算法复杂度漏洞（ACV）是指攻击者通过精心构造的输入触发目标系统的最坏情况执行行为，导致严重性能退化或拒绝服务。现有ACV检测工具通常依赖模糊测试、符号执行或混合分析，但存在语言特异性、需要大量人工构建测试框架以及运行时插桩开销大等问题。本文提出ShadowProbe，一个可扩展且语言无关的ACV发现框架。其核心思路是：许多看似无害的标准库API隐藏了非平凡的计算成本（称为“影子复杂度”），攻击者可利用这些成本诱发意外的超线性运行行为。ShadowProbe采用多阶段流水线：首先通过轻量静态分析筛选候选函数，依据影子复杂度信号；然后从项目级符号自动重建最小可执行上下文；再借助大语言模型（LLM）合成尺寸可控的输入以探测最坏情况行为；最后通过执行时间测量和鲁棒统计增长推断来验证候选，区分真正的算法爆炸与运行时噪声（如垃圾回收、JIT编译效应）。在WISE基准测试上，ShadowProbe持续提升了分析效率。进一步将其应用于大规模系统，包括CPython、JDK、Zig、Rustc和vLLM，发现了许多先前未知的ACV，其中大部分已被维护者确认并部分修复。这些结果表明ShadowProbe能够在多样化的真实世界代码库中识别隐藏的算法风险。本文适合安全工程师、性能工程师以及关注软件供应链安全的开发人员阅读。