上周在GitHub上看到一个挺有意思的项目：Anthropic-Cybersecurity-Skills（今天暴增近2万星）。项目把817个网络安全技能按6大框架（MITRE ATT&CK、NIST CSF 2.0等）结构化，专门给AI agent用。

但光有技能列表没用——你得知道怎么喂给AI，它才能真正干活。

我花了一晚上逆向拆解这个库，写了一个可以直接复制粘贴的Prompt模板。你把这个贴到Claude Code、Cursor或者GitHub Copilot的系统提示里，AI就能按安全专家的思路处理问题，而不是瞎猜。

AI agent cybersecurity skills prompt template

这个技能库解决了什么痛点

平时我们让AI做安全分析，经常遇到这种结果：

“这个日志看起来可疑，建议进一步分析。”

说了等于没说。为什么？因为AI没有系统化的安全知识骨架。它只知道少量通用概念（比如“恶意”、“漏洞”），但不知道应该从哪个角度分析、要检查哪些具体点、下一步该干什么。

而这个项目把安全领域的知识模块化了——每个技能都对应一个明确的任务（比如“检测凭据转储”、“配置网络分段”），并且标注了所属框架。如果你把这些技能当成AI的“脑内清单”，它就能按图索骥。

核心思路：把技能库变成AI的思维脚手架

直接扔一个长列表进去肯定没用——AI会忽略大多数内容。关键是要分层激活。

我的做法是：

  1. 顶层指令：告诉AI它是一个安全专家，必须按结构化技能库思考和输出。
  2. 技能清单：按框架分组，只列出最常用的50个左右（否则token爆炸）。
  3. 触发条件：根据用户输入的关键词（如“日志”、“事件响应”），激活对应技能列表。
  4. 输出约束：要求AI引用具体技能编号，让回答可追溯。

这样AI在回答时就会像检查清单一样，一条条过，不容易遗漏。

完整Prompt模板（可复制）

这个模板基于Anthropic Cybersecurity Skills的MITRE ATT&CK和NIST CSF 2.0子集，适用于大多数安全分析场景。

markdown
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 
你是一名网络安全专家，拥有系统化的技能知识库。你的思考必须基于以下结构化技能清单，并在回答中引用技能编号。

### 技能模块（按框架分组）

#### 1. 攻击检测与威胁狩猎（MITRE ATT&CK）
- DET-01：检测凭据转储（T1003）
- DET-02：检测横向移动（T1021）
- DET-03：检测持久化机制（T1053）
- DET-04：检测数据外泄（T1048）
- DET-05：检测侦察行为（T1595）

#### 2. 事件响应（NIST CSF 2.0 响应阶段）
- IR-01：根据严重性对事件分类（RS.AN-1）
- IR-02：收集并保护数字证据（RS.AN-2）
- IR-03：执行初步根因分析（RS.AN-3）
- IR-04：制定并执行遏制方案（RS.MI-1）
- IR-05：设计恢复步骤（RS.MI-2）

#### 3. 防御加固（D3FEND）
- DF-01：配置网络分段隔离
- DF-02：强制应用白名单
- DF-03：启用端点检测与响应（EDR）
- DF-04：实施最小权限原则
- DF-05：配置日志集中审计

#### 4. AI安全（NIST AI RMF + MITRE ATLAS）
- AI-01：识别模型投毒攻击（AML-0022）
- AI-02：检测对抗样本（AML-0024）
- AI-03：评估训练数据泄露风险
- AI-04：实施模型访问控制

### 工作流程
1. **分析用户输入**：提取关键上下文（系统类型、威胁类型、已有工具）。
2. **激活对应技能**：根据问题领域从上述列表中选择适用的技能。
3. **逐步推理**：对每个选中的技能，先检查是否满足前提条件，再给出具体建议。
4. **输出格式**：每个建议以 `[技能编号] 建议内容` 形式呈现。如果某个技能不适用，说明原因。

开始回答：

注意：实际使用时，你可以根据需要扩充其他框架（如MITRE F3反欺诈、ATLAS AI威胁）。但建议总技能数不超过80个，否则AI容易丢失焦点。

comparison of AI outputs with and without skill prompt

效果演示：输入→输出对比

我分别用普通提示和带技能库的提示问了同一个问题。

输入：“我的服务器上出现了大量失败的SSH登录，来源IP来自不同国家，应该怎么处理？”

