GitHub 推荐：6 个月 4.8K stars：把 MITRE ATT&CK 装进 Claude Skills，按需加载取代 prompt 注入

GitHub: https://github.com/snailsploit/claude-red

一句话总结

claude-red 把 78 份红队方法论拆成单文件 SKILL.md，用 YAML frontmatter 当 Claude Skills 系统的触发匹配锚点，按攻击面粒度按需加载——把 Claude 从「装满 prompt 的聊天框」变成「上下文感知的红队操作员」。

值得关注的理由

设计模式的可迁移性极强：frontmatter-as-trigger + 按需加载替代 prompt 注入，是把任何大型知识库接进 LLM 的通用范式，远超红队本身的范畴。
方法论栈纵深：作者把 AATMF 认知框架 / KubeRoast 实战 PoC / claude-red LLM 适配层三层产品联动，是「开源方法论 → 工程落地」的成熟样本。
行业锚点选择聪明：直接引用 MITRE ATT&CK / CWE / OWASP 编号，让 LLM 跨 skill 调用时自带行业语汇，比自造 taxonomy 强很多。
53% commits 来自 Claude 本人：本仓库本身就是「用 LLM 生成 LLM skill 库」的 dogfooding 案例，研究价值高。

项目展示

暗色赛博风的 hero 横幅，定位项目门面。仓库内除 banner 外没有更多截图素材（README 主要是命令式 Quickstart 与类别树）。

项目画像

维度	数据
GitHub	https://github.com/snailsploit/claude-red
Star / Fork / Watcher	4,781 / 632 / 39
代码行数	936 行真代码（JSON 64.5% / Python 27.2% / Shell 8.2%），但含 34,631 行 SKILL.md 文档
文件数量	87
项目年龄	6.4 个月（首次提交 2026-03-04）
最近提交	2026-08-29（近 30 天已停更）
开发阶段	低维护（9 月至今零 commit，5 月爆发期 + 8 月冲刺期之后进入间歇）
贡献模式	独立开发 + LLM 协作（53% commits 作者是 `Claude` 自动账号；Top1 SnailSploit 仅占 26.5%）
热度定位	中等偏上（4.8K stars / 6 月龄，月均近 750 star；fork/watch 比 16:1 → 工具型克隆而非长期关注型用户）
质量评级	代码 A / 文档 A+ / 测试 D / CI B / 错误处理 A

作者视角：为什么存在这个项目

创始人/作者背景

账号 SnailSploit | Kai Aizen，自报「GenAI Security Researcher & AI Red Teamer / AATMF / P.R.O.M.P.T / SEF 框架作者 / 97 CVE / 4 GHSA / 5 项 Linux 内核主线补丁」，Credits 含 Oracle / Kubernetes / Jenkins / Apache Airflow / IBM / Palo Alto / Red Hat / Broadcom / Apple。账号年龄近 5 年（2021-12 起），名下 49 个仓库，但 claude-red 是唯一高 Star 项目（4,781），其余多在 0–33 star——把流量与品牌全押在 claude-red 这一个项目上。团队规模 3 人（Kai Aizen、Sahar Shlichove、Avraham Shemesh），出版书 Adversarial Minds，运营 snailsploit.com 商业品牌。

问题判断

作者团队观察到：把超长 checklist 一次性塞进 Claude system prompt 后，实际有效密度低 + 攻击面切换需要人工重新粘贴 + 触发匹配没有显式锚点——这三点共同导致「Hacking Cheat Sheet」式的内容对 LLM 不友好。于是作者决定把方法论从「单文档」拆成「单文件一攻击面 + YAML frontmatter 触发语 + 按需加载」，让 Claude 在一次会话中只装载当前相关的 skill。

解法哲学

一文件一攻击面（one skill, one surface）：每个 SKILL.md 只覆盖一个细分面（如 offensive-krack-fragattacks 仅 114 行），可独立 git clone / sparse checkout / paste 到 claude.ai project。
按需加载替代 prompt 注入：description 字段作为 Claude Skills 系统的触发匹配锚点，会话中提到 SQLi 就自动装载 offensive-sqli，不调用时 0 token 占用。
显式授权边界写在 prompt 里：SECURITY.md + 每条 skill 的 description 末尾「Use when……authorized pentest / red team engagement」把伦理边界写进 LLM 自身上下文，靠 prompt 约束而非工具沙箱。
MITRE ATT&CK / CWE / OWASP 锚定：每条 skill 末尾 Key References 显式列出 Txxxx / CWE-xxx / OWASP 编号，方便 LLM 跨 skill 引用并对齐行业语汇。

