CyberSecurity-Skills 是一个面向 AI Agent 集成的、结构化的网络安全技能知识库，以渗透测试执行标准（PTES）为核心框架，结合 OWASP、NIST、MITRE ATT&CK 等国际标准，系统化整理了 39 大模块、共 195 个安全技能（最新版本），覆盖攻击面（红队/渗透测试）与防御面（蓝队/SOC/合规）的完整链路。
二、核心功能与主要用途
2.1 核心定位
本项目不是简单的"工具清单"或"payload 集合"，而是一个可被机器解析、可被 AI Agent 调用的结构化技能库。每个技能条目都遵循统一格式：
✅ 技术原理说明
✅ 常用工具/命令
✅ 实战操作示例
✅ 参考资源链接
✅ 标准化 YAML frontmatter（id、title、difficulty、tools、tags、MITRE ATT&CK 映射等）
2.2 四大核心用途
2.3 核心特色
AI Agent 原生集成：提供完整的
agent-manifest.json+index.json+index.schema.json+skill_query.pyCLI 四件套，专为 LLM Agent 设计。多标准融合：同时引用 PTES、OWASP Testing Guide v4.2、NIST SP 800-115、NIST SP 800-61 Rev 2、MITRE ATT&CK v15、MITRE ATLAS、OWASP Top 10 for LLM、CIS Benchmarks、ISO 27001、等级保护 2.0。
覆盖最新热点：包含大模型安全（LLM Security）、AI Agent 安全、零信任架构、勒索软件防御等前沿领域。
CI 自动化验证：通过
.github/workflows/validate.yml自动校验 index.json 与实际文件的一致性。AI 协作开发：commit 历史显示有
AtomCode (deepseek-v4-flash)和Claude Opus 4.7等 AI 协作者署名，是 AI 辅助维护开源项目的典型案例。
三、项目根目录结构
CyberSecurity-Skills/
├── 01-信息搜集-Reconnaissance/ # 39 大模块目录（按编号组织）
├── 02-漏洞扫描-VulnerabilityScanning/
├── ... (省略 03-38)
├── 39-安全治理合规-GovernanceCompliance/
│
├── .github/workflows/ # CI 自动化（validate.yml）
├── scripts/ # 辅助脚本（v2.2.1 新增）
│
├── README.md # 项目主文档
├── LICENSE # MIT 许可证
├── CHANGELOG.md # 版本变更日志
├── CONTRIBUTING.md # 贡献指南
├── CODE_OF_CONDUCT.md # 行为准则
├── SECURITY.md # 安全策略
│
├── AGENT_USAGE.md # AI Agent 集成使用指南
├── agent-manifest.json # AI Agent 入口清单（v1.1.0）
├── index.json # 结构化技能索引（机器可读）
├── index.schema.json # JSON Schema 验证
├── skill_query.py # AI Agent CLI API 工具
│
├── .gitignore # Git 忽略配置
└── .gitattributes # Git 属性配置每个模块目录的内部结构
0X-模块名-英文名/
└── skills/
├── 技能名1-英文名.md # 每个技能一个 .md 文件
├── 技能名2-英文名.md
└── ...四、39 大模块详细说明
🟥 攻击面 / 渗透测试执行（模块 01–09，54 个技能）
严格遵循 PTES 渗透测试执行标准（Pre-Engagement → Intelligence Gathering → Threat Modeling → Vulnerability Analysis → Exploitation → Post-Exploitation → Reporting）。
🟨 专业领域测试（模块 10–13，15 个技能）
🟦 防御与合规（模块 14–16，24 个技能）
🟩 新兴技术安全（模块 17–21，32 个技能）
🟪 治理与运营（模块 22–39，70 个技能）
总计：39 模块 / 195 技能
五、技术栈分析
5.1 内容层（占主体）
载体格式：Markdown（.md），UTF-8 编码
结构化数据：JSON（
index.json、agent-manifest.json、index.schema.json）元数据规范：YAML frontmatter（包含 id、title、difficulty、tools、tags、NIST CSF 映射、MITRE ATT&CK 映射等）
5.2 工具层（轻量 Python）
核心 CLI 工具：
skill_query.py（约 280 行 Python 3）仅依赖 Python 标准库（argparse、json、re、pathlib）
跨平台兼容（Windows GBK 编码适配）
提供 6 个子命令：
list-modules/list-skills/get-skill/search/resolve/validate
CI/CD：GitHub Actions 工作流（
.github/workflows/validate.yml）自动校验一致性
5.3 集成层（AI Agent 友好）
提供
agent-manifest.json作为 Agent 入口描述（v1.1.0）提供
index.schema.json进行 JSON Schema 验证支持被 Claude Code、Cursor、CodeGPT 等 AI 编程助手加载为 community skill
5.4 协作特征
AI 协作者：
AtomCode (deepseek-v4-flash)、Claude Opus 4.7多平台同步：GitHub + AtomGit（国产代码托管平台）
六、目标用户群体
七、典型适用场景
📚 系统学习：从模块 01 信息搜集开始，按 39 阶段顺序学完，可建立完整的网络安全知识体系。
🛡️ 渗透测试执行：在授权测试前，对照模块 01-09 的技能清单逐项准备，确保不遗漏关键环节。
🚨 应急响应实战：发生安全事件时，按模块 15/30 的技能流程组织响应（识别→遏制→根除→恢复→复盘）。
🤖 AI 安全助手构建：将本仓库加载到 Claude Code/Cursor，让 AI 助手在用户提问"如何检测勒索软件"时自动检索模块 38 的内容。
