AI 速览Meta秘密项目曝光，通过外包公司雇佣人员假扮未成年人向竞品发送4.5万条高风险提示词以测试安全防护。 核心事实 - 执行方：Meta通过外包商Covalen执行代号为“Cannes”的项目 - 目标对象：OpenAI的ChatGPT、Google的Gemini及Character.AI - 测试手段：承包商创建虚假未成年账号，发送涉及自残、性、毒品等极端场景的文本与图片提示词 - 规模数据：仅2025年8月一轮测试即发送超4.5万条提示词，项目持续至2026年4月 - 各方回应：Meta称其为行业标准红队测试；三家竞品均未授权并质疑其动机 价值点 揭示大型科技公司进行AI安全评估时的灰色地带，警示用户关注数据隐私与平台安全边界。
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
