Eine schlanke Web-Oberfläche für NVIDIA SkillSpector – prüft AI-Agent-Skills (Claude Code, Codex, MCP) auf Sicherheitsrisiken wie Prompt-Injection, Daten-Exfiltration, Supply-Chain-Probleme oder gefährlichen Code, bevor sie installiert werden.

Live: (hier deine Subdomain eintragen, z. B. https://skillspector.obraasch.de/)

Was macht das Tool?

Du gibst die URL eines Git-Repositorys (oder eine ZIP-Datei) mit einem AI-Agent-Skill an.
Im Hintergrund läuft skillspector scan – reine statische Analyse (Regex, Python-AST, YARA-Signaturen), optional ergänzt durch eine LLM-Bewertung der Dateiinhalte.
Du bekommst einen Risk Score (0–100) mit Einstufung SAFE / CAUTION / DO_NOT_INSTALL sowie eine Liste der gefundenen Probleme.

Der gescannte Skill wird dabei zu keinem Zeitpunkt ausgeführt.

Nutzung

Formular öffnen → Git-URL eintragen oder ZIP hochladen → "Scan starten". Fertig. Kein Account nötig (sofern der Betreiber den öffentlichen Modus aktiviert hat, siehe unten).

Selbst betreiben: Setup mit Gitea + Portainer

1. Repository klonen/forken

Dieses Repository enthält alles, was für ein eigenständiges Deployment nötig ist: Dockerfile, requirements.txt, app.py, docker-compose.yml.

2. Stack in Portainer anlegen

Stacks → Add stack → Build method: Repository
- Repository URL: die URL dieses Repos
- Reference: refs/heads/main
- Compose path: docker-compose.yml

Environment variables im Portainer-UI setzen (niemals ins Repo committen):

Variable	Zweck	Beispiel
`REQUIRE_AUTH`	`true` = privat mit Login, `false` = öffentlich ohne Login	`false`
`WEBUI_USER` / `WEBUI_PASSWORD`	Nur relevant wenn `REQUIRE_AUTH=true`	–
`HOST_PORT`	Host-Port, falls der Standard (8010) belegt ist	`8011`
`MAX_SCANS_PER_HOUR_PER_IP`	Rate-Limit pro IP	`10`
`MAX_CONCURRENT_SCANS`	Wie viele Scans gleichzeitig laufen dürfen	`2`
`ENABLE_LLM_OPTION`	Schaltet die LLM-Checkbox für Nutzer frei	`false`
`OPENROUTER_API_KEY`	Nur wenn `ENABLE_LLM_OPTION=true`	`sk-or-...`
`OPENROUTER_MODEL`	Modell-Slug bei OpenRouter	`anthropic/claude-sonnet-4.5`

Deploy the stack.

3. Port-Konflikt beheben ("bind: address already in use")

Diese Fehlermeldung heißt: Ein anderer Container/Prozess auf deinem Server belegt den Port bereits. Zwei Wege:

Anderen Port wählen (empfohlen): Umgebungsvariable HOST_PORT in Portainer setzen, z. B. 8010, 8011 … Der Compose-Datei ist das schon vorbereitet (127.0.0.1:${HOST_PORT:-8010}:8000).
Belegenden Prozess finden: auf dem Server sudo ss -tlnp | grep 8000 (oder docker ps – oft ist es ein anderer Stack, der ebenfalls Port 8000 nutzt).

4. Automatische Updates

Im Dockerfile ist SkillSpector ohne Versions-Pin installiert (git+https://github.com/NVIDIA/skillspector.git). Jeder Image-Rebuild holt also automatisch die aktuellste Version. Damit das regelmäßig passiert:

Stack öffnen → GitOps updates aktivieren
Mechanismus Polling, Intervall z. B. 24h
Force redeployment und Re-pull image aktivieren

→ Portainer baut das Image alle 24 h neu, auch ohne Änderung an diesem Repo, und zieht damit automatisch die neueste SkillSpector-Version.

Falls deine Portainer-Version das nicht anbietet: den Stack gelegentlich manuell über "Pull and redeploy" neu bauen.

