本研究针对AI编程助手在自动选择、安装和配置软件时是否利用供应链安全信号的问题，进行了预注册的受控实证审计。背景是攻击者已通过伪造包名、入侵维护者账号、篡改仓库文本等方式利用助手的能力实施攻击；供应链社区为此发布了机器可验证的信任信号，包括软件物料清单（SBOM）、签名发布、构建来源证明和官方渠道声明。但编码助手是否读取或响应这些信号，在科研软件领域尚无系统测量。作者从87个项目语料库中选取6个开源科研软件项目（3个高性能计算、3个量子计算），为每个项目创建9种修改副本，分别覆盖：无信号、单一信号类、错误签发方的签名/证明、全部四种信号以及复现项目自身元数据冲突等情形。研究使用三个模型，在有无审批步骤两种操作方式下，记录1,920次注册试验的容器日志，并补充测试了三个前沿模型。结果显示，验证行为在所有条件下都极为罕见：1,920次试验中仅9次（0.5%）助手在安装前打开过任何来源信号，384次对照试验中0次，且没有一次试验运行验证命令；因此信号的存在对助手行为没有可测量的影响。研究还发现，更贵的模型并不会带来更好的验证（验证最多的一次成本为0.10美元，而能力最强、单次成本1.00美元的模型验证次数为零）。作者得出三点结论：发布信号是必要的但不充分；价格不能保证验证行为；必须将验证机制嵌入到运行助手的程序本身中。该研究公开了每次试验的成本记录、协议和全部日志，对AI供应链安全、软件工程实践和可信软件供应链研究具有重要参考价值。适合安全研究人员、AI助手开发者和科研软件维护者阅读。