SkillSpector: quét bảo mật skill AI trước khi cài — hướng dẫn cài đặt và dùng
Bài này là một góc nhìn khác về NVIDIA/SkillSpector — repo từng đổi tên nên mình viết lại với cách tiếp cận khác. Bài hướng dẫn chính: NVIDIA/SkillSpector: quét lỗ hổng skill AI agent trước khi cài — hướng dẫn cài đặt và dùng →

Tóm tắt nhanh
SkillSpector là công cụ dòng lệnh do NVIDIA phát hành, dùng để quét bảo mật các skill của AI agent (Claude Code, Codex CLI, Gemini CLI, MCP…) trước khi cài. Nó chấm điểm rủi ro từ 0 đến 100 và xuất báo cáo ở nhiều định dạng. Cài không khó: một lệnh với uv, hoặc chạy bằng Docker nếu bạn không muốn cài Python.
SkillSpector là một công cụ dòng lệnh viết bằng Python, dùng để trả lời một câu hỏi: "Skill này có an toàn để cài không?". Nó quét thư mục, file SKILL.md, repo Git, link hoặc file zip của một skill AI agent, rồi báo những chỗ đáng ngờ như prompt injection, đánh cắp dữ liệu hay phụ thuộc có lỗ hổng.
Vấn đề nằm ở chỗ skill của AI agent (dùng trong Claude Code, Codex CLI, Gemini CLI…) chạy với mức tin cậy rất cao mà gần như không ai kiểm tra. README của repo trích một nghiên cứu: trong tập con 31.132 skill được phân tích, 26,1% có lỗ hổng và 5,2% có dấu hiệu ác ý. Bạn tải một skill về từ internet rồi cho agent chạy là đang tin người lạ khá nhiều.
Repo này phù hợp với lập trình viên mới, người làm văn phòng hay chủ doanh nghiệp nhỏ đang dùng agent AI và hay copy skill từ nơi khác. Điểm đáng giá nhất: bạn có thể quét hoàn toàn không cần LLM (cờ --no-llm), nên không cần API key vẫn dùng được ngay. Repo thuộc NVIDIA, giấy phép Apache-2.0, hiện có khoảng 25.700 sao và 2.300 fork, vẫn được cập nhật trong 3 tháng gần đây.
NVIDIA/SkillSpector
SkillSpector của NVIDIA quét skill cho Claude Code, Codex, MCP để tìm prompt injection, rò rỉ dữ liệu và rủi ro chuỗi cung ứng trước khi bạn cài.
I.SkillSpector làm được gì
- Quét nhiều kiểu đầu vào. Bạn đưa thư mục, một file SKILL.md, repo Git, đường link hoặc file zip đều được. Lợi ích: skill nằm ở đâu bạn cũng kiểm tra được, không cần tải về rồi sắp xếp lại.
- 71 mẫu lỗ hổng thuộc 17 nhóm. Gồm prompt injection, đánh cắp dữ liệu, leo thang đặc quyền, rủi ro chuỗi cung ứng, quyền hạn quá mức của agent, đầu độc bộ nhớ, dùng sai công cụ, mã nguy hiểm, theo dõi luồng dữ liệu, chữ ký YARA, và hai nhóm riêng cho MCP (đặc quyền tối thiểu, đầu độc mô tả công cụ). Bạn không phải tự nhớ danh sách này, công cụ kiểm giúp.
- Hai tầng phân tích. Tầng đầu là phân tích tĩnh, nhanh. Tầng sau là nhờ một LLM đánh giá ngữ nghĩa, tùy chọn. Việc nhẹ làm trước, khi nào cần kỹ hơn mới bật LLM.
- Tra cứu lỗ hổng trực tuyến. Nhóm kiểm tra chuỗi cung ứng (SC4) hỏi OSV.dev để lấy dữ liệu CVE mới, và tự chuyển sang chế độ offline nếu không có mạng.
