OpenClaw 深度集成腾讯 AIG：构建双引擎安全审查新范式
在开源技能（Skill）生态安全领域，单一扫描器往往存在视角盲区。OpenClaw 近日宣布了一项重大技术升级：正式将腾讯的 AIG（AI-Infra-Guard） 深度集成至其核心工具 ClawScan 中。这一举措不仅丰富了平台的安全审查能力，更开创了一种基于多模型交叉验证的新型安全评估范式。
核心突破：双引擎独立扫描与 AI 裁判机制
此次集成的核心在于 ClawScan 的工作流重构。过去，安全审查往往依赖单一工具，导致风险识别存在偏差。现在的 ClawScan 对每一个上传的技能或插件执行以下流程：
- 独立并行扫描：系统分别运行腾讯 AIG 和 NVIDIA 的 SkillSpector 安全扫描器。两者基于不同的算法逻辑和特征库，对同一代码进行独立分析。
- AI 裁判综述：引入一个 AI 裁判（AI Judge），它综合对比两份扫描报告、上传的代码文件以及具体的审查指令，做出最终的安全评估结论。
这种机制充分利用了不同模型对风险的“不同视角”，保留了差异化的证据链，从而为安全团队提供更全面、更具说服力的审查依据。
腾讯 AIG 的技术亮点
腾讯 AIG 被描述为一种“由 LLM 驱动的多阶段代码审计与漏洞审查流水线”。其技术特性包括：
- 全链路关联分析：AIG 能够深入理解技能指令（Instructions）与其背后的脚本、依赖项及数据流之间的复杂关系，而非仅做表面匹配。
- 九类风险覆盖：涵盖指令劫持（Instruction Hijacking）、内存污染（Memory Poisoning）、远程载荷执行、未授权访问、持久化机制及不安全依赖等九大类风险。
- 动态审查能力：能够根据上下文动态调整审查策略，识别隐蔽的漏洞模式。
实测数据：SkillTrustBench 基准验证
OpenClaw 与腾讯团队共同使用 SkillTrustBench（由腾讯与香港中文大学（深圳）开发的公开基准数据集）对集成后的系统进行评估。该数据集包含 556 个涵盖良性、可疑及恶意技能的案例。
关键指标
- 标签匹配率：ClawScan 组合系统成功匹配了基准测试中 86.9% 的标签。
- 恶意案例分类准确率：在恶意案例的分类上，准确率达到 98.6%。
- 差异化发现：即使在相同 AI 模型配置下，AIG 与 SkillSpector 仍能发现不同的风险点，证明了双引擎机制的有效性。
构建持续进化的反馈闭环
此次合作不仅仅是工具的叠加，更是生态共建的开始。
- 争议案例共享：OpenClaw 将与腾讯共享扫描器产生分歧的匿名案例以及经确认的误报（False Positives）。
- 回归测试优化：这些案例将作为回归测试数据，用于优化 AIG 的检测规则和审查流程。
- 开源驱动迭代：通过这种反馈循环，双方共同推动检测能力的提升，确保开源社区能持续获得最新的安全防护手段。
此次与腾讯 AIG 的集成，不仅提升了 ClawHub 平台的安全水位，也为整个 AI 技能生态提供了可复用的多模态安全审查架构参考。
