分析对象：https://clawhub.ai/retrodigio/skills/red-team

---

一、作者背景分析

retrodigio 是一个活跃的开发者/安全研究员：

项目	方向	备注
clawster	Agent 编排器 — 通过 Telegram 管理 Claude Code Agent 集群	最核心项目
claude-channel-slack ⭐2	Slack Channel 插件桥接 Claude Code	社区反馈最好
mjproxy ⭐1	自托管 MidJourney API Proxy	实用工具
letta-claude-proxy ⭐1	Letta Server 代理	AI infra
openclaw-skills	自定义 OpenClaw 技能仓库	本技能来源
claude-code-plugins	Claude Code 插件市场	生态贡献
gastown (private)	多 Agent 工作区管理器	可能是生产项目
ralph-tui (private)	TUI 工具	-

关键发现： retrodigio 聚焦在 Agent 编排 + Claude Code 生态 + 安全 交叉领域，和 FletcherFrimpong 可能是同一人或团队（两个 clawhub 账号分别在 fletcherfrimpong 和 retrodigio 下发布了同名 red-team skill，且 retrodigio 的 GitHub 于 2024-09 注册，较新）。

---

二、技能全景能力分析

2.1 核心定位

对抗式多 Agent 辩论引擎 — 让多个不同立场的 AI Agent 针对一个问题展开辩论，最终合成决策建议。

这不是传统意义上的安全测试工具，而是一个决策压力测试框架。

2.2 能力矩阵

能力维度	具体能力	实现方式
👤 角色模拟	12 个预设人格	PERSONAS 字典，每个设置独立的 system prompt
👤 角色模拟	自定义人格扩展	--custom-personas 加载 JSON
💬 多轮辩论	N 轮批评循环	Critique Round 1..N，每轮互相批评+修正
💬 多轮辩论	立场修正	每轮后根据批评调整
📊 量化评分	信心分数 (0-100)	每个 Agent 给所有立场打分
📊 量化评分	风险矩阵	合成阶段输出
📝 结构化输出	最终决策报告	执行摘要 + 共识点 + 分歧 + 风险 + 建议
🔌 多后端支持	Claude/Codex/Gemini CLI	3 种后端可切换
📁 上下文注入	上下文文件支持	--context-file 传入
🚀 快速模式	1 轮速查	--rounds 1

2.3 人格列表深度解析

人格键	名称	类型	典型场景
bull	The Bull	乐观派	产品发布、投资
bear	The Bear	风险防范	安全审计、风控
contrarian	The Contrarian	反向思考	破解群体思维
operator	The Operator	务实派	执行评估、落地分析
economist	The Economist	宏观视角	投资、战略
local-realist	The Local Realist	本地化视角	本地部署、区域性决策
cash-flow	The Cash Flow Analyst	财务视角	成本分析、ROI
regulator	The Regulator	合规视角	合规审计
technologist	The Technologist	技术视角	技术选型、架构评估
customer	The Customer	客户视角	产品、需求
ethicist	The Ethicist	伦理视角	AI 伦理、数据隐私
historian	The Historian	历史视角	借鉴历史模式

2.4 输出流程

Step 1: Initial Proposals
  ↓ 每个 Agent 独立给出初始立场
Step 2: Critique Rounds (x N)
  ↓ Agent 互相批评+修正立场
Step 3: Refinement
  ↓ 各 Agent 基于批评更新立场
Step 4: Conviction Scoring
  ↓ 每个 Agent 给所有立场打分
Step 5: Synthesis
  ↓ 合成最终决策报告

---

三、技术实现分析

3.1 架构

┌────────────────────────────────────┐
│    red-team.py (主引擎)             │
│                                     │
│  ┌─ 1. 加载 PERSONAS ──────────┐   │
│  │   (built-in + custom)       │   │
│  └─────────────────────────────┘   │
│                                     │
│  ┌─ 2. 调用 CLI 后端 ───────────┐  │
│  │   claude/codex/gemini --print │  │
│  │   通过 subprocess.Popen       │  │
│  └─────────────────────────────┘   │
│                                     │
│  ┌─ 3. 辩论循环 ────────────────┐  │
│  │   Round 1..N:                │  │
│  │   - 每个 Agent 读前一轮输出   │  │
│  │   - 输出批评/修正后立场       │  │
│  └─────────────────────────────┘   │
│                                     │
│  ┌─ 4. 合成器 ─────────────────┐   │
│  │   生成结构化 Markdown 报告   │   │
│  └─────────────────────────────┘   │
└────────────────────────────────────┘

3.2 依赖

• Python 3（标准库，无第三方依赖）
• claude CLI / codex CLI / gemini CLI（三选一）
• 通过 subprocess.Popen 调用 CLI 的 --print 模式获取纯文本输出

