Zum Hauptinhalt springen

ClawHub-Skills: Was mein GitHub-Mirror-Scan ergab

Meine Analyse eines öffentlichen ClawHub-GitHub-Mirrors meldet historische Scanner-Treffer. Die Stichprobe ist kein aktueller Marktbestand.

FHFinn Hillebrandt
KI-Tools
ClawHub-Skills: Was mein GitHub-Mirror-Scan ergab
Mit * gekennzeichnete Links sind Affiliate-Links. Kommt über solche Links ein Kauf zustande, bekommen wir eine Provision.

Du hast einen passenden ClawHub-Skill gefunden. Aber weißt du auch, welche Anweisungen und Skripte du dir damit auf den Rechner holst?

ClawHub ist das öffentliche Register für OpenClaw-Skills. Ein Skill ist ein versioniertes Paket mit einer SKILL.md und möglichen Begleitdateien. Die ClawHub-Dokumentation beschreibt automatische Prüfungen eingereichter Releases.

Das hat mich neugierig gemacht:

Wie sicher sind diese Skills? In meiner am 6. April 2026 veröffentlichten Auswertung habe ich 16.797 Einträge aus dem öffentlichen GitHub-Mirror mit einem regelbasierten Scanner untersucht. Bei 8.129 Einträgen blieb laut meiner Auswertung mindestens ein Treffer übrig.

Wichtiger Hinweis vorab:

Jeder Treffer müsste manuell geprüft werden, um echte Risiken von Fehlalarmen zu trennen.

Prüfe vor einer Installation den Auditstatus des konkreten Releases, seine angeforderten Berechtigungen und die enthaltenen Dateien.

TL;DRDas Wichtigste in Kürze
  • ClawHub ist das öffentliche Register für OpenClaw-Skills, also versionierte Pakete mit einer SKILL.md.
  • Meine Auswertung erfasste 16.797 Mirror-Einträge, bei 8.129 davon fand der Scanner mindestens ein Muster.
  • Der GitHub-Mirror war ein Snapshot, keine Abbildung heutiger ClawHub-Releases.

1. Was ist der ClawHub?

Der ClawHub ist der offizielle Marketplace für OpenClaw. Skills sind dort das, was Apps im App Store sind. Kleine Pakete, die OpenClaw um neue Fähigkeiten erweitern. Das kann ein PDF-Parser sein, ein Datenbank-Connector, ein Wrapper um eine externe API oder ein kompletter Workflow.

Die Installation ist denkbar einfach. Ein einziger Befehl im Terminal, und der Skill ist einsatzbereit. Genau das macht den ClawHub so attraktiv. Und gleichzeitig so riskant.

Die ClawHub-Dokumentation beschreibt Sicherheitsprüfungen für eingereichte Release-Artefakte und deren Auditstatus.

2. Die Methodik hinter der Analyse

Für den Scan nutzte ich den öffentlichen GitHub-Mirror (clawhub-skills-repo) statt eines vollständigen Downloads vom ClawHub-Marketplace. Rund 168 Skills lud ich direkt vom Marketplace herunter; weitere Abrufe scheiterten mit HTTP 429.

Die Auswertung wurde am 6. April 2026 veröffentlicht, den genauen Erhebungszeitpunkt kann ich nicht belegen. Rohdaten, Scannerregeln und Nachfilter liegen nicht mehr vor, deshalb lassen sich die Einzelwerte nicht reproduzieren.

Insgesamt ließen sich 16.797 Mirror-Einträge scannen. Der Mirror bildet einen zeitgebundenen Bestand ab. Später entfernte Skills konnten noch enthalten sein, neuere Skills fehlten.

Der Scanner ist ein deterministisches Werkzeug. Das bedeutet, er arbeitet mit festen Regeln (Regex und Heuristiken), kein LLM, keine Wahrscheinlichkeiten. Jede Zeile Code und jede Datei wird gegen eine Liste bekannter Risikomuster geprüft. Findet der Scanner ein Muster, legt er einen Treffer an, kategorisiert ihn und weist ihm einen Schweregrad zu.