战略意图

在作者 49 个仓库的 IP 矩阵中，claude-red 是「AI 红队操作员训练平台」的入口层；上层 AATMF 提供认知模型、Adversarial Minds 是知识付费层、KubeRoast 是 K8s 攻击 PoC 实例、snailsploit.com 是商业品牌（咨询 / 培训）。公司层产品矩阵呈现「方法论（AATMF） → 训练数据（offensive-checklist） → LLM 适配层（claude-red） → 实战 PoC (KubeRoast)」的漏斗——claude-red 是把上层方法论变现为「用户能立即用的工具」的关键适配器，也是最高 star 引流入口。

核心价值提炼

创新之处

frontmatter-as-trigger — 用 YAML frontmatter 的 description（50-500 字密化触发语）当 Claude Skills 系统的语义匹配锚点，把任意结构化文档转成 LLM-skills 的通用 pattern。新颖度 4/5，实用性 5/5，可迁移性 5/5。
按需加载替代 prompt 注入（Skill-Based Lazy Loading） — ~/.claude/skills/ 自动发现 + 触发匹配，闲置 skill 0 token。新颖度 4/5，实用性 5/5，可迁移性 5/5。
MITRE ATT&CK → Claude Skills 形态映射 — 把 ATT&CK 的 Txxxx / CWE-xxx / OWASP 编号写进每条 skill，让 LLM 跨 skill 调用时自带行业语汇。新颖度 4/5，实用性 4/5，可迁移性 3/5。
Engagement Cheatsheet 模式 — 每条 skill 末尾的「可被 Claude 直接吐出的最小操作序列」是对标 Atomic Red Team 但只到 TTP 描述层、不下实际 payload 的 LLM 适配。新颖度 3/5，实用性 4/5，可迁移性 4/5。
机器可读 manifest + 纯文档库 — 78 个 SKILL.md 是 source of truth，claude-skills.json（58KB）是 derived 索引，让第三方工具无需 grep Markdown 即可枚举。新颖度 3/5，实用性 4/5，可迁移性 5/5。

可复用的模式与技巧

Frontmatter-as-trigger：把 LLM skills 库的「触发匹配」问题用 YAML 元数据显式解决，可迁移到写作助手、合规审查、客服应答库等任意领域。
One-file-one-entity：单 Markdown 文件承载一个独立单元 + 文件夹名 = frontmatter name，最大化 git sparse-checkout 与 paste-to-project 的粒度。
Derived manifest：从 source of truth （Markdown）自动生成 JSON manifest，给站点/工具用——任何「文档集合 → 可枚举 API」场景适用。
Multi-channel install：git clone / sparse checkout / CLI pipe / paste / install.sh 五条路径覆盖所有 Claude 部署形态，是「同一内容多入口分发」的标准模式。
AI-drafted + human-reviewed skills：CONTRIBUTING.md 明文「AI-generated skills without operator review won’t be accepted」，配 PR 自动 review Action——任何「LLM 生成内容」开源协作可借鉴。
Mindmap + 覆盖率矩阵：MINDMAP.md 提供 Mermaid 思维导图 + OWASP/ATT&CK 覆盖率矩阵，是大型知识库的导航与完备性自检 pattern。

