| name | ghsa-skill-builder |
| description | Use when building or updating vulnerability pattern Skills from multiple sources: GitHub Security Advisories (GHSA), HackerOne Hacktivity, or NVD. Triggers on keywords: GHSA, CVE, vulnerability skill, vuln pattern, update skills, security advisory, HackerOne, H1, hacktivity, pentest skill, bug bounty, check for updates. |
Vulnerability Pattern Skill Builder
从多个数据源拉取高危漏洞，分析模式，自动生成/更新审计 Skills：
- GHSA（GitHub Advisory Database）→ 按语言生态分类的代码审计 skills（
vuln-patterns-*, go-vuln-*）
- HackerOne Hacktivity（公开 Bug Bounty 报告）→ 按漏洞类型分类的渗透测试 skills（
pentest-*）
前置检查
开始工作前，检查以下依赖：
- GitHub 认证: 脚本会自动检查，未认证会提示
- writing-skills: 生成 Skill 时需要遵循质量规范。检查 superpowers 插件是否已安装：
ls ~/.claude/plugins/cache/*/superpowers/*/skills/writing-skills/SKILL.md 2>/dev/null
如果不存在，提示用户安装：
superpowers 插件未安装。建议先执行 /plugin install superpowers@superpowers-marketplace 安装，其中的 writing-skills 技能可确保生成的 Skills 符合质量规范。也可以跳过，但生成的 Skill 质量可能不稳定。
如果已安装，在 Step 3 生成 Skill 文件时，同时参考 writing-skills 的规范（frontmatter 格式、Progressive Disclosure、CSO 关键词优化、目录结构）。
使用场景
| 用户说 | 操作模式 |
|---|
| "拉取最近三年 Python 高危漏洞，生成审计 skills" | 模式 A：GHSA 全量构建 |
| "帮我更新一下漏洞 skills" / "看看有没有新漏洞" | 模式 B：增量检查 |
| "分析 GHSA-xxxx-yyyy-zzzz 加到 skills 里" | 模式 C：单条分析 |
| "拉取 Go 生态的注入类漏洞做成 skill" | 模式 A：按条件构建 |
| "从 HackerOne 拉取 SSRF 报告做 skill" | 模式 D：H1 Hacktivity 构建 |
| "用 H1 bug bounty 报告生成渗透测试 skills" | 模式 D：H1 Hacktivity 构建 |
| "更新 pentest skills" / "补充 H1 数据" | 模式 D：H1 增量更新 |
模式 A：全量构建
Step 1: 拉取数据
阶段 1 — 批量拉取索引（快速，几分钟）：
python3 scripts/fetch_ghsa.py PIP --since 3y
python3 scripts/fetch_ghsa.py GO --since 3y
python3 scripts/fetch_ghsa.py NPM --since 3y
保存到 data/{ecosystem}.json（索引级：GHSA ID、CVSS、CWE、summary）。参数：--min-cvss(默认8), --severity(默认CRITICAL,HIGH), --since(如3y/1y/6m/30d)。
阶段 2 — 按 CWE 拉取完整详情（逐条 REST API）：
python3 scripts/fetch_details.py data/pip.json --cwe "77|78|89|94"
python3 scripts/fetch_details.py data/pip.json --cwe "22|23|73"
python3 scripts/fetch_details.py data/pip.json --cwe "502"
python3 scripts/fetch_details.py data/pip.json --cwe "287|288|306"
python3 scripts/fetch_details.py data/pip.json
python3 scripts/fetch_details.py data/pip.json --cwe "77|78|89|94" --top 10
保存到 data/{ecosystem}_details_{cwe}.json（含完整 description、patch commit URL）。
