Anthropic-Cybersecurity-Skills 是目前最大的开源网络安全技能库，提供 818 个结构化技能，覆盖 34 个安全域、6 大主流框架（MITRE ATT&CK、NIST CSF 2.0、MITRE ATLAS、D3FEND、NIST AI RMF、MITRE F3）。兼容 Claude Code、Copilot、Cursor、Gemini CLI 等 26+ AI 平台，让 AI Agent 秒变安全专家。
适用人群：安全工程师和红队/蓝队从业者：可借此将日常告警分析、漏洞研判、应急响应任务自动化；AI 应用开发者与 Agent 编排工程师：可作为现成的领域技能库快速注入到 Claude Code、Cursor、Copilot 等智能体中；CTF 选手与安全研究人员：可系统化学习攻防技能并复现标准框架下的攻防技术。
适用场景：应急响应与威胁狩猎：将 MITRE ATT&CK 映射的 TTP 技能注入 Agent，自动进行告警分诊、攻击链还原与处置建议生成；渗透测试与红队评估：在获得书面授权的前提下，使用项目中的攻击技能辅助漏洞验证、C2 配置与社工模拟；安全运营自动化：将 NIST CSF 2.0 的治理、识别、防护、检测、响应、恢复六大类技能接入 Agent，搭建 7×24 小时的安全运营助手。
推荐理由：这是目前体量最大、标准化程度最高的开源网络安全技能库，6 大框架映射和 26+ 平台兼容让它极易落地。对于任何正在用 AI Agent 做安全相关工作的团队，都值得把它作为首选底座接入。
项目定位与背景
随着 Claude Code、Cursor、GitHub Copilot 等 AI 编程与 Agent 工具快速普及，安全团队开始探索一个关键问题：能否让通用 AI Agent 真正具备企业级网络安全能力，而不是停留在“帮我写个 nmap 命令”的玩具阶段。Anthropic-Cybersecurity-Skills 正是为了回答这个问题而诞生的——它由社区开发者 mukul975 创建和维护，是一个独立项目（并非 Anthropic 官方出品），目标是构建一个面向 AI Agent 的、可直接调用的网络安全技能库。截至目前，这个仓库已经斩获超过 3.2 万 Star、3800+ Fork，在 GitHub 上属于安全 + AI 交叉领域现象级的开源项目。
核心功能与技术架构
项目最核心的数据资产是 818 个结构化的网络安全技能，分布在 34 个安全领域中，包括但不限于威胁情报、恶意软件分析、渗透测试、红队对抗、事件响应、OSINT、DevSecOps、云安全等。每个技能遵循 agentskills.io 标准进行结构化描述，包含触发条件、输入参数、执行步骤、输出结果等元数据，这使得任意兼容该标准的 AI Agent 平台都能直接消费这些技能。
更值得一提的是项目自带的“六大框架映射”能力：MITRE ATT&CK（攻击战术与技术枚举）、NIST CSF 2.0（网络安全框架）、MITRE ATLAS（AI 系统对抗威胁矩阵）、D3FEND（防御技术枚举）、NIST AI RMF（AI 风险管理框架）以及 MITRE F3 v1.1（反欺诈框架）。这种映射意味着每一个技能都能溯源到权威安全框架的某个具体节点，让 AI 的输出具备可审计、可对标的特性，避免“黑盒式”回答。
创新点与亮点
第一，标准化先行。项目选择 agentskills.io 作为技能描述协议，这是当前 Agent 生态中越来越被采纳的开放标准，确保技能可移植、可互操作，避免厂商锁定。
第二，平台兼容性极强。官方明确支持 26+ 个 AI 平台，包括 Claude Code、GitHub Copilot、Codex CLI、Cursor、Gemini CLI，以及 Nous Research 的 Hermes Agent 等。这意味着无论团队偏好哪一套 Agent 工具栈，都能零成本接入。
第三，攻防双视角。技能涵盖从蓝队的威胁狩猎、告警分诊，到红队的 C2 配置、钓鱼模拟、社工技巧，覆盖完整的安全生命周期。
第四，框架对齐 AI 安全。MITRE ATLAS 与 NIST AI RMF 的引入，使项目不仅关注传统网络安全，还前瞻性地纳入了针对 AI 系统本身的威胁建模与防护，迎合了当下 GenAI 应用大规模落地后涌现的新风险。
与同类项目对比
市面上已有一些零散的 AI 安全工具，例如基于 LLM 的漏洞扫描器、单一品类的渗透测试 Agent 等，但它们普遍存在两个短板：一是技能数量有限，多聚焦于某一垂直场景；二是缺乏框架映射，难以满足合规审计需求。Anthropic-Cybersecurity-Skills 则以 818 个技能 + 6 框架 + 34 域的组合拳，构建了一个相对完整的“技能底座”，更接近一个生态而非单一工具。对于想从零搭建安全 Agent 的团队，这个仓库几乎是当前门槛最低、收益最高的起点。
上手指南与快速开始
上手非常轻量：以 Claude Code 为例，只需将项目克隆到本地，按 agentskills.io 规范将技能目录注册到 Claude Code 的 skills 路径，即可在对话中通过自然语言触发相应技能；Cursor 用户则可以把对应技能文件夹加入项目根目录或用户级 skill 库；GitHub Copilot 与 Codex CLI 同理。项目根目录下的 CONTRIBUTING.md 详细描述了技能编写的字段规范和提交流程，欢迎社区贡献新技能或完善已有技能映射。
总结与展望
客观来看，这个项目仍有提升空间：例如部分技能的执行质量依赖底层 LLM 的能力，对于高风险操作（红队 C2、社工）需要使用者自行把控伦理边界（项目 README 也已显著提示仅限授权场景）；此外 818 个技能中可能存在粒度不一、覆盖深度差异等问题，需要社区持续打磨。但瑕不掩瑜，作为目前最大规模、最规范化的 AI Agent 网络安全技能库，Anthropic-Cybersecurity-Skills 已经是安全工程师和 Agent 开发者不可绕过的基础设施，值得每个相关团队 Star、试用并参与共建。
项目信息
| 项目名称 | mukul975/Anthropic-Cybersecurity-Skills |
| 编程语言 | Python |
| Star 数 | 32182 |
| Fork 数 | 3883 |
| 主题标签 | ai-agents, claude-code, cloud-security, cybersecurity, devsecops, ethical-hacking, incident-response, infosec, llm, malware-analysis, mcp, mitre-attack, nist-csf, osint, penetration-testing, red-team, security, security-automation, threat-hunting, threat-intelligence |