Die Kategorien sind:

  • Supply Chain: unpinned pip/npm-Installationen, curl-to-bash, Package-Tampering
  • Datenexfiltration: SSH-Key-Zugriffe, hartcodierte Endpunkte, Browser-Daten-Zugriffe
  • Rechteausweitung: sudo, Capability-Missbrauch, Root-Ausführung
  • Persistenz: Cron-Jobs, Profile-Änderungen, CLAUDE.md-Writes
  • Destruktive Muster: rm -rf, shutil.rmtree, Massenlöschungen
  • Code Execution: eval, Shell-Pipes, Reverse Shells, unsichere Deserialisierung
  • Hardcoded Secrets: eingebettete API-Keys, Passwörter, Tokens
  • Prompt Injection: Versuche, Rollen oder Safety-Anweisungen zu überschreiben
  • Verschleierung: Homoglyphen, Unicode-Tricks, ungewöhnliche Encodings
  • SSRF, Sandbox Escape, Verdächtige Dateien, Ressourcen-Erschöpfung als weitere Kategorien

Zusätzlich habe ich einen Nachfilter verwendet, der bekannte Falschpositive entfernt. Treffer in Markdown-Codeblöcken (typische Tutorial-Beispiele wie curl-Kommandos), Homoglyphen in mehrsprachiger Dokumentation und HTTP-Beispiele in .md-Dateien werden ausgeblendet. Insgesamt hat der Nachfilter 261.451 Instanzen entfernt. Ohne ihn wären die Zahlen deutlich höher, aber auch deutlich unschärfer.

3. Die Ergebnisse im Überblick

Die Grafik zeigt die Verteilung der 16.797 Mirror-Einträge in meiner Auswertung.

Ohne Befund
51,6 %
Mit Sicherheitsbefund
48,4 %
Ohne Befund: 8.668 Skills
Mit Sicherheitsbefund: 8.129 Skills
Quelle: eigener Mirror-Scan, 06.04.2026
gradually.ai

Bei 8.129 von 16.797 Einträgen blieb mindestens ein Sicherheitsbefund übrig. Das sind 48,4 % der ausgewerteten Mirror-Stichprobe.

Bei den übrigen 51,6 % fand der Scanner mit seinen Regeln nach dem Nachfilter kein passendes Muster.

Insgesamt zählte ich 182.258 einzelne Trefferinstanzen. Ein Skill kann mehrere Treffer gleichzeitig beitragen. Deshalb können auch einzelne Publisher viele Treffer aufweisen, obwohl sie nur wenige Skills veröffentlicht haben.

Als „Kritisch“ klassifizierte der Scanner 26.807 Treffer, entsprechend 14,7 % aller Instanzen.

4. Verteilung der Schweregrade

Die Verteilung der Treffer nach Schweregrad:

Kritisch
26.807
Hoch
139.664
Mittel
15.787
Quelle: eigener Mirror-Scan, 06.04.2026
gradually.ai

Die Kategorie „Hoch“ umfasste 76,6 % der Treffer. Dazu zählten unter anderem Homoglyphen und unpinned Installationen.

„Kritisch“ umfasste 14,7 % beziehungsweise 26.807 Trefferinstanzen. Dazu zählten hartcodierte API-Keys, eingebettete Passwörter, Shell-Pipes mit eval und die Ausführung fremder Skripte über curl und bash.

„Mittel“ umfasste 8,7 % der Treffer, darunter bestimmte Dateizugriffe, Konfigurationsänderungen und Berechtigungsanfragen.

5. Die Bedrohungskategorien

Ich habe die Treffer in 13 Kategorien aufgeteilt. Die Grafiken zeigen sowohl den Anteil betroffener Skills als auch den Anteil an allen Trefferinstanzen.

5.1. Nach Anteil der betroffenen Skills

Die erste Grafik zeigt, welcher Anteil der 16.797 Mirror-Einträge mindestens einen Treffer je Kategorie hatte:

Supply Chain
21,4 %
Datenexfiltration
20,1 %
Rechteausweitung
12,1 %
Persistenz
9,7 %
Destruktive Muster
9,0 %
Code Execution
8,8 %
Verschleierung
6,8 %
Hardcoded Secrets
4,1 %
Prompt Injection
3,0 %
SSRF
2,4 %
Sandbox Escape
1,5 %
Verdächtige Dateien
0,6 %
Ressourcen-Erschöpfung
0,3 %
Quelle: eigener Mirror-Scan, 06.04.2026
gradually.ai

Supply Chain war mit 21,4 % die häufigste Kategorie. Die Treffer betrafen etwa unpinned Installationen, curl-to-bash oder Package-Tampering.