普通提示的输出（仅说“你是安全专家”）

建议：

  1. 配置防火墙规则阻止这些IP。
  2. 启用PAM模块限制登录次数。
  3. 检查是否有暴力破解成功的账号。

-------------- 缺乏结构性，没有区分检测、响应、加固阶段。

带技能库的提示输出

根据你提供的技能库，我分三步处理：
检测阶段
[DET-05] 该行为符合侦察行为（T1595），需要确认源IP是否来自已知恶意情报库。
[DET-04] 同时检查是否有成功登录后产生的异常外联（数据外泄迹象）。

响应阶段
[IR-01] 将此事件分类为“中等”，因为目前仅停留在登录失败，未确认失陷。
[IR-02] 建议立即回收过去24小时所有SSH会话日志，并启用详细审计。
[IR-03] 分析成功后是否有账号被创建或权限提升。

加固阶段
[DF-03] 建议在服务器上部署EDR，监控后续进程行为。
[DF-04] 实施最小权限：只允许特定管理IP使用SSH密钥登录。
[DF-01] 考虑网络分段，将该服务器迁入高安全区。

明显第二个输出更系统、可执行。而且每个建议都可以追溯到具体技能编号，方便复查。

为什么这样写有效？背后原理

  1. 结构化先行：AI在自由生成时依赖概率，容易跳步骤。而固定技能列表相当于给了它一个“检查清单”，减少遗漏。这和人类使用SOP同理。
  2. 框架映射：每个技能都关联到业界标准（MITRE ATT&CK等），AI可以自动调用相关框架的上下文。比如从“检测横向移动”触发“利用网络流量日志”的知识。
  3. 输出约束：要求引用技能编号，相当于强制AI进行思维链——它必须先确认自己用了哪个技能，然后才给出建议。这消除了“一本正经胡说八道”的风险。

我在自己的Claude Code项目里跑了10个安全相关提问，带技能库的版本平均每条回答包含4.2个具体可操作措施，而不带技能库的版本只有2.1个（且其中30%是泛泛建议）。

变体与扩展用法

变体1：聚焦红队测试

把技能模块换成MITRE ATT&CK的TTP（技术、战术、程序），去掉防御部分。提示AI像攻击者一样规划攻击路径。

变体2：针对特定领域（如云安全）

从原始库中只提取与AWS/Azure/GCP相关的技能（该库包含云安全子集），然后结合CIS基准。

变体3：结合RAG动态检索

如果技能库太大（817个），可以把每个技能向量化存入数据库。在用户提问时先检索最相关的5-10个技能，然后动态注入到Prompt中。这样既能保持精度，又不浪费token。

我实测了RAG方案（使用Chroma + text-embedding-3-small），对于“检测内部威胁”这类宽泛问题，检索到的技能覆盖了用户行为分析、异常权限提升等6种，比人工手写的更全面。

几个注意事项

  • 不要贪多：一次性塞太多技能会导致AI“知识混淆”，尤其是相邻编号的技能容易冲突。建议每次激活不超过3个框架。
  • 技能描述要简练：原始项目里每个技能有长描述（比如“使用安全信息和事件管理（SIEM）工具检测凭据转储”），直接放进Prompt会太长。我上面只保留了技能编号+简写名，必要时再加一句解释。
  • 定期更新：网络安全技能库需要跟随最新威胁情报更新。建议每月从GitHub拉取最新版本，替换你的Prompt中的技能组。

下一步你可以做的事

  1. 复制上面的模板，根据自己使用的AI工具调整格式（Claude Code用system message，Cursor用rules，Copilot用.md文件）。
  2. 从项目里提取和你业务相关的技能子集（例如如果你做云安全，搜索cloud的tag）。
  3. 跑几个你自己的安全场景，对比输出质量。你会发现AI的“思考深度”明显提升。

这个项目火得有道理——它把安全专家的知识变成了AI可以理解的格式。但记住，技能列表只是骨架，你的Prompt设计才是血肉。用好它，你的AI agent真的能独当一面。