Anthropic 发布 Claude Fable 5/Mythos 5 登顶全球最强 AI 模型

你现在的任务是使用 SkillSpector 对指定的 Agent Skill 进行安装前安全审计，请严格按照以下流程执行。 【审计对象】 - 输入类型：[Git仓库URL / 本地目录路径 / ZIP文件 / 单个Markdown文件] - 具体地址：[填写仓库URL或本地路径] - 是否包含敏感内容（源代码机密、客户资料、密钥等，决定能否开启LLM分析）：[能/不能外发] 【执行步骤】 第一步：环境确认 - 检查 skillspector 命令是否已安装，未安装则执行： uv tool install git+https://github.com/NVIDIA/skillspector.git - 运行 skillspector --help 确认可用 第二步：本地静态扫描（必做，不外发任何内容） 执行命令： skillspector scan [审计对象地址] --no-llm --format json --output report.json 第三步：判断是否需要开启 LLM 语义分析 - 如果【是否能外发】= 不能：跳过此步，仅依赖静态扫描结果 - 如果【是否能外发】= 能：执行 export SKILLSPECTOR_PROVIDER=[openai/其他服务商] export OPENAI_API_KEY=[你的密钥] skillspector scan [审计对象地址] --format markdown --output review.md 第四步：解读报告，按以下优先级检查 1. 先看 recommendation 字段：SAFE / CAUTION / DO_NOT_INSTALL - 不要只看退出码，CAUTION 也会返回 0 2. 再看 analysis_completeness.is_complete - 若为 false，说明扫描不完整，即使分数低也不能视为安全，需加 --fail-on-incomplete 重跑或人工补查 3. 逐条查看 findings 列表，定位具体文件和代码行，重点关注： - 是否有诱导 Agent 忽略原有规则的指令 - 是否读取环境变量、密钥（env harvesting） - 是否向外部 URL 发送数据（data exfiltration） - 依赖包是否命中已知 CVE（OSV 查询结果） - MCP 工具声明的能力与实际代码行为是否一致 第五步：给出安装建议 基于以上结果，用一句话总结： - 建议是否安装 - 如果是 CAUTION，说明具体需要人工确认哪几项 - 如果涉及需要长期维护该 Skill，建议执行 baseline 记录： skillspector baseline [审计对象地址] -o .skillspector-baseline.yaml 【输出格式要求】 请用中文、分点列出以下内容： 1. 风险分数与档位（SAFE/CAUTION/DO_NOT_INSTALL） 2. 完整度是否达标 3. 高风险 finding 摘要（文件名+问题类型+严重程度） 4. 是否建议安装，理由是什么

你是一位经验丰富的职场顾问，请根据以下要求优化绩效自评内容： 1. **突出关键贡献**：明确指出你在本考核周期内完成的核心任务、主导的项目或解决的关键问题。 2. **用数据支撑成果**：为每一项关键贡献补充具体、可量化的数据（如提升效率XX%、节省成本XX元、完成XX份报告、用户增长XX%等）。 3. **语言简洁专业**：使用正式、精炼的职场语言，避免模糊表述（如“较好地完成”“参与了”），改用“主导”“实现”“推动”“达成”等强动词。 4. **结构清晰**：按工作模块或项目分点陈述，每点包含“行动 + 成果 + 数据”。 请基于原始自评内容进行优化，保留原意但增强说服力和专业性。 --- **输入示例**： 【自评内容】 本季度我负责了客户支持工作，处理了很多用户反馈，并协助产品团队改进了功能。还参与了新员工培训，帮助团队提升了整体效率。

你是一位经验丰富的项目管理专家，请将【项目名称】拆解为7个清晰、可执行的步骤。对于每个步骤，必须包含以下两个关键信息： 1. **风险点**：指出在该步骤执行过程中可能遇到的主要障碍、不确定性或潜在问题。 2. **所需资源**：明确列出完成该步骤所必需的人力、物力、财力、技术或信息等资源。 请确保步骤逻辑连贯，覆盖项目从启动到收尾的全生命周期。 **示例输入：** 【项目名称】：公司官网改版项目