关键设计决策

决策：每个 skill 是单文件 SKILL.md，不是 Python 类也不是多文件包。
- 问题：78 个攻击面若用 Python 实现意味着大量依赖，且 LLM 实际只需要结构化文本。
- 方案：把 skill 写成带 YAML frontmatter 的 Markdown，一文件即一 skill。
- Trade-off：失去强类型 / 可测试性 / IDE 跳转支持；换来 git 友好 / 易于 sparse checkout / 0 运行时依赖。
- 可迁移性：高。
决策：维护 claude-skills.json 机器可读 manifest（78 entries）。
- 问题：第三方工具 / 站点需要枚举 skill，但 grep 78 个 SKILL.md 太慢且脆弱。
- 方案：tools/build_manifest.py（91 行 stdlib Python）扫一遍树，正则解析 frontmatter，输出紧凑 JSON。
- Trade-off：双份数据（SKILL.md 是 source of truth，manifest 是 derived），需手工跑才能更新。
- 可迁移性：中。
决策：提供 5 种安装路径：git clone 全量 / sparse checkout / CLI pipe / Claude.ai 粘贴 / install.sh。
- 问题：Claude Skills 系统的部署模型有差异（CLI、API、网页、PaaS），单一安装方式会卡死一部分用户。
- 方案：README 顶部 Quickstart 分四类列出；install.sh 支持 --target / --category / --dry-run / --list，fallback rsync → cp -r。
- Trade-off：维护 5 套入口文案 + 一个 shell 脚本；换来最大兼容面。
- 可迁移性：高。
决策：引入 tessl/skill-review-and-optimize 第三方 GitHub Action 做 PR 自动审查。
- 问题：78 个 skill 的人工 review 跟不上增长；LLM 生成 skill 已占 53% commits，质量参差。
- 方案：skill-preview.yml 在 PR 路径 **/SKILL.md 上自动跑；维护者通过 PR 评论 /apply-optimize 触发应用。
- Trade-off：引入第三方 SaaS（TESSL_API_TOKEN 必需 secret）。
- 可迁移性：中。
决策：不写运行时代码、不引入依赖、不打包到 PyPI（issue #26 反映发版不完善）。
- 问题：一旦变成 Python 包就涉及版本管理 / 签名 / 分发等大量 overhead。
- 方案：纯 Markdown 仓库 + 一个 91 行脚本 + 一个 shell 安装器；CI 只跑 CodeQL + 发版 stub。
- Trade-off：无 pip 可装，无 GitHub tag/release 与 CHANGELOG 对齐。
- 可迁移性：中（仅适合「纯文档 + 配置」类项目）。

竞品格局与定位

竞品对比矩阵

维度	claude-red	Agentic-Bug-Hunter	alirezarezvani/claude-skills	MITRE ATT&CK / Atomic Red Team
形态	78 份 SKILL.md 知识库	单 agent 全自动扫描工作流	380 份通用 skills 库	TTP 分类法 + 测试原子
触发	frontmatter 触发匹配	静态工作流编排	frontmatter 触发匹配	人工操作
覆盖面	攻击面专门化纵深	漏洞赏金自动化	编程 / 写作 / 产品通用	行业母框架
目标用户	授权红队操作员（人工决策）	漏洞猎人（自动化优先）	通用 Claude 用户	安全研究员（TTP 学术化）
安装路径	5 种（clone/sparse/paste/script/CLI）	跑 Python 进程	1-2 种	文档/脚本
行业锚点	MITRE / CWE / OWASP	较少引用	通用	自身即行业标准
MITRE 引用密度	高（每条 skill 末尾都标）	低	低	自身
GitHub Stars	4.8K	4.8K	25.9K	非 GitHub 仓库

差异化护城河

纵深 + 专门化：78 个 attack-surface-specific skills，无竞品有此密度。
作者品牌：SnailSploit 在 GenAI security 圈子的影响力（97 CVE / 4 GHSA / 5 项 Linux 内核主线补丁）。
方法论栈协同：AATMF / KubeRoast / claude-red 三层联动，互相引用。
行业锚点策略：直接用 MITRE / CWE / OWASP 当检索维度，跨 skill 引用自然。
AI dogfooding：53% commits 来自 Claude 本人，是研究「用 LLM 生成 LLM skills」的真实样本。

竞争风险

Anthropic Skills 系统变动：如果 frontmatter-as-trigger 机制失效，整个仓库的工程基础被动摇。
上下文窗口扩张：200K+ 上下文会逐步削弱「按需加载」的卖点。
GitHub 安全策略：issue #4（AV 引擎告警）+ #20（真实攻击者占位域）显示 GitHub 对「真实攻击载荷」敏感，可能被限流或下架。
人工 review 跟不上：53% LLM 生成 + 5 名贡献者中 1 位是 Claude 自动账号，质量参差会拖累品牌。