- Báo cáo nhiều định dạng. Terminal, JSON, Markdown và SARIF. SARIF tiện khi bạn muốn gắn vào quy trình CI/CD hoặc công cụ trong IDE.
- Chấm điểm rủi ro 0–100. Kèm nhãn mức độ và khuyến nghị, người không chuyên bảo mật vẫn đọc hiểu được.
- Baseline để bỏ qua báo động giả. Bạn "chấp nhận" các phát hiện đã xem xét, lần quét sau chỉ hiện phát hiện mới.
- Quét hàng loạt và quét registry MCP. Có chế độ
--recursive, công cụ batch song song trongcontrib/batch_scan/, và chế độ quét kho MCP Registry chính thức, kể cả so sánh hai bản chụp.
II.Cần chuẩn bị gì
- Python từ 3.12 đến dưới 3.16 (theo
pyproject.toml). Nếu không muốn cài Python, dùng Docker; image trong Dockerfile dựa trên Python 3.12-slim-bookworm. - uv hoặc pip. README khuyên dùng uv; Makefile dùng uv nếu có, không thì dùng pip.
- Git, nếu bạn cài từ mã nguồn hoặc quét repo Git.
- API key của một nhà cung cấp LLM, chỉ khi bạn muốn quét có LLM. README liệt kê nhiều lựa chọn: OpenAI, Anthropic, AWS Bedrock, NVIDIA build, Gemini, Azure OpenAI, Ollama chạy cục bộ, endpoint tương thích OpenAI, và một số CLI cục bộ như
claude_cli,gemini_cli,opencode_cli. Quét tĩnh với--no-llmthì không cần gì trong số này. - Hệ điều hành: phần tư liệu mình có chỉ viết lệnh theo kiểu Linux/macOS (ví dụ
source .venv/bin/activate). README chưa nói rõ về Windows. Nếu bạn dùng Windows, cách dễ nhất là Docker.
SkillSpector sẽ tải thêm một số phần mềm mã nguồn mở của bên thứ ba khi cài. README yêu cầu bạn xem giấy phép của các dự án đó trước khi dùng. Ngoài ra, khi quét có LLM, nội dung skill được gửi tới nhà cung cấp bạn chọn, nên đừng quét tài liệu nội bộ nhạy cảm bằng dịch vụ bên ngoài nếu chưa cân nhắc.
III.Cài đặt từng bước
- Chọn cách càiuv tool (nhanh nhất), từ mã nguồn, hoặc Docker
- Cài công cụChạy lệnh cài tương ứng
- Quét thử một skillDùng skillspector scan với cờ --no-llm
- (Tùy chọn) Bật LLMĐiền provider và API key vào file .env
A.Cách 1: cài nhanh bằng uv
Đây là cách README đặt ở đầu. Mở terminal ở bất kỳ thư mục nào và chạy:
uv tool install git+https://github.com/NVIDIA/skillspector.git
# Update later: uv tool update skillspectorLệnh đầu cài công cụ, dòng thứ hai (đang là chú thích trong README) cho biết cách cập nhật về sau. Nếu bạn định chạy skillspector mcp, hãy cài kèm phần mở rộng MCP ngay từ đầu:
uv tool install 'skillspector[mcp] @ git+https://github.com/NVIDIA/skillspector.git'Chỗ người mới hay vấp: cần cài sẵn uv trước. Repo này không hướng dẫn cài uv, bạn xem hướng dẫn trên trang chính thức của uv.
B.Cách 2: cài từ mã nguồn
Dành cho người muốn xem code hoặc chỉnh sửa. README yêu cầu tạo và kích hoạt môi trường ảo trước, vì mọi lệnh make đều giả định môi trường ảo đang bật.
