Du hast die Zeile mit deinem API-Schlüssel gelöscht, doch das Notebook enthält ihn noch: in der Ausgabe der Zelle, die ihn ausgegeben hat, im Traceback mit postgresql://analyst:password@db, in den papermill-Parametern der Metadaten und in der .ipynb_checkpoints-Kopie. Dieser Skill findet solche Datenlecks und sieben weitere Notebook-Probleme, bevor die Datei auf GitHub, in einem Ticket oder bei Kaggle landet, und erklärt, wie du sie behebst.

Dein Agent führt einen Scanner für deine .ipynb-Dateien aus (nbformat 4 und 3 aus JupyterLab, Jupyter Notebook, VS Code, Colab, Kaggle und papermill, einschließlich .ipynb_checkpoints-Kopien). Er liest direkt das JSON des Notebooks: Code-, Markdown- und Raw-Zellen, jeden Ausgabetyp (stream, execute_result, display_data, error), Notebook- und Zellmetadaten sowie gespeicherte Widget-Zustände. Jeder Befund nennt die Zelle und die genaue Zeile der .ipynb-Datei. Er führt niemals das Notebook aus und startet keinen Kernel. Er liefert BLOCK, REVIEW oder NOT FLAGGED mit Datei, Zeile, Begründung und sichererem Vorgehen. Geheimnisse werden nie ausgegeben, E-Mail-Adressen und Telefonnummern lediglich gezählt.

Was geprüft wird

BLOCK (vor der Weitergabe beheben)

• N01: in Zellen hinterlegte Passwörter, API-Schlüssel und Tokens (Zuweisungen, api_key=-Argumente, %env, auth=-Tupel, Verbindungszeichenfolgen in %sql, Bearer-Tokens, Kaggle-Schlüssel, ghp_, sk-, AKIA, hf_ und andere bekannte Schlüsselformate, private Schlüssel)

• N02: in Ausgaben gespeicherte Geheimnisse (ausgegebene Schlüssel, Umgebungs-Dumps, env: NAME=value, Tracebacks mit einer Verbindungszeichenfolge)

• N03: Geheimnisse in Metadaten (papermill-Parameter, gespeicherte ipywidgets-Password-Werte)

REVIEW (vor der Veröffentlichung prüfen)

• N11: E-Mail-Adressen und Telefonnummern in gespeicherten Ausgaben

• N12: Installationen über pip, %pip und conda ohne genaue Version sowie git-URLs ohne Tag oder Commit

• N13: Downloads, die per Pipe an eine Shell oder Python übergeben werden (!curl ... | bash)

• N14: sehr große Ausgaben, eingebettete Bilder über 1 MB oder mehr als 5 MB gespeicherte Ausgaben

• N15: Benutzerordnerpfade (/Users/name, /home/name, C:\Users\name) in Code, Ausgaben und Metadaten

• N16: Zellen, die in falscher Reihenfolge ausgeführt wurden (abnehmende Ausführungszähler)

• N17: gespeicherte Fehler-Tracebacks

Das ist enthalten

• Der Scanner (Python 3.9+, ausschließlich Standardbibliothek)

• Ein Regelhandbuch mit Begründung und sichererem Vorgehen zu jeder Regel

• Ein riskantes und ein sicheres Beispielprojekt mit jeweils zwei Notebooks sowie der tatsächliche Scanner-Bericht zum riskanten Beispiel

Grenzen

Der Scanner liest die gespeicherte Notebook-Datei: Er erkennt keine Bildinhalte und liest weder Jupytext-Paardateien noch .env-Dateien oder Datendateien, die ein Notebook lädt. Geprüft werden Notebooks bis 20 MB; bei sehr großen Ausgaben werden nur die ersten 1.000.000 Zeichen nach Geheimnissen durchsucht. NOT FLAGGED ist keine Garantie.

Inhalt

Eine ZIP-Datei mit 11 Dateien: SKILL.md, der Scanner in scripts/ (4 Python-Dateien), references/rules.md (alle Regeln mit Begründung und sichererem Vorgehen) und examples/ (4 Beispieldateien plus report.md, die tatsächliche Scanner-Ausgabe zum riskanten Beispiel).

So funktioniert es: Dies ist ein Agenten-Skill: ein Ordner mit einer SKILL.md-Datei und Python-Skripten, die ein KI-Programmieragent wie Claude Code, Cursor oder Codex CLI ausführen kann. Entpacke das Archiv in den Skills-Ordner deines Agenten (für Claude Code: ~/.claude/skills/) und bitte deinen Agenten anschließend, dein Projekt zu prüfen. Die Skripte lassen sich auch eigenständig mit Python 3.9 oder neuer ausführen, ohne zusätzliche Installation. Sie lesen ausschließlich deine Dateien: kein Netzwerkzugriff, keine Datenübertragung.