Datenexfiltration folgte mit 20,1 %. Die Muster betrafen etwa Zugriffe auf sensible Verzeichnisse, hartcodierte Endpunkte oder nicht erklärte Netzwerkoperationen.

Es folgten Rechteausweitung mit 12,1 %, Persistenz mit 9,7 % und destruktive Muster mit 9,0 %.

5.2. Nach Anteil an allen Trefferinstanzen

Die zweite Grafik ordnet Trefferinstanzen den Kategorien zu. Ein Skill kann mehrere Treffer beitragen:

Verschleierung
55,6 %
Datenexfiltration
17,3 %
Supply Chain
7,0 %
Rechteausweitung
5,9 %
Persistenz
3,9 %
Destruktive Muster
3,4 %
Code Execution
3,4 %
Hardcoded Secrets
1,3 %
Prompt Injection
0,7 %
SSRF
0,7 %
Sandbox Escape
0,6 %
Verdächtige Dateien
0,1 %
Ressourcen-Erschöpfung
0,0 %
Quelle: eigener Mirror-Scan, 06.04.2026
gradually.ai

Verschleierung machte 55,6 % der Trefferinstanzen aus. In 6,8 % der Mirror-Einträge fand ich mindestens ein Muster dieser Kategorie. Homoglyphen, Unicode-Tricks und ungewöhnliche Encodings können absichtliche Verschleierung oder mehrsprachige Dokumentation sein; der einzelne Fund braucht eine manuelle Prüfung.

Bei den Instanzen folgten Datenexfiltration mit 17,3 %, Supply Chain mit 7,0 %, Rechteausweitung mit 5,9 %, Persistenz mit 3,9 % und destruktive Muster mit 3,4 %.

6. Was die wichtigsten Kategorien bedeuten

Die folgenden Beispiele erklären, auf welche Muster die historischen Scanner-Kategorien reagierten.

6.1. Supply Chain (21,4 %)

Der Scanner markiert Installationsanweisungen, die ohne Versionsangabe auskommen. Also Befehle wie pip install requests statt pip install requests==2.31.0. Oder Shell-Pipes wie curl https://example.com/install.sh | bash. Solche Befehle sind in der Open-Source-Welt normal, aber sie haben einen Haken. Wird das Paket oder das Skript später kompromittiert, kompromittiert es auch jeden, der es neu installiert.

6.2. Datenexfiltration (20,1 %)

Hier geht es um Muster, die nach Datenabfluss aussehen können. Zugriffe auf ~/.ssh/, das Lesen von .env-Dateien, hartcodierte IP-Adressen wie http://127.0.0.1:8765 oder verdächtige HTTP-Anfragen an Endpunkte außerhalb der offiziellen Anbieter. Nach dem Nachfilter bleiben vor allem Treffer außerhalb von Markdown-Codeblöcken übrig.

6.3. Rechteausweitung (12,1 %)

Jedes Mal, wenn ein Skript mit sudo arbeitet, wenn es Root-Rechte anfordert oder wenn es Systemkonfigurationen ändert, landet das in dieser Kategorie. Das ist für Systemtools völlig normal. Ein Skill, der Pakete installiert, braucht oft sudo. Ein Skill, der nur PDFs parst, eigentlich nicht. Der Scanner kann den Unterschied nicht erkennen. Du aber schon, wenn du dir den Code anschaust.

6.4. Persistenz (9,7 %)

Persistenz bedeutet, dass sich ein Skill dauerhaft im System einnistet. Klassische Muster sind Cron-Jobs, Änderungen an Shell-Profiles (.bashrc, .zshrc) oder neue Einträge in Autostart-Verzeichnissen. Auch das Schreiben in CLAUDE.md-Dateien fällt in diese Kategorie. Persistenz ist nicht per se böse, aber sie sollte immer transparent sein.

6.5. Destruktive Muster (9,0 %)

Massenlöschungen mit rm -rf, shutil.rmtree oder vergleichbaren Befehlen. Manchmal ist das legitim (ein Cleanup-Skill muss nun mal löschen können). Manchmal ist es ein Unfall, der wartet zu passieren. Und im schlimmsten Fall ist es Absicht.