生态定位

在「LLM 安全工具」长尾中处于垂直纵深领导者。与「通用 Claude Skills」头部玩家（alirezarezvani 25.9K star）规模差距大，但切入「offensive / red team 专用」细分场景的直接竞品只有同体量的 Agentic-Bug-Hunter。最佳策略是继续深耕「AI red team operator」细分场景，不去抢通用生产力市场。对整个生态而言，claude-red 充当的是「MITRE ATT&CK 的 LLM-friendly adapter」角色，让分类法能直接驱动 AI 操作员，而非替代 ATT&CK。

套利机会分析

信息差：通用 Claude Skills 赛道竞争激烈（25K/15K star 级别），但「offensive / red team 专用」垂直纵深赛道的直接竞品只有同体量的 Agentic-Bug-Hunter，存在明确差异化窗口。但 4.8K star + 6 月龄说明红利已被锁住。
技术借鉴：
- frontmatter-as-trigger 是把任何 LLM skills 库接进 Claude 的通用范式——写作助手、合规审查、客服应答库都能直接套用。
- One-file-one-entity + derived manifest 是「文档集合 → 可枚举 API」的成熟 pattern。
- AI-drafted + human-reviewed 是「LLM 生成内容」开源协作的标准模板。
生态位：填补「LLM 可消费的领域方法论库」的空白——传统渗透笔记给「人」读，claude-red 给「LLM」读。
趋势判断：① Anthropic Skills 系统是新的原生分发渠道，frontmatter-as-trigger 红利期还很长；② 上下文窗口扩张是渐进的，按需加载仍有边际价值；③ 但「offensive + LLM」赛道的 GitHub 安全政策风险在上升。

风险与不足

维护已停滞：9 月至今零 commit，最近 60 天完全没有提交。开发阶段评估为「低维护」，虽然有 4 个 workflow 但缺乏持续迭代。
发版流水线不完善（issue #26）：PyPI 发版是 stub，CHANGELOG 有 v0.1.0/v0.2.0/v0.3.0 但 git tag 不对应。
示例载荷有合规风险（issue #20）：范例代码使用真实攻击者域名（如 attacker.com）作为占位符，存在被安全设备误触发的风险。
AV 引擎告警争议（issue #4）：exploit code 被终端防病毒引擎判作恶意载荷，传播到 end-user 机器上有用户体验问题。
平台对齐风险（issue #6）：Claude 对扫描/漏洞利用类指令有对齐/拒绝行为，需要作者做「拒绝规避式 prompt」，未来 Claude 对齐策略收紧会动摇项目基础。
测试覆盖为零：无单元测试 / 集成测试 / pytest，53% LLM 生成内容无自动化校验兜底。
5 个老 skill 仍用旧 ## Metadata 段落格式，未迁到 YAML frontmatter 标准。

行动建议

如果你要用它：仅限授权场景（红队演练 / Bug Bounty / 安全研究 / CTF 准备）。Clone 全量或 sparse checkout 都行；如果只想试一两个攻击面，用 install.sh --category web --dry-run 预览，再用 --target ~/.claude/skills/ 安装。注意：示例载荷使用真实攻击者域名占位符，跑前先评估误触发风险。
如果你要学它：重点关注 ① tools/build_manifest.py（frontmatter-as-trigger + derived manifest 模式的最简实现）；② 任意 1-2 个 SKILL.md（看 frontmatter description 字段的密化触发语怎么写）；③ install.sh（5 种安装路径的最佳实践）；④ MINDMAP.md（覆盖率自检 pattern）。
如果你要 fork 它：三个高价值方向：① 在 frontmatter 之外加 skill 间的依赖关系描述（如「执行 sqli 后建议用 offensive-data-exfiltration」），让 LLM 跨 skill 编排；② 给 install.sh 加 Windows 兼容层（目前仅 macOS/Linux）；③ 引入 fixture-based 单元测试——每个 skill 跑一遍 description 关键词命中模拟会话。

知识入口

资源	链接
DeepWiki	未收录
Zread.ai	未收录
关联论文	无（作者团队相关研究：Return-Oriented Prompting、Premise Collision、SKILBin、Self-Replicating Memory Worm、The 30% Blind Spot，详见 https://snailsploit.com）
在线 Demo	无（需本地 `git clone` 到 `~/.claude/skills/` 或粘贴到 claude.ai project）
关联书目	Adversarial Minds（作者团队自出版）