Ghsa Skill Builder

Use when building or updating vulnerability pattern Skills from multiple sources: GitHub Security Advisories (GHSA), HackerOne Hacktivity, or NVD. Triggers o...

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：

1. GitHub 认证: 脚本会自动检查，未认证会提示
2. 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）：

# 注入类全量详情
python3 scripts/fetch_details.py data/pip.json --cwe "77|78|89|94"

# 路径遍历类
python3 scripts/fetch_details.py data/pip.json --cwe "22|23|73"

# 反序列化类
python3 scripts/fetch_details.py data/pip.json --cwe "502"

# 认证绕过类
python3 scripts/fetch_details.py data/pip.json --cwe "287|288|306"

# 不过滤 CWE，全量拉取所有详情
python3 scripts/fetch_details.py data/pip.json

# 只想快速测试可以加 --top 限制
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：

1. 读 description 提取漏洞根因和攻击路径
2. 如果有 patch_urls，用 gh api repos/{owner}/{repo}/commits/{sha} -H "Accept: application/vnd.github.diff" 获取 diff
3. 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：

1. 根因模式独特、常规扫描器会漏掉的优先
2. description 中有具体代码/PoC 的优先
3. AI/LLM/MCP/Agent 相关漏洞优先
4. 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

# GHSA ID 去重 + Case 数量检查
python3 scripts/check_existing_skills.py --skills-dir .

# vuln-patterns-* skills 静态测试（frontmatter、结构）
python3 scripts/test_vuln_patterns_skills.py

# go-vuln-* skills 静态测试 + 场景定义
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

# 对比已有数据，检查新增漏洞
python3 scripts/fetch_ghsa.py PIP --diff
python3 scripts/fetch_ghsa.py GO --diff

如果有新增：

1. 对新增漏洞按 CWE 分类，拉取详情：python3 scripts/fetch_details.py data/pip.json --cwe "..." --top 10
2. 判断是否值得加入现有 Skill
3. 按 Step 2-3 分析并更新
4. 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

# 拉取全部 critical/high 公开报告（默认最近 3 年，最多 3000 条）
python3 scripts/fetch_h1_hacktivity.py

# 按严重度过滤
python3 scripts/fetch_h1_hacktivity.py --severity critical

# 按 CWE/漏洞类型关键词过滤
python3 scripts/fetch_h1_hacktivity.py --cwe "SQL Injection"
python3 scripts/fetch_h1_hacktivity.py --cwe "SSRF"

# 按时间范围
python3 scripts/fetch_h1_hacktivity.py --since 1y

# 组合过滤
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

# 按 CWE 过滤并从 NVD 获取 CVE 描述
python3 scripts/fetch_h1_details.py data/h1_hacktivity.json --cwe "79|89|94"

# 只取前 N 条（按 bounty 降序）
python3 scripts/fetch_h1_details.py data/h1_hacktivity.json --top 30

# 可选：启用 Playwright 抓取报告全文（需要 pip install playwright）
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/
# access-control.json  auth-bypass.json  business-logic.json
# command-injection.json  deserialization-xxe.json  idor.json
# info-disclosure.json  memory-corruption.json  path-traversal.json
# request-forgery.json  sqli.json  ssrf.json  xss.json

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：

1. 从 hacktivity_summary + nvd_description 提取漏洞根因和攻击路径
2. 归纳 Detection Strategy（Sources → Sinks → Sanitization）
3. 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

# 运行静态测试（全部可直接执行）
python3 scripts/test_vuln_patterns_skills.py
python3 scripts/test_go_vuln_skills.py
python3 scripts/test_pentest_skills.py

# 查看 go-vuln 子代理场景定义（人类可读）
python3 scripts/test_go_vuln_skills.py --scenes

# 导出场景定义为 JSON（供程序消费）
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