🏢 安全能力图谱设计：HR 或安全主管可基于 195 个技能点设计岗位能力模型、培训计划。
📖 备课 / 编写课件：讲师直接以技能文件为大纲，配合实验环境讲解。
🔍 快速查询：使用
python skill_query.py search --keyword "勒索软件"快速定位相关技能。
八、入门使用指南
8.1 作为读者（最简单）
# 1. 克隆仓库
git clone https://github.com/Hi-FullHouse/CyberSecurity-Skills.git
cd CyberSecurity-Skills
# 2. 从 README.md 开始阅读
# 3. 顺序进入 01-信息搜集-Reconnaissance/skills/ 阅读技能文件8.2 使用 CLI 工具查询
需 Python 3.6+ 环境（无需安装任何第三方依赖）。
# 列出所有 39 个模块概览
python skill_query.py list-modules
# 列出模块 15（应急响应）的所有 7 个技能
python skill_query.py list-skills --module 15
# 读取单个技能的完整内容
python skill_query.py get-skill --id 15-001
# 按关键词搜索技能
python skill_query.py search --keyword "SQL注入"
python skill_query.py search --keyword "勒索软件"
# 解析技能文件绝对路径
python skill_query.py resolve --module 3 --skill "SQL注入"
# 验证 index.json 与实际文件的一致性
python skill_query.py validate8.3 作为 AI Agent 使用
方法 A：作为 Claude Code / Cursor 的 community skill
// 在 Agent 配置中引用
{
"skills": [
{
"name": "cybersecurity-skills",
"path": "/path/to/CyberSecurity-Skills",
"manifest": "agent-manifest.json"
}
]
}方法 B：在自定义 LLM 应用中调用
import json, subprocess
# 1. 读取结构化索引
with open("index.json", "r", encoding="utf-8") as f:
index = json.load(f)
# 2. 通过 CLI 查询（Agent 友好）
result = subprocess.run(
["python", "skill_query.py", "search", "--keyword", "提示注入"],
capture_output=True, text=True, encoding="utf-8"
)
print(result.stdout)8.4 技能文件结构示例
每个技能文件都遵循统一格式（以"01-007 被动信息搜集"为例）：
---
id: 01-007
title: "🕵️ 被动信息搜集 (Passive Reconnaissance / OSINT)"
category: 信息搜集
category_en: Reconnaissance
difficulty: ★★
tools: "Google Dork, Shodan, Maltego, theHarvester"
last_updated: 2025-07
tags: ["reconnaissance", "osint", "dns-enumeration", "passive-recon"]
subdomain: reconnaissance
nist_csf: ["ID.AM-01", "ID.AM-04", "DE.CM-01"]
mitre_attack: ["T1595", "T1592", "T1590", "T1596"]
---
# 🕵️ 被动信息搜集 (Passive Reconnaissance / OSINT)
## 概述
不直接与目标系统交互，通过公开渠道收集目标信息。
## 核心技能
### 1. Google Hacking (Google Dork)
...（含 6 大主题：Google Dork / WHOIS / 邮件收集 / 社交网络 / 历史数据 / 证书透明度 / 代码仓库泄露 / DNS 历史）
## 常用工具
| 工具 | 用途 | 链接 |
| ... | ... | ... |
## 参考资源
- OSINT Framework
- IntelTechniques OSINT Tools
- ...九、版本演进与项目状态
项目活跃度：9 次 Commits，最近 1 个月内多次更新
同步平台：GitHub + AtomGit
协作者：Hi_jack2025、AtomCode (deepseek-v4-flash)、Claude Opus 4.7
许可证：MIT（允许自由使用、修改、商用）
十、亮点与差异化分析
10.1 与同类项目对比
10.2 独特价值
AI 时代的网络安全知识工程化：将传统"凭经验"的网络安全技能，转化为 AI Agent 可调用、可校验、可版本化的工程化资产。
攻防对称视角：既覆盖红队攻击链（01-13），又覆盖蓝队防御链（14-39），攻防一体的视角在国内同类项目中较为稀缺。
紧跟 2024-2026 安全热点：LLM Security、AI Agent 安全、零信任、勒索软件防御等均设有专门模块。
多标准融合：同时引用 OWASP、NIST、MITRE ATT&CK、ISO 27001、等级保护 2.0，适合国内合规场景。
AI 辅助维护：是观察"AI 协作维护开源项目"模式的一个具体案例（DeepSeek-v4-flash + Claude Opus 4.7 署名）。
十一、注意事项与免责声明
⚠️ 法律合规：本项目所有技能与工具仅供合法的安全研究与授权测试使用。在未获得明确书面授权的情况下对系统进行渗透测试属于违法行为，使用者需自行承担后果。
⚠️ 学习路径警告：模块 01-09（攻击面）涉及真实攻击技术，初学者应先在合法靶场（DVWA、HTB、OWASP WebGoat、Vulnhub 等）练习，切勿对未授权目标动手。
十二、参考资料
同步仓库：AtomGit 平台同名仓库
参考标准：
PTES 渗透测试执行标准
NIST SP 800-115 技术安全测试指南
MITRE ATT&CK v15 攻击知识库
MITRE ATLAS AI 系统对抗威胁矩阵
同类优秀项目：