Step 2: 分析候选
读取 data/*_details_*.json，对每个候选：
- 读
description 提取漏洞根因和攻击路径
- 如果有
patch_urls，用 gh api repos/{owner}/{repo}/commits/{sha} -H "Accept: application/vnd.github.diff" 获取 diff
- 从 description + diff 中提取结构化信息：
- Source: 用户输入的具体入口
- Sink: 触发危害的具体函数
- Sanitization Gap: 为什么 source→sink 路径上没有有效防护
- 漏洞代码: 关键的危险代码模式
- 为什么扫描器会漏掉: CodeQL/Bandit/Gosec 漏检的具体原因
- 检测方法: 如何在未知代码中发现此类漏洞
筛选标准：
- 根因模式独特、常规扫描器会漏掉的优先
- description 中有具体代码/PoC 的优先
- AI/LLM/MCP/Agent 相关漏洞优先
- 同一根因模式只保留最典型的 1-2 个代表
跳过： 纯 DoS (CWE-400)、内存损坏无代码模式、description 为空或过短。
CWE 到 Skill 映射：
| CWE | Target Skill |
|---|
| CWE-77, 78, 89, 94 | vuln-patterns-injection |
| CWE-22, 23, 73 | vuln-patterns-path-traversal |
| CWE-287, 288, 306 | vuln-patterns-auth-bypass |
| CWE-502 | vuln-patterns-deserialization |
| CWE-918 | vuln-patterns-ssrf |
| CWE-79, 116 | vuln-patterns-xss |
| CWE-327, 328, 330 | vuln-patterns-crypto |
Step 3: 生成 Skill 文件
对每个 CWE 分组生成 vuln-skills/skills/vuln-patterns-{category}/SKILL.md + vuln-skills/skills/vuln-patterns-{category}/references/cases.md。
生成顺序——先写组级策略，再填 Case：
第一步：Detection Strategy（组级通用检测模型）
从该组所有候选中归纳通用的 Sources、Sinks、Sanitization 列表和检测路径。这是 Skill 的核心——Agent 审计时首先依据此策略定位候选漏洞点。
第二步：3-8 个 Case 写入 references/cases.md
每个 Case 代表一种独特的漏洞变体模式。选择标准：
- 每个 Case 的 source→sink 路径应不同于其他 Case
- 优先选择通用规则难以覆盖的边缘情况
- 同根因模式的多个 CVE 用
**Similar Vulnerabilities** 聚合
第三步：Detection Checklist + False Positive Exclusion Guide
从 Cases 中提炼可操作的检查项和误报排除条件。
遵循 references/skill-structure.md 和 references/case-template.md。
约束：
- SKILL.md 放检测策略 + Checklist + 误报指南（核心内容）
- Cases 拆到 references/cases.md（按需加载）
- 每个 Case 聚焦于如何发现此类漏洞，而非如何修复
- 每个 Case 必须包含 Source → Sink 路径 和 "Why Standard Scanners Miss It"
- Detection Strategy 不可省略
Step 4: 校验
python3 scripts/check_existing_skills.py --skills-dir .
python3 scripts/test_vuln_patterns_skills.py
python3 scripts/test_go_vuln_skills.py
详见下方「测试脚本说明」章节。
模式 B：增量检查
python3 scripts/fetch_ghsa.py PIP --diff
python3 scripts/fetch_ghsa.py GO --diff
如果有新增：
- 对新增漏洞按 CWE 分类，拉取详情：
python3 scripts/fetch_details.py data/pip.json --cwe "..." --top 10
- 判断是否值得加入现有 Skill
- 按 Step 2-3 分析并更新
- 全量拉取更新本地缓存：
python3 scripts/fetch_ghsa.py PIP
模式 C：单条分析
gh api /advisories/{GHSA_ID} --jq '.'
