本文研究如何利用轻量级本地大语言模型（LLM）进行软件漏洞检测，重点关注源代码输入表示对检测效果的影响。当前多数提示方法直接使用原始源代码，也有部分工作采用抽象语法树（AST）等结构化表示，但AST的冗长性显著增加了输入token数量，可能超出LLM上下文窗口限制。作者提出将行为树（BT）作为替代性的中间表示，并设计了一套预处理流程：先将Java源代码解析为AST，再转换为行为树。行为树以更紧凑的方式编码控制流、条件与可执行动作。实验在Juliet Java测试套件的460个样本上进行，比较了三种输入表示（原始源码、AST、行为树）的漏洞检测性能，使用单一量化本地模型Mistral Small 3.2 24B（Q4_K_M）。结果表明：对于短样本，行为树表示能提升召回率，而原始源码获得更高精确率；对于长样本，行为树相比原始表示提升了整体性能，且能适配上下文窗口，而许多AST表示则超出上下文限制。研究结论认为，行为树可为量化、本地可部署的LLM提供一种紧凑且有效的结构化源码表示，有助于在资源受限环境下提升漏洞检测能力。该工作为面向蓝队和代码安全分析工具的开发提供了新的表示思路。