本文提出 YuraScanner，一种利用大语言模型（LLM）进行任务驱动型 Web 应用安全扫描的新型框架。传统自动化扫描工具依赖预定义模板，覆盖率有限，且无法灵活应对复杂逻辑漏洞。YuraScanner 将扫描任务分解为多个子目标，由 LLM 驱动推理和决策，自动生成测试步骤、选择参数并判断响应。该方法采用模块化设计，包含任务规划器、动作执行器和响应分析器，通过提示工程引导 LLM 模拟安全分析师的思维过程。作者在多个真实世界 Web 应用上测试，结果显示 YuraScanner 成功发现了包括逻辑缺陷、权限绕过在内的多种漏洞类型，且比传统工具覆盖更多路径。实验还评估了不同 LLM 配置对效果的影响。该工作为提升自动化漏洞发现能力提供了新思路。