20251126_102520_告别“下次一定”：用AI三大武器（Skills、Prompt

在软件开发的世界里，代码安全扫描就像是体检，人人都知道重要，但真正能坚持下来的却寥寥无几。你是否也遇到过这样的场景：

朝阳区靓仔_James

397人浏览 · 2025-11-26 10:29:19

朝阳区靓仔_James · 2025-11-26 10:29:19 发布

序言：为什么你的代码安全总在“下次一定”？

在软件开发的世界里，代码安全扫描就像是体检，人人都知道重要，但真正能坚持下来的却寥寥无几。你是否也遇到过这样的场景：

上个月我接手一个老项目，提交 PR 前习惯性跑了下安全扫描，结果傻眼了：20+ 个 Critical 漏洞，30+ 个 High 风险。问之前的同事，答曰“知道啊，但是太多了不知道从哪修起，就先放着了”。

这种“安全债”的积累，往往源于流程的繁琐和重复：手动跑工具、分析报告、编写修复方案、起草 PR……每一步都需要耗费大量心力。当工具报告堆满屏幕，开发者很容易产生“算了，下次再说”的心理。

幸运的是，随着大模型（LLM）技术的飞速发展，我们有了更智能、更高效的自动化解决方案。本文将深入对比AI自动化领域的三大主流“武器”：传统 Prompt、Claude Skills 和 模型上下文协议（MCP），并以代码安全自动化为例，展示如何用它们彻底告别“下次一定”。

一、AI自动化三大武器：Skills vs. Prompt vs. MCP

在代码安全自动化场景中，我们期望AI能像一个经验丰富的安全工程师一样，接收指令、调用工具、分析结果并给出行动建议。实现这一目标，有三种主要的AI交互模式。

1. 传统 Prompt：一次性的“口头指令”

传统 Prompt 是最基础的交互方式。你将所有指令、背景信息、期望的输出格式，甚至工具的使用方法，一次性全部输入给大模型。

优点： 简单直接，无需任何配置，适用于一次性或临时的任务。
缺点：重复性高，每次执行相同任务都需要重新输入或复制粘贴长篇指令；上下文冗余，指令本身会占用大量的上下文窗口（Token），增加了成本和延迟；缺乏结构化，指令和逻辑混杂在一起，难以维护和迭代。

2. Claude Skills：固化的“作业指导书”

Claude Skills 是 Anthropic 推出的一种将复杂工作流固化、模块化的机制。你可以将一套完整的指令、工具调用脚本、输出格式等封装在一个 SKILL.md 文件中，并给它一个简洁的名称和描述。

Claude 在会话开始时只会读取 Skills 的名称和描述（几十个 Token），当用户的请求匹配到某个 Skill 时，才会加载完整的指令内容。

核心优势：持久化和复用。指令只需编写一次，就可以在 Claude.ai、Claude Code、API 等所有支持 Skills 的环境中使用。它通过延迟加载**机制，有效节省了上下文 Token，提高了效率。
在安全自动化中的体现： 将“检测项目类型 -> 运行 Bandit/Semgrep -> 解析 JSON 报告 -> 生成 Markdown 报告”这一复杂流程，固化为一个可随时调用的 security-scan 技能。

3. MCP（Model Context Protocol）：标准化的“外部协作”

MCP（Model Context Protocol，模型上下文协议）则代表了更宏大的愿景。它是一种标准化协议，旨在为大模型（LLM）与各种外部系统和工具之间建立双向、结构化的连接[1]。

MCP 的目标是让 LLM 能够像操作系统一样，通过统一的接口与 IDE、Git 仓库、数据库、外部 API 等进行高效、安全的交互。

核心优势：外部集成和标准化。它不局限于模型内部的指令，而是将模型的“手”伸向了外部世界，实现了真正的Agent-to-Tool和Agent-to-Agent协作。
与 Skills 的区别： Skills 是本地化、模型内的指令和脚本执行（在安全沙箱中），而 MCP 是外部化、跨系统的通信协议。在代码安全场景中，MCP 可以让 LLM 直接与公司的内部漏洞管理系统、代码仓库的 API 进行交互，而不仅仅是运行本地扫描脚本。

三者对比一览表

特性	传统 Prompt	Claude Skills	MCP (模型上下文协议)
本质	一次性指令	固化、模块化的工作流	标准化的外部通信协议
复用性	极低（每次需复制粘贴）	极高（一次编写，多处调用）	极高（通过协议连接外部系统）
上下文消耗	高（指令占用大量 Token）	低（通过描述触发，延迟加载）	低（通过结构化数据传输）
执行环境	模型内部推理	模型内部的安全沙箱（可执行代码）	外部系统和工具
适用场景	临时查询、简单任务	复杂、重复、需要本地工具的任务（如代码扫描）	跨系统协作、大规模集成、数据交互
安全风险	低（仅文本）	中（沙箱内执行代码，需注意权限）	中高（涉及外部系统访问和数据传输）

