SkillsScout
SECURITY-COMPLIANCE ／ 安全与合规

prompt-injection-unitoneai-securityskills

收录日期 2026-08-11·来源仓库 ↗
受欢迎程度
5
可用程度与相关性
9
安全性
9
7.7SCOUT SCORE

1. 基本信息

项目 内容 数据来源
名称 prompt-injection（UnitOneAI/SecuritySkills 合集内子技能） —
作者/维护者 UnitOneAI（GitHub 组织账号，署名 unitoneai） GitHub API
来源链接 https://github.com/UnitOneAI/SecuritySkills/tree/main/skills/ai-security/prompt-injection —
许可证 MIT GitHub API
GitHub Stars / Forks 45 / 129（整仓库数字，合集仓库整体热度，不代表本子技能个体热度） GitHub API
最新版本 SKILL.md frontmatter 标注 1.0.2，仓库未发布正式 Release GitHub API
安装方式 复制子技能目录到对应 agent 的 skills 目录（详见第 10 章） 仓库 README

项目自述名称：仓库整体标题为「Security Skills for AI Coding Agents」（UnitOneAI/SecuritySkills），prompt-injection 是其中一个独立的子技能目录。

2. 功能介绍与亮点

prompt-injection 对 LLM 集成应用做结构化的提示词注入漏洞评估，对齐 OWASP LLM01:2025（Prompt Injection） 与 MITRE ATLAS AML.T0051。正文按六个步骤展开：① 梳理 LLM 交互面（用户输入通道、外部内容源、系统提示词组装方式、工具/插件接口、多轮上下文）；② 识别直接注入向量（提示词拼接模式、指令边界强度、多轮注入、参数注入）；③ 识别间接注入向量（RAG 管道输入、邮件/消息集成、网页抓取、数据库记录、文件上传、第三方 API 响应）；④ 按目标劫持、提示词泄露、权限提升、数据外泄、越狱五类逐项测试；⑤ 评估输入校验、权限分离、人工确认、输出过滤、金丝雀 token、指令层级等防御措施；⑥ 产出含严重度分级（Critical/High/Medium/Low/Informational）的结构化评估报告模板。

区别于泛化的安全清单，本技能专门针对“自适应攻击”辟出独立章节，引用 2026 年最新研究（PISmith 强化学习优化的黑盒注入攻击）说明静态防御（硬编码系统提示词、简单关键词过滤）已不足以应对，并给出 InjecAgent、AgentDojo 等面向 agentic 场景的评测基准供持续红队测试参考。全文引用 Perez & Ribeiro (2022)、Greshake et al. (2023) 等原始研究论文界定直接/间接注入的学术定义，而非停留在泛泛而谈。

正文含独立的安全声明章节，明确本技能仅用于对自己拥有或已获授权的应用做防御性测试，不提供针对第三方系统的攻击指导；并标注 injection-hardened: true。

3. 适用场景

所属分类：安全与合规。

适用于开发或安全团队在 LLM 应用（尤其是接入 RAG 管道、处理外部内容、或让 LLM 调用工具产生副作用的 agentic 应用）上线前或架构评审阶段，系统排查提示词注入风险；也适用于持续红队测试环节，对照 OWASP LLM01 与 MITRE ATLAS 生成可追踪的漏洞发现清单。不适用于对第三方系统发起未授权的实际攻击测试——技能正文明确要求先获得授权。

4. 跨 Agent 兼容性

5. 推荐理由

多数通用安全审计技能把“提示词注入”仅作为 OWASP LLM Top 10 清单里的一项一带而过，而 prompt-injection 把这一单一漏洞类别拆成六个可执行步骤的深度评估流程，覆盖直接与间接两种注入路径、五类具体攻击场景与七项防御措施的逐条核验，并把“自适应攻击下静态防御失效”这一 2026 年才成为共识的前沿问题显式写入正文、引用具体研究与评测基准。对于正用 Claude Code、Codex 等工具构建 LLM/RAG/agentic 应用的团队，这是一份可以直接拿来对着自己的应用逐项自查的深度参考，而不是需要自己再展开的一句话清单条目。全文只读、无外联、无凭据索取。