6.6. Code Execution (8,8 %)

Unsichere Ausführung von fremdem Code. eval(), exec(), unsichere Deserialisierung mit pickle, Reverse Shells, Shell-Pipes mit Nutzereingaben. Der Scanner kennt die typischen Muster und markiert sie. Im Zweifel bedeutet ein Treffer hier, dass du die Finger davon lassen solltest, bis du den Code verstanden hast.

7. Publisher mit den meisten Treffern im Mirror-Scan

In meiner Mirror-Stichprobe entfielen 37.978 Treffer auf den Publisher pepe276. Das sind 20,8 % der Treffer dieser Stichprobe. Die Tabelle ordnet die 20 Publisher mit den meisten Trefferinstanzen nach Gesamtzahl:

pepe276
Treffer gesamt
37.978
Kritisch
19
Hoch
37.948
Mittel
11
Scanner-Signal
Kritische Treffer
cooperun
Treffer gesamt
5.201
Kritisch
4.982
Hoch
192
Mittel
27
Scanner-Signal
Viele kritische Treffer
yuangu260
Treffer gesamt
4.582
Kritisch
26
Hoch
4.550
Mittel
6
Scanner-Signal
Kritische Treffer
jimliu
Treffer gesamt
4.575
Kritisch
6
Hoch
4.555
Mittel
14
Scanner-Signal
Kritische Treffer
ciklopentan
Treffer gesamt
4.235
Kritisch
2
Hoch
4.233
Mittel
0
Scanner-Signal
Kritische Treffer
keenone
Treffer gesamt
2.681
Kritisch
3
Hoch
2.677
Mittel
1
Scanner-Signal
Kritische Treffer
horosheff
Treffer gesamt
2.441
Kritisch
0
Hoch
2.440
Mittel
1
Scanner-Signal
Vorwiegend hohe Treffer
qiumr
Treffer gesamt
2.421
Kritisch
6
Hoch
2.412
Mittel
3
Scanner-Signal
Kritische Treffer
snail3d
Treffer gesamt
2.149
Kritisch
363
Hoch
1.650
Mittel
136
Scanner-Signal
Viele kritische Treffer
yoborlon-alpha
Treffer gesamt
2.059
Kritisch
1
Hoch
2.058
Mittel
0
Scanner-Signal
Kritische Treffer
deerleo
Treffer gesamt
1.687
Kritisch
8
Hoch
1.675
Mittel
4
Scanner-Signal
Kritische Treffer
keeper1978
Treffer gesamt
1.591
Kritisch
0
Hoch
1.591
Mittel
0
Scanner-Signal
Vorwiegend hohe Treffer
mirra87654321
Treffer gesamt
1.319
Kritisch
1
Hoch
1.318
Mittel
0
Scanner-Signal
Kritische Treffer
satoshistackalotto
Treffer gesamt
1.250
Kritisch
0
Hoch
1.250
Mittel
0
Scanner-Signal
Vorwiegend hohe Treffer
rsvbitrix
Treffer gesamt
1.230
Kritisch
1
Hoch
1.229
Mittel
0
Scanner-Signal
Kritische Treffer
h8kxrfp68z-lgtm
Treffer gesamt
1.161
Kritisch
6
Hoch
1.154
Mittel
1
Scanner-Signal
Kritische Treffer
mixx85
Treffer gesamt
1.041
Kritisch
25
Hoch
1.012
Mittel
4
Scanner-Signal
Kritische Treffer
chorus12
Treffer gesamt
1.008
Kritisch
0
Hoch
1.008
Mittel
0
Scanner-Signal
Vorwiegend hohe Treffer
s7cret
Treffer gesamt
950
Kritisch
0
Hoch
938
Mittel
12
Scanner-Signal
Vorwiegend hohe Treffer
offflinerpsy
Treffer gesamt
941
Kritisch
1
Hoch
938
Mittel
2
Scanner-Signal
Kritische Treffer

Die vollständige Aggregation umfasst 50 Publisher. Hohe Trefferzahlen können auf umfangreiche Dokumentation, viele Dateien oder tatsächliche Risikomuster zurückgehen und brauchen eine manuelle Prüfung.

