该论文针对 GitHub Copilot 这一人工智能代码补全工具所生成代码的安全性进行了系统评估。研究动机在于，随着开发者越来越多地使用大语言模型（LLM）辅助编写代码，其输出可能隐含安全漏洞，而开发者往往因信任或疏忽而直接采用。作者构建了一个包含常见漏洞场景（如缓冲区溢出、SQL注入、命令注入等）的基准测试集，通过向 Copilot 输入相关提示，分析其生成的代码中是否包含可被利用的弱点。实验在多种编程语言和风险场景下展开，重点考察了提示的措辞、上下文、开发者意图等因素对生成结果安全性的影响。研究发现，Copilot 在大约 40% 的情况下会生成易受攻击的代码，且在某些安全关键的上下文中（例如使用不安全函数时）失败率更高；同时，生成代码的漏洞类型与 CWE（常见弱点枚举）能够对应。论文还探讨了开发者过度信任此类工具的风险，并讨论了简单的缓解措施（如安全感知的提示工程）对降低漏洞率的有限效果。该工作为 AI 辅助编程的安全影响提供了实证基础，对安全研究者、AI 模型开发者以及广泛使用 Copilot 的软件工程团队均有参考价值。