文章总结： 文档介绍ghsa-skill-builder工具，利用Claude自动将GitHubAdvisoryDatabase转化为结构化代码审计Skill。针对通用审计缺乏具体漏洞模式的问题，该工具按Source到Sink模式聚合高危漏洞，生成包含检测策略与真实案例的两层结构化技能，覆盖注入与反序列化等类型。文中详述自动化流程与数据洞察，指出AI框架漏洞激增，建议定期增量更新以提升AI审计系统的实战效果。 综合评分： 90 文章分类： AI安全,代码审计,安全工具,漏洞分析
用 Claude 把 GitHub 漏洞数据库变成代码审计 Skill
原创
yhy0 yhy0
谁不想当剑仙
2026年3月5日 23:41 湖北
让 Claude 自动将 GitHub 公开漏洞数据库转化为代码审计专用的结构化安全技能（Skills）
起因
我前段时间做了一个叫纯钧（ChunJun）的 AI 代码审计系统。系统架构上做了不少工作——预扫描、CodeQL、Agent 多阶段验证、对抗反思——但审计效果始终不够理想。
反思了一下，猜测一个可能的原因：我给 Agent 的只是通用的代码审计思路，它可能还需要一份更具体的漏洞模式知识作为技能。
比如 SQL 注入，Agent 能依赖的大概就是通用认知——「cursor.execute() 使用 f-string 拼接用户输入」。但翻一翻 GitHub Advisory Database 就会发现，真实世界中开发者踩的坑远比这复杂得多：
- asyncmy 通过 dict keys 注入——库只转义 value 不转义 key（CVE-2025-65896）
- ormar 通过 ORM 聚合函数
min()/max()注入——开发者以为 ORM 就是安全的（CVE-2026-26198） - LLM 框架直接拼接用户 prompt 进 SQL——AI 时代的新攻击面（CVE-2024-12909）
这些是开发者真实会犯的错误，也是安全研究人员发现的巧妙绕过思路。它们被记录在 GitHub Advisory Database 里，大部分都包含了根因分析、修复 commit、CWE 分类等完整信息。
光 Python 生态，CRITICAL + HIGH 级别就有 3,777 条，其中 CVSS >= 8.0 的有 946 条。
这些都是安全研究人员的成果。但让人一条条去看、分析、提炼？几千条，不现实。
所以想法很简单：让 Claude 来干这件事——自动拉取、分析、结构化，生成 Agent 能用的安全技能。
思路
拿到这些漏洞数据后，怎么让它们对代码审计真正有用？
最简单的做法是做成知识库，用 RAG 检索——但这不是我这次想做的。我想要的是更主动的方式：把漏洞模式提炼成结构化的检测规则，作为 Claude Code Skill 直接加载到 Agent 的工作流中。
核心思路是 按漏洞原语（Vulnerability Primitive）聚合：
946 条漏洞不会生成 946 个 Skill。同一种 Source→Sink 模式的漏洞归到同一组，提炼出通用的检测策略，具体 CVE 只是作为案例来佐证。当前已生成 6 个 Skill（注入、路径遍历、认证绕过、反序列化、SSRF、XSS），包含 44 个真实案例。
每个 Skill 核心回答一个问题：在一个完全陌生的代码库中，怎么系统性地找到这类漏洞？
不是「这个漏洞是什么」，而是「这类漏洞怎么找」。安全研究员的分析思路和绕过手法，才是最有价值的部分。
生成的 Skill 长什么样
每个 Skill 分两层，渐进式加载：
第一层：Detection Strategy（检测策略）——Agent 审计时首先加载，定义这类漏洞的通用检测模型。
## Detection Strategy
Sources（用户输入入口）：
- request.args, request.json, request.form
- tool_call.arguments（MCP/Agent 场景）
- 配置文件中用户可控的字段
Sinks（危险函数）：
- cursor.execute(), engine.execute()
- Model.objects.extra(where=...), Model.objects.raw()
- asyncmy/PyMySQL 的 dict 参数传递
Sanitization（安全屏障）：
- 参数化查询 (cursor.execute(sql, params))
- ORM 标准查询方法（filter/exclude/get）
检测路径：
1. 搜索 sink 调用
2. 回溯数据流，检查参数是否来自 source
3. 验证路径上是否存在有效 sanitization
4. 无 sanitization → 标记为候选漏洞
第二层：Real-World Cases（真实案例）——Agent 需要深入验证时按需加载。每个 Case 从真实 GHSA/CVE 的 patch diff 中提炼，包含完整的攻击链分析：
### Case N: [package] — [漏洞模式] (CVE-xxxx-yyyy, CVSS x.x)
Root Cause: [一句话根因]
Source → Sink 路径:
- Source: request.form["package"]
- Sink: os.path.join() + open()
- Sanitization Gap: replace() 不处理 ".." 序列
Vulnerable Code Pattern (affected-file.py):
# 5-15 行真实漏洞代码
Attack Path:
1. 攻击者通过 [source] 注入 [payload]
2. 数据经过 [中间处理]
3. 到达 [sink]，触发 [危害]
Why Standard Scanners Miss It:
- CodeQL: [具体原因]
- Bandit: [具体原因]
How to Detect:
1. 定位 Sink → 2. 回溯 Source → 3. 验证 Sanitization
这种两层结构让 Agent 审计时先用轻量的检测策略快速扫一遍，发现可疑点再加载具体案例深入确认——而不是把几千条漏洞全塞进上下文。
它怎么工作
ghsa-skill-builder 是一个 Claude Code Skill。放到 .claude/skills/ 目录下，对 Claude 说一句话就能触发完整流程：
拉取最近三年 Python 高危漏洞，生成代码审计 skills
Claude 会自动执行：
全量拉取 → 调用 GitHub Advisory API，分页遍历指定生态的所有漏洞。支持 PIP、GO、NPM 等 7 种生态，支持按时间范围、CVSS 分数过滤。
