本文关注一个日益现实的问题：基于大语言模型（LLM）的软件智能体正被用于自动化程序修复（APR），未来很可能在几乎没有人工干预的情况下自动修复缺陷。作者提出两个核心疑问：在无人监督的场景下，APR 智能体产出的代码是否同时具备功能正确性与安全性？如果攻击者向生产环境中的 APR 智能体提交看似普通、实则精心构造的缺陷描述（issue），诱导其生成「功能测试通过但并不安全」的补丁，会发生什么？为回答这些问题，作者开展了实证研究。首先构建了 SWEADV 基准：以 SWE-bench Verified 中的 150 个修复任务为基底，为每个任务生成 5 条对抗性 issue 描述，分别对应命令执行、反序列化、路径遍历、拒绝服务与弱哈希五类安全弱点，共 750 条样本。其次，作者用三种 LLM 后端（GPT-5-Mini、MiniMax-M2.5、DeepSeek-R）驱动 mini_swe APR 智能体，在 SWEADV 上做系统评测，发现平均有 51.7% 的案例中，对抗性 issue 描述既能成功完成修复、又同时引入了恶意行为。第三，作者进一步检验常规检测手段能否拦住这类恶意补丁：修复前用 LLM-as-judge 对对抗性 issue 描述做检测，平均准确率仅 62.3%；修复后对生成的补丁检测，静态分析工具的平均准确率只有 39.4%，LLM-as-judge 为 55.4%。据此，作者得出结论：当前自主 APR 智能体对对抗性攻击高度敏感，尚不具备生产环境部署的可信度，需要更稳健的检测与人工把关机制。