# Clone the repository
git clone https://github.com/NVIDIA/skillspector.git
cd skillspector
# Create and activate virtual environment
uv venv .venv && source .venv/bin/activate
# or: python3 -m venv .venv && source .venv/bin/activate
# Install for production use
make installgit clone tải mã về, cd skillspector vào thư mục vừa tải. Hai dòng tạo môi trường ảo chọn một trong hai (uv hoặc python3). make install cài công cụ. Nhớ chạy tất cả trong cùng một cửa sổ terminal, vì kích hoạt môi trường ảo chỉ có hiệu lực ở cửa sổ đó.
C.Cách 3: dùng Docker, không cần Python
Build image từ Dockerfile có sẵn trong repo (chạy trong thư mục đã clone):
make docker-build
# or: docker build -t skillspector .Sau đó quét một thư mục skill bằng cách gắn thư mục hiện tại vào /scan trong container:
docker run --rm -v "$PWD:/scan" skillspector scan ./my-skill/ --no-llmNếu muốn quét có LLM, bạn tạo file .env ngay trong thư mục đang đứng. Ví dụ dùng Anthropic:
cat > .env <<'EOF'
SKILLSPECTOR_PROVIDER=anthropic
ANTHROPIC_API_KEY=sk-ant-...
EOFdocker run --rm \
-v "$PWD:/scan" \
--env-file .env \
skillspector scan ./my-skill/Thay sk-ant-... bằng key thật của bạn. Đừng commit file .env lên Git.
D.Bước cuối: quét thử
Sau khi cài, thử với lệnh cơ bản nhất (đổi ./my-skill/ thành thư mục skill của bạn):
skillspector scan ./my-skill/Nếu chưa cấu hình LLM, hãy thêm --no-llm để chỉ chạy phân tích tĩnh.
IV.Kiểm tra đã chạy được chưa
README không đưa ra lệnh "kiểm tra phiên bản" riêng, nên cách kiểm tra đáng tin nhất là quét thử một skill thật:
skillspector scan ./my-skill/ --no-llmNếu cài đúng, terminal in ra báo cáo định dạng sẵn, có điểm rủi ro từ 0 đến 100, nhãn mức độ nghiêm trọng và khuyến nghị. Bạn không cần quan tâm số điểm cụ thể ở lần đầu, chỉ cần thấy báo cáo hiện ra là công cụ đã chạy.
Với Docker, lệnh docker run ... skillspector scan ./my-skill/ --no-llm ở trên cũng cho kết quả tương tự. Nếu bạn muốn chắc hơn, hãy xem thêm hướng dẫn chính thức trên trang tài liệu của dự án (có đường dẫn ở phần thông tin repo).
V.Dùng vào việc thật
A.Kiểm tra skill tải từ GitHub trước khi cài vào Claude Code
Bạn là lập trình viên mới, thấy một skill hay trên GitHub và định chép vào máy. Thay vì cài ngay, bạn đưa thẳng link cho SkillSpector:
skillspector scan https://github.com/user/my-skillCông cụ tải repo (có giới hạn dung lượng để chặn tải quá lớn), phân tích và cho điểm. Nếu điểm cao và có phát hiện về đánh cắp dữ liệu hay prompt injection, bạn bỏ skill đó. Nếu sạch, bạn yên tâm hơn khi cài.
Cài skill mà không quét giống như chạy file lạ trong email: đa phần ổn, nhưng một lần không ổn là đủ đau.
Ông T
B.Rà cả thư mục skill của team rồi lưu báo cáo
Bạn phụ trách IT cho một nhóm nhỏ, mọi người đã gom các skill vào một thư mục my-skills/. Quét tất cả một lượt, mỗi thư mục con có SKILL.md được tính là một skill riêng:
skillspector scan ./my-skills/ --recursive --max-skills 100 --no-llm --format jsonMặc định chỉ quét tối đa 32 skill, nên cờ --max-skills 100 dùng để nâng giới hạn. Nếu cần quét song song với tốc độ cao, repo có công cụ batch:
python -m contrib.batch_scan.batch_scan ./my-skills/ --workers 20 -f json -o report.jsonKết quả là một file JSON để bạn lọc, hoặc gửi cho đồng nghiệp xem.