拉取完整详情 → 对每条漏洞调用 REST API 获取完整的漏洞描述和 patch commit URL。
分析漏洞模式 → 按 CWE 分组，获取 patch diff，提取漏洞代码模式和安全研究员的发现思路。
生成结构化 Skill → 输出 vuln-patterns-*/SKILL.md，包含检测策略和真实案例。
也支持增量检查——定期跑一下，看看有没有新的高危漏洞需要补充到现有 Skill 中：
帮我检查一下漏洞 skills 是否需要更新
数据洞察
拉取 Python 生态全量数据后，一些有意思的发现：
946 条高危漏洞的 CWE 分布 Top 5： 代码注入（CWE-94）107 条、反序列化（CWE-502）86 条、路径遍历（CWE-22）81 条、输入验证（CWE-20）59 条、命令注入（CWE-78）46 条。
AI/LLM 框架漏洞正在爆发。 langchain、vllm、smolagents、langflow、bentoml 等 AI 框架贡献了大量 CVSS 10.0 的漏洞——MCP 工具命令注入（terminal-controller，CVSS 10.0）、Agent 沙箱逃逸（smolagents，CVSS 9.9）、AI 框架反序列化（vllm，CVSS 10.0）。CVSS 满分漏洞中，AI/LLM 相关的挺多的。
这也是我觉得这个工具有价值的原因之一：AI 安全是一个快速变化的领域，新的攻击面不断出现，靠人工逐条跟踪效率很低。
快速开始
前置条件
- Claude Code CLI（任何支持 skills 的Agent）
- GitHub CLI（
gh，已认证，脚本会自动检测认证状态） - Python 3.9+、jq
- 推荐: superpowers 插件 — 其中的
writing-skills技能可确保生成的 Skills 符合质量规范（/plugin install superpowers@superpowers-marketplace）
安装
# 克隆到项目的 .claude/skills/ 目录
cd your-project
mkdir -p .claude/skills
git clone https://github.com/yhy0/ghsa-skill-builder.git .claude/skills/ghsa-skill-builder
# 或克隆到全局 skills 目录（所有项目共享）
git clone https://github.com/yhy0/ghsa-skill-builder.git ~/.claude/skills/ghsa-skill-builder
使用
在 Claude Code 中直接说：
拉取最近三年 Python 高危漏洞，生成代码审计 skills
拉取 Go 生态 CVSS >= 9 的漏洞，生成审计 skills
帮我检查一下漏洞 skills 是否需要更新
分析 GHSA-qhqw-rrw9-25rm 并加到对应的 skill 中
脚本也可以独立使用：
# 全量拉取 Python 生态索引
python3 scripts/fetch_ghsa.py PIP --since 3y
# 拉取注入类漏洞的完整详情
python3 scripts/fetch_details.py data/pip.json --cwe "77|78|89|94"
# 增量检查
python3 scripts/fetch_ghsa.py PIP --diff
# 支持 7 种生态: PIP | GO | NPM | MAVEN | NUGET | RUBYGEMS | RUST
项目结构
ghsa-skill-builder/
├── SKILL.md # Claude 的完整工作手册
├── scripts/
│ ├── fetch_ghsa.py # 全量拉取索引（GraphQL 分页）
│ ├── fetch_details.py # 拉取完整详情（REST API）
│ ├── fetch_ghsa.sh # 轻量快速查询（备选）
│ ├── check_existing_skills.py # 校验已有 skills 的覆盖状态
│ └── _common.py # 公共工具（认证检查等）
├── references/
│ ├── skill-structure.md # vuln-patterns skill 的结构规范
│ └── case-template.md # 单个漏洞 Case 的格式模板
├── output/ # 生成的 Skills（可直接复制到目标项目使用）
│ ├── vuln-patterns-injection/
│ ├── vuln-patterns-path-traversal/
│ ├── vuln-patterns-auth-bypass/
│ ├── vuln-patterns-deserialization/
│ ├── vuln-patterns-ssrf/
│ └── vuln-patterns-xss/
└── data/ # 漏洞索引和详情的本地缓存
└── {ecosystem}.json
局限性
- 依赖 Claude 的分析质量 — 生成的 Skill 质量取决于 Claude 对 patch diff 的理解能力，建议人工抽查验证
- Skill 需要持续更新 — 新漏洞不断出现，建议定期执行增量检查（
--diff） - 案例覆盖度有限 — 当前已完成 Python 的 6 类 Skill（injection、path-traversal、auth-bypass、deserialization、ssrf、xss），共 44 个案例，其他类别（如 crypto）待补充
以及最主要的当前生成的各种 Skills 真实效果未知，需要测试
项目地址：https://github.com/yhy0/ghsa-skill-builder
免责声明：
本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。
任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。
本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。
本文转载自：谁不想当剑仙 yhy0 yhy0《用 Claude 把 GitHub 漏洞数据库变成代码审计 Skill》
版权声明
本站仅做备份收录，仅供研究与教学参考之用。
读者将信息用于其他用途的，全部法律及连带责任由读者自行承担，本站不承担任何责任。
评论