SAIL Skill：把 91 条 AI 安全风险目录装进 Claude Code 的安全评估神器

Skill超级捕获手 技术创作者 2026-08-20 11 阅读

SAIL Skill 让 AI 安全评估从”凭感觉”变成”查手册”——它把 Pillar Security 的 SAIL V2 框架（91 条风险条目 × 7 大生命周期阶段）封装成 Claude Code / Codex / ChatGPT 等平台的 Skill，开发者用自然语言就能对 AI Agent 做完整的安全差距分析、合规检查表生成、CISO 级汇报材料输出。8 月 18 日刚刚更新，当前 GitHub trending 榜单可见，8 天收获 131 颗星，增长曲线陡峭。

功能与原则

SAIL Skill 的核心能力是把 SAIL V2 风险目录嵌入 AI Agent 的决策上下文：每一条回答都锚定到真实的风险编号（SAIL ID）、缓解措施和标准映射，不会让模型凭记忆编造安全建议。

设计原则：
– 以目录为锚：91 条风险条目是事实来源，Agent 读取后组织输出，杜绝幻觉
– 多框架覆盖：一套风险目录同时映射到 6 个主流安全框架
– 平台无关：只要支持 SKILL.md 的 Agent 都能安装，Claude Code 额外提供斜杠命令
– 零锁定：纯 Markdown 参考文件存储在 references/ 目录，可自由审查和 fork

认可度

  • GitHub Star：131（截至 2026-08-20），创建于 2026-07-06，首周增速显著
  • GitHub Trending：当日 GitHub trending 主页可见
  • 支持平台：Claude Code、OpenAI Codex CLI、Google Antigravity、ChatGPT、pi.dev、OpenCode 等 20+ Agent，覆盖最主流的 AI 编程工具
  • GitHub Forks：8 个，社区已有派生实践
  • GitHub Issues：0 个（维护状态活跃）

链接

GitHub 仓库：https://github.com/pillar-labs/sail-skill

Pillar Security 官网：https://www.pillar.security/sail

原作者

Pillar Security（@pillar-labs）——专注 AI/Agent 安全的基础设施团队，SAIL 框架是其核心产品，已被多家企业在 AI 生产部署中采用。Pillar Labs 同时维护该 GitHub 仓库，提供 Claude Code 插件市场的 one-command 安装方式。

介绍

AI Agent 正在进入生产环境，但大多数团队缺少系统性的安全评估方法——要么靠经验拍脑袋，要么让模型自由发挥给出”听起来合理但无法验证”的安全建议。SAIL Skill 解决了这个缺口。

SAIL（Secure AI Lifecycle）V2 是 Pillar Security 发布的 AI 安全生命周期框架，将 AI Agent 的风险归纳为 7 个生命周期阶段 × 91 条具体风险条目，每条包含：风险描述、影响评级、缓解措施、适用标准映射（如 MITRE ATT&CK、NIST CSF 2.0、EU AI Act）。SAIL Skill 把这个目录作为参考文件打包进 Agent 上下文，Agent 在执行安全评估时直接从目录读取，而非凭空生成。

安装 SAIL Skill 后，每当开发者触发 AI/Agent 安全意图（如”帮我做安全审查””生成合规检查表”），Skill 自动激活，读取本地 references/ 目录中的 SAIL 风险目录，组织符合框架要求的安全分析输出。

特点

  • 91 条风险全覆盖：覆盖数据投毒、权限滥用、记忆泄漏、Agent 冒名、对抗提示等关键风险，每条均可溯源到 SAIL ID
  • 6 大安全框架映射：MITRE ATT&CK、MITRE ATLAS、D3FEND、NIST CSF 2.0、NIST AI RMF、MITRE F3（Fraud），一评出多标
  • 5 套合规模板：内置 ISO/IEC 42001、EU AI Act、OWASP LLM/Agentic、DASF、AIUC-1 的检查表生成能力
  • Claude Code 斜杠命令：5 个专用入口（/sail 交互式引导、/sail:assess 全量差距分析、/sail:roadmap 路线图、/sail:comply 合规检查表、/sail:rfp 供应商问卷），一键调用
  • 零依赖纯文本：风险目录是 Markdown 文件，不需要数据库或 API 调用，离线可用
  • 支持 20+ Agent：Claude Code、Codex、ChatGPT、Antigravity、pi、OpenCode 等均通过 SKILL.md 标准安装

使用方法

安装（Claude Code）：

/plugin marketplace add pillar-labs/sail-skill
/plugin install sail@pillar-security

安装（OpenAI Codex CLI）：

$skill-installer install https://github.com/pillar-labs/sail-skill/tree/main/sail/skills/sail

安装（其他 SKILL.md 兼容 Agent）：

npx skills add https://github.com/pillar-labs/sail-skill/tree/main/sail/skills/sail -g -y
# 或手动复制 sail/skills/sail/ 到 ~/.claude/skills/

使用示例：

# 安全差距分析（Claude Code）
/sail:assess /path/to/my-agent-repo

# 生成 EU AI Act 合规检查表
/sail:comply eu-ai-act

# CISO 级安全审查
/sail:assess /path/to/agent --format ciso-brief

# 用自然语言触发（所有平台）
We're deploying an autonomous support agent on LangGraph with MCP for Zendesk — do a security review I can share with our CISO.

使用场景与人群

适用场景：
– AI Agent 部署前的安全评估（差距分析、红队探测）
– 已有 AI 系统定期合规审查（满足 ISO/NIST/EU AI Act 要求）
– 为 AI 项目编写供应商安全评估问卷（RFP）
– 为团队生成 AI 安全路线图（7 阶段成熟度评估）

目标用户：
– 安全工程师 / AI 安全研究员
– CISO / 安全负责人（需要可对外汇报的安全评估报告）
– AI 开发团队（需要系统性安全方法论而非直觉判断）
– 合规团队（需要满足监管要求的检查表和证据文档）

输入与输出案例

案例 1：LangGraph 部署安全审查

输入：

We’re deploying an autonomous support agent built on LangGraph with MCP servers for Zendesk and Postgres — do a security review I can share with our CISO.

输出：

SAIL Gap Analysis: LangGraph + MCP Agent
– SAIL 3.2（MCP 权限提升）：高风险 — Zendesk MCP server 拥有过多邮件读取权限，建议按最小权限原则收窄
– SAIL 4.7（记忆泄漏）：中风险 — LangGraph memory 持久化配置未加密，建议启用 AES-256
– SAIL 5.11（Agent 冒名）：低风险 — 当前无身份验证层，建议为每次任务注入会话密钥
[完整 91 条风险处置状态 → SAIL-assessment.md]

案例 2：EU AI Act 合规检查表生成

输入：

Generate a security control checklist organized by EU AI Act articles.

输出：

EU AI Act Article 14 — Human Oversight
– [ ] 定义人工介入的触发条件（如 SAIL 1.3 高风险操作自动拦截）
– [ ] 记录人工审查频率（建议：关键决策前 100%，次要决策抽样 20%）
– [ ] 提供人工超控接口（SAIL 1.3.b — 紧急停止按钮已实现）
EU AI Act Article 10 — Data Governance
– [ ] 训练数据来源记录（SAIL 2.1 — 数据血缘追踪）
– [ ] 偏见检测机制（SAIL 2.6 — 对抗样本测试）
[完整 42 项 → EU-AI-Act-checklist.md]

GitHub: https://github.com/pillar-labs/sail-skill

评论区

0 条评论

登录后可评论。

Skill超级捕获手 11 阅读