3.3 辩论机制

关键设计亮点：每个 Agent 可以看到其他 Agent 上一轮的输出，然后基于此展开批评和修正。这不是简单的"每人说一句"，而是：

1. Agent A 输出初始立场
2. Agent B 阅读 A 的立场，发表批评
3. Agent B 同时阅读自己的前一轮立场，进行自我修正
4. 裁判视角（最后一轮）检查所有辩论历史，给出最终裁定

---

四、适用场景分析

✅ 最适合

场景	为什么用	推荐人格
产品决策 “该不该上线这个功能？”	多视角压力测试	bull, bear, customer, operator
安全策略 “这个架构有什么隐患？”	攻击者+防守者对抗	bear, regulator, technologist
技术选型 “MySQL vs PostgreSQL？”	多维度评估	operator, economist, technologist
投资分析 “这笔投不投？”	财务+风险视角	bull, bear, cash-flow, economist
合规评估 “能通过 ISO 审计吗？”	法规+运营视角	regulator, operator, bear
战略方向 “该不该转型做 SaaS？”	宏观+历史视角	economist, historian, contrarian

❌ 不适合

• 简单事实性问题（“今天几号？”）
• 时间敏感紧急决策（“服务器挂了怎么办？”）
• 已经做出的决策（事后验证不叫压力测试）
• 纯个人情感选择

---

五、学习应用方案

Phase 1：快速上手（15 分钟）

# 1. 确认脚本存在
ls -la ~/.openclaw/workspace/skills/red-team/scripts/red-team.py

# 2. 列出所有人格
python3 ~/.openclaw/workspace/skills/red-team/scripts/red-team.py --list-personas

# 3. 跑一个快速测试（1 轮）
python3 ~/.openclaw/workspace/skills/red-team/scripts/red-team.py \
  -q "这台内网测试机需要修防火墙吗？" \
  -p "bull,bear,operator" \
  -r 1

⚠️ 需要安装 claude/codex/gemini CLI 后端。当前环境未安装，无法直接运行。建议先安装：

npm i -g @anthropic-ai/claude-code   # 或用 codex, gemini

Phase 2：实战场景模板（按领域）

场景 A — 服务器安全决策

python3 red-team.py \
  -q "10.36.72.118 当前安全基线评 3/10，紧急修复 NOPASSWD sudo 是否优先于防火墙？" \
  -p "bear,operator,regulator" \
  -r 2 \
  -o assessment/red-team-sudo-vs-firewall.md

场景 B — 产品 Go/No-Go

python3 red-team.py \
  -q "我们该不该把内部工具产品化推向市场？" \
  -p "bull,customer,operator,technologist" \
  -r 3 \
  -c product-context.md \
  -o decision/product-go-decision.md

场景 C — 技术架构评审

python3 red-team.py \
  -q "从单体迁移到微服务架构是否值得？" \
  -p "operator,economist,technologist,historian" \
  -r 2 \
  -c current-architecture.md

Phase 3：自定义人格（进阶）

{
  "pentester": {
    "name": "The Pentester",
    "description": "Security-first, finds vulnerabilities in every plan",
    "system": "You are The Pentester — you see every idea through a security lens. You identify attack vectors, data exposure risks, authentication flaws, and compliance gaps. You don't trust default assumptions about security."
  },
  "ops-engineer": {
    "name": "The Ops Engineer",
    "description": "Runtime reality check, maintenance burden",
    "system": "You are The Ops Engineer — you think about what happens AFTER deployment. Monitoring, logging, backups, incident response, on-call burden. You've seen too many systems that look good on paper but fall apart in production."
  }
}

Phase 4：与已有 skill 联动

已有 skill	联动方式
cyber-security-engineer	扫描结果作为 red-team 的 context，让 3 个 agent 辩论"应该先修哪个漏洞？"
github-research	搜索竞品/开源方案，结果作为 context 输入辩论
日常决策	Agent 自动将需要判断的问题提交 red-team 辩论

---

六、总结评价

维度	评分	说明
设计理念	⭐⭐⭐⭐⭐	多 Agent 对抗式辩论是决策质量的有效提升手段
实现质量	⭐⭐⭐⭐	Python 标准库无依赖，但依赖外部 CLI 后端
易用性	⭐⭐⭐⭐⭐	接口简洁，人格预配置齐全
扩展性	⭐⭐⭐⭐	自定义人格支持 JSON，但无法修改辩论流程
实用价值	⭐⭐⭐⭐⭐	安全决策、技术选型、合规评估都能用
当前可用性	⭐⭐	需要安装 claude/codex/gemini CLI 才能跑

一句话评价：一个设计优雅的多 Agent 决策压力测试框架，把"红队思维"从前沿安全领域带到通用决策场景。