OpenClaw: рост реестра навыков AI-агентов, управление и сканирование безопасности
После бума: рост, управление и сканирование безопасности в экосистеме навыков AI-агентов OpenClaw
Аннотация:AI-агенты всё чаще работают через навыки: инструкции на естественном языке, которые подсказывают хост-агенту, как выполнять действия в командной оболочке, сети, с учётными данными, файлами и процессами. Публичные реестры распространяют такие навыки с высокой скоростью — и именно здесь начинается не самая приятная часть истории. Для компании это вопрос доступа к её файлам, сети и учётным данным, поэтому в рабочем контуре навыки стоит ставить не «всё подряд»: подберём навыки OpenClaw под ваши задачи и запустим агента в изоляции с ограниченными правами.
В первой половине 2026 года OpenClaw быстро набрал популярность, а публичный каталог навыков вырос почти вдвое за 91 день. Большая часть записей, доступных в июне, появилась всего за два предыдущих месяца. К концу изучаемого периода темпы несколько снизились: ежемесячное число новых записей и активность основного репозитория оказались ниже весенних пиков.
Авторы проанализировали историю Git-репозитория OpenClaw, обращения и пул-реквесты на GitHub, а также три снимка реестра ClawHub. Внимание пользователей распределено крайне неравномерно: 10% самых востребованных навыков получили 46,93% всех загрузок. При этом ни размер навыка, ни число скачиваний сами по себе не стали устойчивыми предикторами того, сохранится ли запись в реестре после учёта времени создания и возраста навыка.
Человеческая проверка почти не прижилась. У 77,86% навыков нет ни оценок, ни комментариев, тогда как 85,06% доступных для чтения записей содержат признаки привилегированного доступа. Не слишком уютная картина. Автоматическая очистка тоже пока не даёт надёжной опоры: три сканера безопасности разошлись в оценках по 23 702 из 61 990 навыков, которые были обработаны каждым из них. После экспертной проверки взвешенная чувствительность сканеров относительно эталонной разметки составила от 21,67% до 61,06%.
Вывод авторов прямой: управление быстрорастущими реестрами навыков AI-агентов нельзя строить на простых метаданных или результатах одного сканера. Нужны воспроизводимые измерения, прозрачные правила и независимая валидация. Для компаний, внедряющих AI-агентов и автоматизацию, это означает необходимость закладывать контроль рисков уже на этапе проектирования: продумывать архитектуру AI-агентов, изолировать опасные операции и выстраивать безопасность AI-агентов как постоянный процесс, а не как проверку «на сдаче».
Доступ к статье
Главный вывод авторов переносится и на корпоративных агентов: одной оценки сканера мало, нужны собственные правила и независимая проверка. Если агенты уже работают с вашими данными, пропишем правила: что агенту разрешено, что требует вашего подтверждения и что пишется в журнал.