Bei pepe276 entfielen fast alle Treffer auf die Stufe „Hoch“. Das kann aus vielen Skills oder umfangreichem Material entstehen.

Bei cooperun klassifizierte der Scanner 4.982 Treffer als kritisch. Das ist ein Grund, die konkreten Dateien und Befunde manuell zu prüfen.

8. Welche Muster filterte der Nachfilter?

Zur Reduktion erwartbarer Fehlalarme nutzte ich einen Nachfilter für drei Mustergruppen:

Homoglyphen (HG-001)
160.889
HTTP-Beispiele (SC-004)
54.034
Code in Markdown-Zäunen
46.528
Quelle: eigener Mirror-Scan, 06.04.2026
gradually.ai

Der Nachfilter entfernte in meiner Auswertung 261.451 Instanzen. Das waren mehr als die 182.258 Treffer, die nach dem Filter verblieben.

Homoglyphen in Markdown machten mit 160.889 entfernten Treffern den größten Anteil aus. Zeichen aus chinesischen, russischen oder arabischen Texten können dem Scanner als mögliche Verschleierung auffallen, obwohl sie mehrsprachige Dokumentation sein können.

HTTP-Beispiele in Dokumentationen machten 54.034 entfernte Treffer aus. Das Muster SC-004 erfasste API-Beispiele in .md-Dateien.

Code in Markdown-Zäunen machte 46.528 entfernte Treffer aus. Dazu gehörten Beispiele wie curl -X POST ... oder pip install tensorflow.

Ein Nachfilter kann echte Risiken in Codeblöcken übersehen. Bösartiger Code in einem Markdown-Block würde beim Entfernen der Treffer nicht mehr auffallen.

9. Was das für dich bedeutet

Keine Panik. Aber auch kein blindes Vertrauen. Die Zahlen sind ein Weckruf, kein Weltuntergang. Hier sind meine konkreten Empfehlungen, wenn du ClawHub-Skills nutzt:

  • Prüfe den Publisher. Ein verifizierter Status ist keine Sicherheitsgarantie. Berücksichtige Reputation, konkrete Version und Änderungsverlauf, statt einen Status allein als Vertrauensbeleg zu verwenden.
  • Lies die SKILL.md. Wenn du einen Skill wirklich brauchst, öffne die SKILL.md und die Skripte, die dort referenziert werden. Schau nach sudo-Befehlen, curl-Installationen, Zugriffen auf .ssh oder .env. Wenn du Code nicht verstehst, frag einen Kollegen oder lass ihn durch Claude oder ChatGPT erklären.
  • Nutze eine Sandbox. OpenClaw unterstützt eingeschränkte Berechtigungen. Gib einem Skill nur die Rechte, die er wirklich braucht. Keine Root-Rechte für einen PDF-Parser. Kein Netzwerkzugriff für einen Datei-Renamer.
  • Halte OpenClaw aktuell. Neue Versionen können Sicherheitskorrekturen enthalten. Prüfe die Release-Hinweise der OpenClaw-Version, die du verwendest.
  • Vermeide sensible Daten. Führe einen ungeprüften Skill nicht mit Produktiv-Zugangsdaten, API-Keys für Zahlungsdienstleister oder persönlichen Gesundheitsdaten aus. Prüfe vorab, auf welche Daten und Dienste er zugreifen kann.

Wenn dir Sicherheit wichtiger ist als Feature-Vielfalt, schau dir die sicheren OpenClaw-Alternativen an. Projekte wie OpenFang und IronClaw sind von Anfang an auf Security-First ausgelegt. Die Auswahl an Skills ist dort deutlich kleiner, aber die Qualitätskontrolle ist strenger.

10. Weitere Sicherheitsforschung zu Agent-Skills

Snyk berichtet in der ToxicSkills-Studie über eine Stichprobe von 3.984 Skills. Die Forschenden unterscheiden dabei zwischen Sicherheitsbefunden und bestätigten bösartigen Payloads:

  • 1.467 Skills (36,82 %) hatten mindestens einen Sicherheitsbefund
  • 534 Skills (13,4 %) hatten mindestens einen als kritisch eingestuften Befund
  • 76 bösartige Payloads wurden bestätigt
  • 8 der bestätigten bösartigen Skills waren zum Veröffentlichungszeitpunkt der Studie noch auf ClawHub verfügbar

Adversa hat parallel mit dem OpenClaw Security Guide 2026 einen Hardening-Leitfaden veröffentlicht. CVE-2026-25253 (One-Click-RCE über einen manipulierten Control-UI-Parameter, CVSS 8,8) wurde laut OpenClaw in Version 2026.1.29 gepatcht.