分析后按 CWE 归入对应 Skill，按 Step 2-3 处理。
补充：覆盖未发布到包管理器的项目
gh api repos/{owner}/{repo}/security-advisories \
--jq '.[] | "\(.ghsa_id) | \(.severity) | \(.cvss.score) | \(.summary)"'
模式 D：HackerOne Hacktivity 构建
从 HackerOne 公开的 Bug Bounty 报告中提取漏洞模式，生成渗透测试 Skills（pentest-*）。
Step 1: 拉取 Hacktivity 索引
python3 scripts/fetch_h1_hacktivity.py
python3 scripts/fetch_h1_hacktivity.py --severity critical
python3 scripts/fetch_h1_hacktivity.py --cwe "SQL Injection"
python3 scripts/fetch_h1_hacktivity.py --cwe "SSRF"
python3 scripts/fetch_h1_hacktivity.py --since 1y
python3 scripts/fetch_h1_hacktivity.py --severity critical --cwe "XSS" --max 200
保存到 data/h1_hacktivity.json（索引级：标题、CWE、严重度、CVE ID、bounty、报告 URL）。无需认证，使用 HackerOne 公开 GraphQL API。
Step 2: 补充报告详情
python3 scripts/fetch_h1_details.py data/h1_hacktivity.json --cwe "79|89|94"
python3 scripts/fetch_h1_details.py data/h1_hacktivity.json --top 30
python3 scripts/fetch_h1_details.py data/h1_hacktivity.json --cwe "918" --scrape
保存到 data/h1_hacktivity_details_{cwe}.json。有 CVE ID 的报告会从 NVD 补充漏洞描述和参考链接。
Step 3: 按分类拆分
将详情数据按漏洞类型归入分类文件：
ls data/h1_by_category/
H1 分类到 Skill 映射：
| H1 分类文件 | Target Skill |
|---|
sqli.json | pentest-sqli |
xss.json | pentest-xss |
ssrf.json | pentest-ssrf |
command-injection.json | pentest-command-injection |
path-traversal.json | pentest-path-traversal |
auth-bypass.json | pentest-auth-bypass |
idor.json | pentest-idor |
info-disclosure.json | pentest-info-disclosure |
access-control.json | pentest-access-control |
business-logic.json | pentest-business-logic |
deserialization-xxe.json | pentest-deserialization-xxe |
request-forgery.json | pentest-request-forgery |
memory-corruption.json | pentest-memory-corruption |
Step 4: 分析并生成 Skill
对每个分类的数据，按模式 A 的 Step 2-3 相同流程处理：
- 从
hacktivity_summary + nvd_description 提取漏洞根因和攻击路径
- 归纳 Detection Strategy（Sources → Sinks → Sanitization）
- 写入
vuln-skills/skills/pentest-{category}/SKILL.md + references/cases.md
H1 数据特点（与 GHSA 的区别）：
- H1 报告通常包含更详细的攻击步骤和 PoC
hacktivity_summary 是 AI 生成的摘要，可能不完整，需结合 NVD 描述- Bounty 金额可用于评估漏洞严重程度和影响力
- 部分报告无 CVE ID，仅有 H1 报告链接
Step 5: 校验
python3 scripts/test_pentest_skills.py
详见下方「测试脚本说明」章节。
测试脚本说明
生成 Skill 后需要运行测试确保质量。测试分两层：
- 静态测试（
python3 直接运行）：frontmatter 合规、章节结构完整性
- 子代理场景测试（通过 Agent 工具执行）：Retrieval / Application / Gap 真实场景验证
三套测试脚本
| 脚本 | 测试对象 | 静态测试 | 场景测试 |
|---|
scripts/test_vuln_patterns_skills.py | vuln-skills/skills/vuln-patterns-*/SKILL.md（6 个 Python 审计 skills） | frontmatter + 结构 | 18 个子代理场景定义 |
scripts/test_go_vuln_skills.py | vuln-skills/skills/go-vuln-*/SKILL.md（7 个 Go 审计 skills） | frontmatter + 结构 | 21 个子代理场景定义 |
scripts/test_pentest_skills.py | vuln-skills/skills/pentest-*/SKILL.md（13 个渗透测试 skills） | frontmatter + 结构 | 39 个子代理场景定义 |
用法
python3 scripts/test_vuln_patterns_skills.py
python3 scripts/test_go_vuln_skills.py
python3 scripts/test_pentest_skills.py
python3 scripts/test_go_vuln_skills.py --scenes
python3 scripts/test_go_vuln_skills.py --json-scenes
子代理场景测试执行方式（go-vuln）
test_go_vuln_skills.py 的 SCENARIOS 列表定义了 21 个场景（每 skill 3 个：retrieval + application + gap）。每个场景包含：
skill: 对应的 skill 名称type: 测试类型（retrieval / application / gap）scenario: 给子代理的场景描述（含 Go 代码片段）expected: 子代理输出应包含的关键点列表
执行方式：在主对话中读取 skill 内容 + 场景定义，通过 Agent 工具启动子代理，将 skill 内容注入 prompt，让子代理产出审计分析，然后评估输出是否满足 expected 中的各期望点。
静态测试检查项
所有三套脚本的静态测试均检查：
- Compliance: frontmatter 存在、大小 ≤1024B、仅 name + description 字段、name 格式合法、description 以 "Use when" 开头且 ≤500 字符
- Structure: Detection Strategy / Detection Checklist / False Positive 章节存在、Sources/Sinks/Sanitization 模型、grep 代码块、checklist 条目 ≥5、cases.md 存在且 ≥5 个 case
