClaw 在推出 ClawHub 技能市场初期便遭遇了恶意行为者的攻击，部分技能被植入已知恶意软件。然而，随着 Agent 能力的增强，风险形态发生了根本变化：
- 伪装型风险：技能可能声称“总结日志”，实则通过脚本窃取数据。
- 误操作型风险：技能可能因参数错误导致生产环境被清空。
这类风险不属于传统病毒扫描的范畴。OpenClaw 认为，在部署技能前，开发者必须明确三个核心问题：技能声称做什么？代码是否匹配声明？若出错，破坏范围（Blast Radius）有多大？
核心突破：ClawScan 多模态验证流水线
为了解决单一工具无法应对快速变化的代理风险问题，OpenClaw 联合 NVIDIA 打造了 ClawScan 流水线。该流程对每个新发布的技能版本执行严格的预发布验证：
- 多源扫描：OpenAI Codex 代理接收来自三个独立扫描器的上下文数据：
- OpenClaw 自研静态分析器
- VirusTotal（恶意软件声誉库）
- NVIDIA SkillSpector（新推出的智能技能扫描器）
- LLM 裁判机制：ClawScan 综合上述扫描结果、溯源信息（Provenance）、元数据及审核历史，生成一份 Skill Card 并给出最终裁决：Clean（安全）、Suspicious（可疑）或 Malicious（恶意）。
NVIDIA 技能卡片（Skill Cards）
此次合作引入了 NVIDIA Skill Cards，这是一种开放式的信任凭证规范。每张卡片包含：
- 发布者身份
- 技能功能描述
- ClawScan 扫描结果
- 代码来源追踪
这些信息由 ClawHub 独立验证，而非依赖发布者自述。开发者可通过终端命令 openclaw skills verify <slug> --card 查看卡片详情。
NVIDIA SkillSpector：填补语义分析空白
NVIDIA SkillSpector 结合了静态检查与 AI 辅助的语义分析，专门用于发现传统扫描器遗漏的风险，例如：
- 隐藏指令
- 高风险代码路径
- 能力范围过宽
- 依赖项问题
- 声明功能与实际行为的偏差
在 ClawHub 中，SkillSpector 的发现以“建议（Advisories）”形式展示，不会自动阻断技能发布，但会作为 ClawScan 裁决的重要权重。
实测数据：扫描器间的显著差异
OpenClaw 对 67,453 个技能版本进行了全面测试，发现不同扫描器之间存在巨大差异：
- 低重合率：任意两个扫描器之间的 Jaccard 相似度均低于 10.4%。例如，VirusTotal 与 SkillSpector 的正向结果重合率仅为 0.094。
- 单一扫描主导：81.9% 的阳性发现仅来自单一扫描器。
- 互补效应：虽然重合度低，但三者共同识别出的技能仅占 0.69%（468 个）。然而，在 ClawScan 判定为“可疑”的 25,504 个样本中，SkillSpector 的阳性检出率高达 75.3%，显示出其在识别复杂代理风险上的独特价值。
这些数据表明，单一工具无法全面覆盖风险，必须依赖 LLM 作为“裁判”来综合权衡不同视角的信号。
开源贡献：共建安全生态
OpenClaw 决定将此次安全扫描的产出完全开源，以回馈社区。团队在 Hugging Face 发布了 OpenClaw/clawhub-security-signals 数据集，包含 67,453 条最新的公开技能扫描记录。
这一举措不仅为安全研究人员提供了宝贵的训练数据，也标志着 OpenClaw 致力于通过透明化手段，提升整个 Agent 技能生态系统的安全水位。正如团队所言："Rising tide lifts all claws"（水涨船高），共同的安全防线将惠及所有开发者。