Was bleibt:

Ein automatisierter Auditstatus ersetzt nicht die Prüfung des konkreten Releases. Lies die SKILL.md, vergleiche angeforderte Berechtigungen mit dem beschriebenen Zweck und prüfe referenzierte Dateien, bevor du einen Skill installierst. Bei unklaren Zugriffen solltest du ihn isoliert und ohne echte Zugangsdaten testen.

Häufig gestellte Fragen

ClawHub ist das öffentliche Register für OpenClaw-Skills. Ein Skill ist ein versioniertes Textpaket mit einer SKILL.md und möglichen Begleitdateien. OpenClaw kann Skills aus ClawHub im aktiven Workspace installieren und aktualisieren.

Eine Gesamtzahl nennt ClawHub nicht. Die öffentliche Sicherheitsdokumentation zeigt Prüfstatus und Befunde nur für einzelne Releases. Der Status „Malicious“ bedeutet laut ClawHub, dass du den Release nicht installieren sollst. Andere Befunde sind Prüfsignale, kein Malware-Nachweis.

Nicht automatisch. ClawHub prüft Releases und zeigt Status und Befunde, aber ein „Pass“ ersetzt deine eigene Prüfung nicht. Bei „Malicious“ installierst du den Release nicht.

„Kritisch“ ist nur ein Schweregrad einzelner Befunde, „Mittel“ und „Hoch“ gibt es auch als Risikograd eines Releases. Der Risikograd beschreibt die mögliche Reichweite der angeforderten Befugnisse: „Mittel“ steht für relevante Zugriffe oder Datenänderungen, „Hoch“ für weitreichende Befugnisse, schwere Befunde oder bösartige Signale. Einzelne Befunde reichen von Info bis Kritisch, höhere Stufen fließen stärker in Risikograd und Prüfstatus ein. Konkrete Schwellenwerte veröffentlicht ClawHub nicht, ein Label ist deshalb kein Urteil über den ganzen Skill.

Lies vor der Installation Auditstatus, Risikograd und Befunde und vergleiche angeforderte Berechtigungen, Zugangsdaten und Umgebungsvariablen mit dem beschriebenen Zweck. Öffne die SKILL.md sowie referenzierte Dateien und Skripte und prüfe Publisher, Quelle und Version. Ein Status „Pass“ ersetzt deine Prüfung nicht. Bleibt unklar, was ein Skill ausführt, teste ihn isoliert und ohne echte Zugangsdaten.

Die einzelnen Schritte zur OpenClaw-Installation findest du in der Installationsanleitung.

Nach Trefferinstanzen führt Verschleierung. In meiner Mirror-Auswertung entfielen 55,6 % der Trefferinstanzen auf Verschleierung; bei 6,8 % der Einträge fand ich mindestens ein Muster dieser Kategorie. Dahinter können auch Homoglyphen in mehrsprachiger Dokumentation stecken. Nach betroffenen Skills war Supply Chain mit 21,4 % die häufigste Kategorie. Ein Skill kann mehrere Dateien und viele Treffer beitragen. Die ClawHub-Audits bewerten dagegen einzelne Releases.
FH

Finn Hillebrandt

KI-Experte & Blogger

Finn Hillebrandt ist der Gründer von Gradually AI, SEO- und KI-Experte. Er hilft Online-Unternehmern, ihre Prozesse und ihr Marketing mit KI zu vereinfachen und zu automatisieren. Finn teilt sein Wissen hier auf dem Blog in 50+ Fachartikeln sowie über den KI Business Club.

Erfahre mehr über Finn und das Team, folge Finn bei LinkedIn, tritt seiner Facebook-Gruppe zu ChatGPT, OpenAI & KI-Tools bei oder mache es wie 17.500+ andere und abonniere seinen KI-Newsletter mit Tipps, News und Angeboten rund um KI-Tools und Online-Business. Besuche auch seinen anderen Blog, Blogmojo, auf dem es um WordPress, Bloggen und SEO geht.