SkillSpector: Escaneá las Skills de Agentes IA Antes de Instalarlas

1. ¿Qué es SkillSpector?

SkillSpector es un escáner de seguridad para skills de agentes IA: las carpetas de instrucciones y scripts que herramientas como Claude Code, Codex CLI o Gemini CLI cargan bajo demanda. Le pasás una skill (un directorio, un SKILL.md suelto, un zip o una URL de Git) y te devuelve vulnerabilidades, patrones maliciosos y un puntaje de riesgo de 0 a 100 con una recomendación de instalación. El proyecto lo publica NVIDIA bajo Apache-2.0 y está escrito en Python.

Datos leídos de la API de GitHub y del README el 2026-10-14. Las estrellas cambian a diario; el repo se creó en marzo de 2026.

El README dice que forma parte del pipeline Verified Skills de NVIDIA, que escanea, evalúa y firma skills de agentes antes de publicarlas. Ese contexto importa: nació como puerta de control para el catálogo de un publicador, y sirve igual como chequeo previo a la instalación para quien consume skills.

2. Cómo Funciona: Cuatro Pasos del Input al Veredicto

El README describe un pipeline de detección en dos etapas, envuelto por un paso de ingesta y uno de puntaje. Nada de eso ejecuta la skill: el modelo de confianza dice sin vueltas que nunca corre lo que escanea.

3. Qué Revisa: 17 Categorías de Riesgo en Skills

Esta es la taxonomía propia del README. Cada categoría tiene IDs de regla numerados (P1, E2, SC4, AST1, TT3…) que aparecen en reportes y baselines, así podés hablar de un hallazgo con precisión.

4. Quickstart: Verificado Contra el README el 2026-10-14

Cada comando de abajo está copiado del README del proyecto a día de hoy (Python 3.12+ según su badge). Acá los documento, no los ejecuto por vos: leé qué hace un instalador antes de correrlo, que es justamente el punto de este artículo.

uv tool install git+https://github.com/NVIDIA/skillspector.git

# Scan a local skill directory
skillspector scan ./my-skill/

# Scan a single SKILL.md file
skillspector scan ./SKILL.md

# Scan a Git repository
skillspector scan https://github.com/user/my-skill

# Scan a zip file
skillspector scan ./my-skill.zip

# JSON output - machine readable
skillspector scan ./my-skill/ --format json --output report.json

# Markdown output - for documentation
skillspector scan ./my-skill/ --format markdown --output report.md

# SARIF output - for CI/CD integration and IDE tooling
skillspector scan ./my-skill/ --format sarif --output report.sarif

docker build -t skillspector .
docker run --rm -v "$PWD:/scan" skillspector scan ./my-skill/ --no-llm

5. Llevalo a CI Antes de que las Skills de Terceros Lleguen a Tu Agente

El README presenta el exit code y la salida JSON como un contrato estable para pipelines de CI, puertas de instalación e integraciones con editores. No trae un snippet de GitHub Actions, así que el script de abajo es una composición mía a partir de flags documentados. No lo corrí: probalo primero en un repo descartable.

El flujo previo a la instalación que yo usaría

1. Paso 1 — Cuarentena: Nunca tires una skill de terceros directo en ~/.claude/skills/. Traela a un directorio temporal o dejá que SkillSpector descargue la URL de Git por su cuenta.
2. Paso 2 — Escaneá primero en estático: Corré con --no-llm para que nada salga de tu máquina. Sumá la etapa LLM solo para skills que podés compartir con un proveedor.
3. Paso 3 — Leé veredicto y cobertura: Revisá risk_assessment.recommendation y analysis_completeness.is_complete en el JSON. Los docs de NVIDIA dicen que un escaneo incompleto no es seguro de instalar, sea cual sea el puntaje.
4. Paso 4 — Revisión humana y recién ahí scope de proyecto: Una persona lee SKILL.md y cada script marcado; después la skill entra al repo, donde los cambios futuros aparecen en un pull request.

Gate de CI ilustrativo (compuesto con flags documentados, no copiado del README)

#!/usr/bin/env bash
# ci/scan-skills.sh - fail the build if a vendored skill is risky or unreadable
set -u

# Pin a release tag so scores do not drift between runs (uv accepts git refs after @)
uv tool install git+https://github.com/NVIDIA/skillspector.git@v2.12.0

mkdir -p reports
status=0
for d in .claude/skills/*/; do
  skillspector scan "$d" --no-llm \
    --fail-on-findings --fail-on-incomplete \
    --format sarif --output "reports/$(basename "$d").sarif" || status=1
done
exit $status

skillspector baseline ./my-skill/ -o .skillspector-baseline.yaml
skillspector scan ./my-skill/ --baseline .skillspector-baseline.yaml

6. Casos de Uso Que Valen la Pena

Cuatro lugares donde un escáner estático de skills justifica el tiempo de setup.

uv tool install 'skillspector[mcp] @ git+https://github.com/NVIDIA/skillspector.git'
claude mcp add skillspector -- skillspector mcp

7. Dónde Encaja: Escáner Antes, Sandbox Durante

El README es explícito: SkillSpector es defensa en profundidad, no un sandbox. Nunca ejecuta la skill y tampoco contiene una skill que instalás igual. Son dos controles distintos que responden dos preguntas distintas.

8. Cuándo No Confiar en Él: La Falsa Sensación de Seguridad

Un reporte limpio es la salida más peligrosa que produce esta herramienta, porque se siente como un permiso. La sección Limitations del README es corta y conviene tomarla literal.

Conclusión

SkillSpector se gana sus estrellas haciendo bien un trabajo poco glamoroso: convertir “¿esta skill es sospechosa?” de una corazonada en un chequeo repetible con IDs de regla, un puntaje y un exit code. Para quien instala skills de desconocidos, que en 2026 somos casi todos, vale diez minutos de setup.

Usalo como primer filtro, no como el último. Escaneá primero en estático, gateá por completitud, instalá en scope de proyecto y mantené un sandbox debajo de todo lo que ejecuta código. Si tus agentes ya traen skills de cualquier lado y nadie es dueño de esa auditoría, es el tipo de hueco que cierro en trabajos de rescate de proyectos.