C.Đưa vào quy trình kiểm duyệt (CI/CD)
Bạn là dev, repo của bạn chứa các skill tự viết và muốn mỗi lần đẩy code đều có kiểm tra bảo mật. Xuất báo cáo SARIF để các công cụ CI hay IDE đọc được:
skillspector scan ./my-skill/ --format sarif --output report.sarifREADME còn nói cờ --fail-on-incomplete giúp pipeline báo lỗi khi phạm vi quét chưa đầy đủ (ví dụ do bị giới hạn số skill hoặc loại trừ file). Mặc định chính sách mã thoát không đổi.
D.Loại báo động giả để lần sau chỉ thấy cái mới
Bạn đã xem kỹ các phát hiện của skill nhà mình và thấy một số là chấp nhận được. Tạo baseline một lần, rồi quét với baseline đó:
skillspector baseline ./my-skill/ -o .skillspector-baseline.yaml
skillspector scan ./my-skill/ --baseline .skillspector-baseline.yamlTừ giờ điểm rủi ro chỉ phản ánh các vấn đề mới. Muốn xem lại những gì đã bị bỏ qua, thêm --show-suppressed. Lưu ý: baseline theo dấu vân tay gắn với mã nguồn và phiên bản SkillSpector, nên khi mã hoặc phiên bản đổi, phát hiện sẽ hiện lại để bạn xem xét lại.
VI.Lỗi hay gặp và cách xử lý
A.Cài lỗi vì phiên bản Python không phù hợp
pyproject.toml yêu cầu Python từ 3.12 đến dưới 3.16. Nếu máy bạn dùng bản cũ hơn, cài sẽ thất bại. Cách xử lý: dùng đúng phiên bản Python khi tạo môi trường ảo, hoặc chuyển sang Docker để khỏi phụ thuộc Python trên máy.
B.Lệnh make install không chạy đúng
README nhấn mạnh phải tạo và kích hoạt môi trường ảo trước. Nếu quên, gói có thể cài vào chỗ khác hoặc lệnh skillspector không được tìm thấy. Hãy kích hoạt môi trường ảo ở đúng cửa sổ terminal đang dùng, rồi chạy lại.
C.Quét bị dừng với IngestLimitExceededError
Đây là cơ chế chặn có chủ đích: mỗi lần nạp dữ liệu tối đa 100 MiB, và một file zip tối đa 10.000 mục. Vượt giới hạn thì công cụ dừng thay vì cố chạy tiếp. Nếu gặp, hãy quét từng skill nhỏ riêng thay vì cả gói lớn. Đừng cố vượt giới hạn, vì chúng sinh ra để chống file zip độc hại.
D.--max-skills 0 hoặc dùng cờ sai chế độ
--max-skills cần một số nguyên dương, 0 không có nghĩa là không giới hạn. Ngoài ra, ở chế độ registry MCP, các cờ chỉ dành cho skill như --use-shipped-baseline hay --transitive bị từ chối với mã thoát 2. Chỉ cần bỏ các cờ đó ra.
E.Docker ghi file báo cáo không đúng quyền
Khi xuất báo cáo ra thư mục gắn vào, README dùng thêm --user để file thuộc về tài khoản của bạn:
docker run --rm --user "$(id -u):$(id -g)" \
-v "$PWD:/scan" \
skillspector scan ./my-skill/ --no-llm --format json --output report.jsonLệnh này theo kiểu Linux/macOS. README chưa ghi biến thể cho Windows.
VII.Có nên dùng không
Điểm mạnh. Có thể quét hoàn toàn không cần key và không cần GPU (chế độ --no-llm). Hỗ trợ nhiều nguồn đầu vào và nhiều định dạng báo cáo. Bộ quy tắc rộng, lại có riêng nhóm cho MCP. Giấy phép Apache-2.0 và do NVIDIA duy trì, hiện có khoảng 25.700 sao.