6. 评分

维度 分数 说明
受欢迎程度 5 所属仓库 UnitOneAI/SecuritySkills 为新兴安全团队维护的开源项目（45 Stars/129 Forks/MIT 许可证），非广为人知的一线厂商或专业机构；专门检索未找到本子技能独立于母仓库的第三方讨论、市场收录或安装量数据
可用性 9 单个 SKILL.md 文件（约 20KB、298 行）即为完整安装单元，六步流程逐项展开，含交互面清单、测试类别表、防御评估清单、严重度分级表与输出模板；仓库为 Claude Code/Codex CLI/OpenClaw 分别给出安装方式；该文件最近一次实质提交为 2026-06-16，距今约 8 周
安全性 9 frontmatter 声明 allowed-tools: Read, Grep, Glob，无 shell 执行、无写入、无联网工具；正文明确声明仅用于已授权的防御性测试，不提供攻击第三方系统的指导；MIT 许可证明确；作者为可查证的 GitHub 组织账号，无主动造假迹象

综合评分：7.67（三项均值）

安全检查清单： ① 仅声明 Read/Grep/Glob 只读工具权限，无 shell 命令执行能力 ② 不联网外发数据 ③ 不涉及任何 API Key 或凭据索取 ④ 全文未见可疑指令或混淆代码；正文的“测试类别”章节均以“评估应用是否易受该风险影响”为表述框架，未见教唆攻击第三方系统的内容 ⑤ 作者为新兴安全团队，信誉一般，无主动造假迹象 ⑥ MIT 许可证明确 ⑦ 该文件最近一次实质提交 2026-06-16，距今约 8 周，维护尚属近期

7. 跟同类 Skills 相比的优势

技能 定位 与本技能的差异
llm-top-10-unitoneai-securityskills（同仓库） 对照 OWASP LLM Top 10 全部十类风险逐类给出检测方法与修复建议的清单式技能 广度优先，提示词注入只是其中一类、每类展开有限；本技能反过来只做提示词注入这一类，但拆到六步方法论、五种攻击场景与自适应攻击对策的深度
claude-code-owasp（agamm/claude-code-owasp） 对照 2026 Agentic AI Security 标准做通用只读代码安全评审，覆盖面向所有 OWASP 风险类别 定位是“平时写代码时的常驻安全评审”，覆盖面广但单一风险类别的方法论较浅；本技能定位是“LLM 应用上线前或红队测试时”的专项深挖，两者可搭配使用

8. 用户评价

该技能目前在第三方平台尚无具名用户评价。

9. 其他补充

仓库同时提供了 45 个同风格的安全技能，按 appsec/ai-security/cloud/compliance/devsecops/identity/incident-response/network/secops/vuln-management 十个领域分类组织，prompt-injection 隶属于 ai-security 领域，同领域内还有 llm-top-10、agentic-top-10、model-supply-chain、agent-security 等姊妹技能。

10. 安装使用方式

Claude Code（全局安装）

git clone https://github.com/UnitOneAI/SecuritySkills.git
cp -r SecuritySkills/skills/ai-security/prompt-injection ~/.claude/skills/

安装后可通过自然语言触发（如“帮我评估这个 RAG 应用有没有提示词注入风险”）或直接调用 /prompt-injection [target-file-or-directory]。

Codex CLI

codex --context skills/ai-security/prompt-injection/SKILL.md "评估这段代码处理的外部内容是否存在提示词注入风险"

其他宿主（OpenClaw 等）：将对应 agent 指向 prompt-injection/SKILL.md 文件路径即可加载，具体挂载方式见各宿主自身文档。

安装后无需重启，首次调用即可生效；无付费依赖。

11. 注意事项