该论文提出了一种名为 CLEAR (Causal Context-based Agentic Reasoning) 的新型多智能体漏洞检测框架，旨在解决现代软件漏洞检测中难以建模复杂因果依赖关系的问题。传统方法（包括基于大语言模型和多数多智能体框架）主要关注良性函数与漏洞函数之间的表面相似性，忽略了漏洞形成过程中涉及的执行流、控制条件、程序状态之间的因果链路。CLEAR 的核心创新是构建了一个漏洞因果知识图谱 (VCKG)，该图谱系统地建模漏洞实例中入口点、前置条件、根本原因和修复意图之间的因果链。基于 VCKG 的结构化知识，CLEAR 设计了四个专门化的智能体——Collector、Claim、Critic 和 Judge，它们协同工作，通过检索到的因果上下文对候选漏洞假设进行验证。实验基于 C/C++ 和 Java 漏洞基准测试，结果显示 CLEAR 在 Pair-Correct (P-C) 指标上相比最先进方法分别提升了 130.7% 和 71.56%，证明了因果知识图谱引导的智能体推理在自动化漏洞检测中的有效性。该研究主要面向软件安全研究人员、漏洞挖掘工具开发者以及大语言模型在安全领域应用的从业者，为其提供了一种将领域知识（因果图谱）与多智能体协作相结合的新思路。