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

AI自动化三大武器概念对比

二、实战：用 Claude Skills 搭建代码安全自动化流水线

Skills 的出现，让代码安全自动化变得触手可及。它将繁琐的“跑工具、看报告”过程，简化为一句简单的“帮我检查代码安全”。

1. Skills 的工作原理

一个 Skills 的工作流是高度结构化的，确保了每次执行的稳定性和一致性。

在这里插入图片描述

2. 创建 Security Scan Skill

我们将“代码安全扫描、报告生成、PR 描述起草”这三个步骤固化为一个 security-scan Skill。

第一步：定义 Skill 结构

Skill 本质上是一个文件夹，包含一个核心文件 SKILL.md 和可选的辅助脚本。

~/.claude/skills/security-scan/├── SKILL.md          # 核心指令和逻辑└── scripts/    └── scan.sh       # 实际执行扫描的脚本

第二步：编写 SKILL.md (核心指令)

SKILL.md 的 YAML 头定义了 Skill 的触发条件，正文则详细指导 Claude 的行为。

---name: security-scandescription: Run security scans on code repositories and generate vulnerability reports. Use when user asks to check security, scan for vulnerabilities, or needs a security audit.---# Security Scan Skill## 你的职责帮用户执行代码安全扫描，整理漏洞报告，给出修复建议。## 工作流程1. **检测项目类型**：检查是否有 requirements.txt、go.mod 等文件。2. **运行扫描脚本**：执行 `scripts/scan.sh`，它会根据项目类型运行 Bandit、Semgrep、Trivy 等工具。3. **解析结果**：读取生成的 JSON 报告，按严重程度分类。4. **生成报告**：用 Markdown 格式整理结果，包括问题描述、风险和修复建议。## 报告格式示例 (节选)```markdown# 安全扫描报告## 🔴 Critical Issues### [Bandit] auth.py:45**问题**：使用了硬编码密码**风险**：密码可能被攻击者轻易获取**修复建议**：使用环境变量或密钥管理服务存储密码...

PR 描述模板

当用户需要创建 PR 时，使用以下模板：

## 🔒 Security Fix...### 修复内容- 移除了硬编码的敏感信息- 修复了 SQL 注入漏洞...
``````plaintext
**第三步：编写 `scripts/scan.sh` (工具调用)**这个脚本是 Skills 强大能力的核心，它在 Claude 的安全沙箱中执行，负责调用外部工具。```bash#!/bin/bash# ... (此处省略详细脚本内容，详见原始文档)# 脚本功能：检测 Python/Go 项目，调用 Bandit/pip-audit/gosec/Semgrep/Trivy 等工具，并将结果输出为 JSON 报告。# ...

3. 自动化实战：从“一键扫描”到“智能修复”

通过 Skills，整个流程被极大地简化，但同时保留了人机协作的灵活性，以应对真实世界中的复杂情况。

触发增量扫描： 开发者在本地修改了 user_api.py 和 db_utils.py 两个文件，准备提交 PR。他不需要全量扫描，只需在 Claude Code 中输入：“针对我本次修改的文件，跑一下安全扫描”。

Skills 内部逻辑：scan.sh 脚本通过 git diff 识别出变更文件，并只对这些文件执行 Semgrep 和 Bandit 的增量扫描。

AI 智能分析与误报处理： Claude 自动匹配 security-scan Skill，执行扫描并解析报告。

扫描结果： 发现 user_api.py 中存在一个 High 风险的 SQL 注入（Semgrep 报告），以及 tests/test_auth.py 中存在一个 Low 风险的硬编码密码（Bandit 报告）。
Claude 的输出： Claude 根据 Skill 中预设的“已知误报列表”规则（例如，忽略测试文件中的硬编码密码），自动过滤了 Low 风险的误报，只聚焦于真正的 High 风险问题。
报告摘要： Claude 输出结构化的报告摘要，重点突出 SQL 注入问题，并给出详细的修复建议（如使用 ORM 或参数化查询）。

人机协作修复： 开发者根据 Claude 的建议，在 user_api.py 中将字符串拼接改为参数化查询。
二次验证与 PR 起草： 修复完成后，开发者输入：“我已修复，请帮我验证并生成 PR 描述”。

二次验证： Claude 再次对 user_api.py 执行增量扫描，确认 SQL 注入问题已消失。
生成 PR： Claude 自动套用 Skill 中预设的 PR 模板，生成专业的提交信息，内容包括：修复了 High 风险的 SQL 注入问题、影响文件、验证方式（二次扫描通过）等，可以直接用于 Git 提交。

实战总结： 这种流程不再是简单的“工具调用”，而是AI驱动的智能工作流。Skills 负责固化流程、处理工具细节和过滤噪音，开发者只需专注于高价值的修复工作，极大地提高了安全修复的效率和准确性。

三、进阶思考：Skills 与 MCP 的未来融合

虽然 Skills 和 MCP 在设计理念上有所不同，但它们并非互斥，而是代表了 AI 自动化能力的两个维度：

Skills： 专注于本地化、模型内的复杂任务编排和工具调用。它解决了“如何高效、重复地执行一套固定流程”的问题。
MCP： 专注于外部化、跨系统的标准化数据和上下文传输。它解决了“如何让大模型安全、高效地与企业级系统集成”的问题。

在未来的代码安全自动化中，我们可以预见两者将深度融合：

Skills 作为执行单元： 一个高级的 Skill 可以被设计为“执行一次全栈安全审计”。
MCP 作为连接桥梁： 这个 Skill 不仅在本地沙箱中运行 Semgrep，还会通过 MCP 协议，将扫描结果实时同步到 Jira 缺陷管理系统、企业内部的知识库，甚至触发另一个 Agent（通过 A2A 协议）去通知安全团队。