安裝第三方 Skill 前,可以用 NVIDIA SkillSpector 先掃描目錄,再決定哪些內容要人工檢查。實測的三份合成文件都回傳 SAFE。其中一份包含一句引述過度蒐集行為的合成文字,另一份缺少 YAML frontmatter。這兩種情況都需要讀原文和分析範圍才能看見。
靜態檢查後,仍要個別驗證 Skill 呼叫的工具;可用 MCP Inspector 檢查 MCP 回應,並透過 Context7 的文件查詢核對開發用法。
要重現三種報告,可各建一個含 SKILL.md 的資料夾。第一份用有效的名稱與說明並寫摘要任務。第二份保留欄位,另外引述一段虛構的過度蒐集政策並標明是樣本。第三份拿掉開頭 YAML。只把這些檔案交給掃描器。
用 2.13.4 跑靜態掃描
從官方 v2.13.4 的 Releases 下載 Python wheel,核對該資產的 SHA-256 後安裝。在隔離環境執行 skillspector scan ./sample-skill --no-llm --format json > report.json,然後同時看 risk_assessment 和 issues,以及 analysis_completeness.analyzer_statuses。
三個一檔樣本的結果
- 單純摘要說明:exit 0,回傳
SAFE,零筆 issue。 - 提到過度蒐集的測試文字:exit 0,回傳
SAFE,零筆 issue。句子是待掃描的樣本文字,沒有執行。 - 缺 YAML frontmatter:exit 0,回傳
SAFE,而skill.name變成unknown。若用掃描結果做安裝清單,應另外檢查必要欄位。
三份報告都顯示 risk_assessment.recommendation: SAFE,以及 metadata.llm_requested: false 和 analysis_completeness.is_complete: true。例如 semantic_developer_intent 的狀態是 disabled。報告可以在所選掃描範圍內達到完整,仍需辨別哪些分析器被停用或沒有適用檔案。
安裝決策留一個人工步驟
先確認版本與掃描模式,找出停用的檢查,再把 Skill 要求的每項權限與使用者任務做對照。查看它是否真的需要讀檔或連線,以及是否需要寫入或執行腳本。缺名稱或權限邊界不清時,先補證據再安裝。
測試邊界與來源
團隊只將合成文字當輸入,使用 Linux 容器並在安裝後關閉外連。依官方 v2.13.4 文件整理,啟用模型分析可能把可分析內容送往設定的模型服務,套件依賴查核在可連線時可把套件名稱與版本送往 OSV,這個查核也會在 --no-llm 模式使用,離線時退回內建清單。本次未本地實測模型服務或 OSV 查核。工具採 Apache-2.0。 NVIDIA 官方 GitHub · v2.13.4 版本與安裝資產。