Giới hạn.
- Quét tĩnh chỉ dựa trên mẫu đã biết. Nó giúp phát hiện sớm, nhưng một điểm số "sạch" không phải bảo đảm tuyệt đối.
- Chế độ LLM cho kết quả tốt hơn nhưng cần API key, có thể tốn phí, và gửi nội dung skill ra dịch vụ bên ngoài (trừ khi bạn dùng mô hình chạy cục bộ như Ollama).
- README ghi rõ nhà cung cấp
codex_cliđang bị vô hiệu hóa vì lý do an toàn (sandbox chỉ đọc vẫn cho phép đọc file trên máy chủ). Hãy chọn nhà cung cấp khác. - Phần mình có chưa nêu hướng dẫn riêng cho Windows ngoài việc dùng Docker.
Nên chọn khi bạn thường xuyên cài skill hoặc MCP server của người khác, hoặc muốn chặn skill nguy hiểm ngay trong quy trình đội nhóm. Có thể không cần nếu bạn chỉ dùng skill tự viết, không nhận từ bên ngoài, và không có thói quen tải đồ lạ. Khi đó việc đọc kỹ SKILL.md thủ công có thể đã đủ.
Câu hỏi thường gặp
SkillSpector có miễn phí không?
Bản thân công cụ là mã nguồn mở, giấy phép Apache-2.0, nên dùng miễn phí. Chế độ quét có LLM cần API key của một nhà cung cấp và có thể phát sinh phí theo nhà cung cấp đó. Chế độ quét tĩnh với `--no-llm` không cần key.
SkillSpector có cần GPU không?
Tư liệu không yêu cầu GPU. Quét tĩnh chạy bình thường trên CPU. Nếu muốn dùng mô hình cục bộ cho phần LLM, README liệt kê Ollama, vLLM, llama.cpp, nhưng chưa nêu yêu cầu phần cứng cụ thể.
Chạy được trên Windows không?
README chưa ghi hướng dẫn riêng cho Windows; các lệnh mẫu theo kiểu Linux/macOS. Cách ít rủi ro nhất là dùng Docker, vì repo có sẵn Dockerfile và hướng dẫn build image.
Dữ liệu skill của tôi có bị gửi đi đâu không?
Với `--no-llm` thì phân tích tĩnh, tuy nhiên chế độ tra cứu chuỗi cung ứng có hỏi OSV.dev để lấy dữ liệu CVE và tự chuyển sang offline nếu không có mạng. Khi bật LLM, nội dung cần đánh giá sẽ gửi tới nhà cung cấp bạn chọn, trừ khi bạn dùng endpoint chạy trong máy như Ollama.
SkillSpector quét được những loại skill nào?
README nhắc đến skill dùng trong Claude Code, Codex CLI, Gemini CLI và các MCP skill. Đầu vào có thể là thư mục, file SKILL.md, repo Git, đường link hoặc file zip. Công cụ cũng quét được MCP Registry chính thức.
Có cần cài Python không?
Nếu cài bằng uv hoặc từ mã nguồn thì cần Python từ 3.12 đến dưới 3.16. Nếu không muốn cài Python, bạn dùng Docker: build image từ Dockerfile trong repo rồi chạy bằng `docker run`.
Điểm rủi ro 0–100 có nghĩa là skill chắc chắn an toàn nếu điểm thấp không?
Tư liệu mô tả điểm số kèm nhãn mức độ và khuyến nghị, nhưng không khẳng định là bảo đảm tuyệt đối. Hãy xem đó là một tín hiệu hỗ trợ quyết định. README cũng nói khi phạm vi quét chưa đầy đủ (ví dụ có file bị loại trừ), kết quả sẽ không được gắn khuyến nghị SAFE.


