Nate-Carroll-Cyber/AI-Threat-Modeling-Claude-Skill

AI-Threat-Modeling-Claude-Skill 是做什麼的？

針對代理式 AI（LLM/RAG/MCP/多代理系統）的分層式、基於證據閘控的安全性評估，使用 MAESTRO v2.0，並結合 SSRM 所有權與可選的 STRIDE/ATLAS/OWASP/NIST 對照。

概述

此技能提供一個結構化框架，用於對現代生成式 AI 與代理系統進行威脅建模與安全性評估。它強制實施一個以證據為基礎的流程，確保所有安全發現都有可驗證的證據支持，從而減少假陽性並提高審計能力。

主要功能

• 分層評估：系統性地從多個抽象層級（基礎設施、模型、應用程式、代理）檢查安全風險。
• 證據閘控：每個安全主張都必須有具體證據支持（例如日誌、程式碼片段、模型輸出），才能被視為有效。
• 多框架對照：可選將發現映射到 STRIDE、ATLAS、OWASP Top 10 for LLM 與 NIST AI RMF，以符合產業標準。
• SSRM 所有權：透過嚴格安全所有權模型 (SSRM) 為每個發現指派明確的擁有者與責任。
• 代理式 AI 焦點：專為 LLM、RAG 管道、MCP 整合與多代理協作環境設計。

使用方法

1. 初始化評估：為目標 AI 系統定義範圍與邊界。
2. 收集證據：蒐集必要的系統文件、架構圖、日誌與模型行為資料。
3. 執行威脅建模：使用 MAESTRO v2.0 方法論識別威脅。
4. 選擇對照：根據您組織的需求，選擇 STRIDE、ATLAS、OWASP 或 NIST 進行映射。
5. 指派所有權：透過 SSRM 為每個已驗證的威脅指派擁有者。
6. 生成報告：產出綜合性報告，包含證據、風險分級與補救建議。

支援的平台

此技能專為以下平台設計：

• Claude Code
• Cursor
• Codex
• 其他支援結構化技能文件的 AI 代理系統

要求

• 目標 AI 系統的架構與部署文件
• 系統與模型的行為日誌（若可用）
• 熟悉 MAESTRO v2.0 框架（此技能核心使用方法）

範例

# 使用 Claude Code 初始化評估
claude code --skill Nate-Carroll-Cyber/AI-Threat-Modeling-Claude-Skill \
  --target "path/to/system/docs" \
  --frameworks STRIDE,OWASP

貢獻

歡迎貢獻！請提出 Issue 或提交 Pull Request 來改善此技能。

授權

請參閱原始儲存庫中的授權檔案。