LLM-Analyse über OpenRouter einrichten

SkillSpector unterstützt LLM-Analyse über jeden OpenAI-kompatiblen Endpunkt. OpenRouter ist genau das – daher funktioniert es mit:

SKILLSPECTOR_PROVIDER=openai
OPENAI_API_KEY=<dein-openrouter-key>
OPENAI_BASE_URL=https://openrouter.ai/api/v1
SKILLSPECTOR_MODEL=anthropic/claude-sonnet-4.5   # oder ein anderes Modell-Slug

Das ist im docker-compose.yml bereits vorbereitet (OPENROUTER_API_KEY / OPENROUTER_MODEL setzen, ENABLE_LLM_OPTION=true). Zwei Dinge zu beachten:

Kosten/Abuse: Ohne ENABLE_LLM_OPTION=true ist die LLM-Checkbox für Nutzer gar nicht sichtbar – dein OpenRouter-Guthaben ist also standardmäßig nicht angreifbar, selbst im öffentlichen Modus. Das Rate-Limit (MAX_SCANS_PER_HOUR_PER_IP) begrenzt zusätzlich, wie oft ein einzelner Nutzer die LLM-Analyse überhaupt anstoßen kann.
Nicht jedes Modell liefert zuverlässig strukturierte JSON-Antworten. Falls die LLM-Analyse mit einem Fehler abbricht, zuerst ein bekanntes, instruction-following-starkes Modell testen (z. B. ein aktuelles Claude- oder GPT-Modell über OpenRouter); im Zweifel bleibt --no-llm (Standard) immer als zuverlässiger Fallback.

Sicherheitsarchitektur

Container-Ebene (schützt deinen Server):

Kein Docker-Socket-Mount – der Container kann weder andere Container noch den Host steuern.
read_only: true – Root-Dateisystem unveränderlich, nur /tmp und das Scan-Verzeichnis sind flüchtiger RAM-Speicher (tmpfs).
cap_drop: ALL und no-new-privileges – keine erweiterten Linux-Rechte.
Ressourcenlimits (mem_limit, cpus) – ein hängender oder böswilliger Scan kann den restlichen Server nicht belasten.
Port nur auf 127.0.0.1 gebunden – öffentliche Erreichbarkeit ausschließlich über deinen Reverse Proxy (TLS, eigene Subdomain).

Anwendungs-Ebene (schützt vor Missbrauch durch Fremdnutzer, relevant seit öffentlichem Betrieb):

SSRF-Schutz: Ziel-URLs werden aufgelöst und abgelehnt, wenn sie auf private/interne/Loopback-Adressen zeigen (verhindert, dass jemand über das Formular dein internes Netzwerk abscannt).
Rate-Limiting: maximal MAX_SCANS_PER_HOUR_PER_IP Scans pro IP und Stunde.
Concurrency-Limit: maximal MAX_CONCURRENT_SCANS Scans gleichzeitig, weitere Anfragen werden abgewiesen statt den Server zu überlasten.
Zeitlimit je Scan (SCAN_TIMEOUT_SECONDS).
LLM-Analyse ist ein bewusstes Opt-in des Betreibers, nicht der Nutzer.
SkillSpector führt den gescannten Skill nie aus – nur statische Analyse plus optionale LLM-Bewertung von Dateiinhalten.
Jeder Scan läuft in einem eigenen, danach gelöschten Temp-Ordner. Nichts wird dauerhaft gespeichert.

Rechtliches für den öffentlichen Betrieb

Ein öffentlich erreichbares Angebot in Deutschland braucht ein Impressum (§ 5 DDG) und eine Datenschutzerklärung. Falls du dieses Tool wie deine anderen Werkzeuge über software.obraasch.de einbindest, kannst du die dort vorhandenen Vorlagen (impressum.html, datenschutz.html aus dem Software-Uebersicht-Repo) weiterverwenden und um einen Hinweis ergänzen, dass bei aktivierter LLM-Analyse Nutzereingaben an einen externen Anbieter (OpenRouter bzw. das dort gewählte Modell) übertragen werden. Die WebUI selbst weist Nutzer direkt im Formular darauf hin.

Diese Angaben sind nach bestem Wissen erstellt, ersetzen aber keine Rechtsberatung.

Lizenz

Dieser Web-Wrapper (Dockerfile, app.py, requirements.txt, docker-compose.yml, diese README) steht unter der MIT-Lizenz, siehe LICENSE.

Er installiert beim Bauen des Images das externe Paket SkillSpector (NVIDIA, Apache License 2.0) – siehe THIRD_PARTY_NOTICES.md. SkillSpector selbst ist nicht Teil dieses Repositories und bleibt vollständig unter der Lizenz des Originalprojekts.

Haftungsausschluss

Diese Software wird "wie sie ist" bereitgestellt, ohne jegliche Garantie. Ein niedriger Risk Score ist keine Sicherheitsgarantie – SkillSpector ist ein Hilfsmittel zur Risikoeinschätzung, keine vollständige Sicherheitsprüfung. Für gescannte Inhalte, die von Nutzern eingereicht werden, wird keine Verantwortung übernommen.

https://git.obraasch.de

Readme MIT

128 KiB

0 Stars 1 Watchers 0 Forks

README.md Unescape Escape

SkillSpector Web