该论文关注基于大语言模型（LLM）的代码审计器在 pull-request（PR）工作流中的可靠性问题。尽管这类审计器已被广泛集成，但其对跨仓库演进过程中分布式恶意更改的抵御能力仍缺乏系统研究。为此，作者提出了 PRWeaver 基准，包含从十个真实仓库中提取的 208 个经过执行验证的攻击实例，并为每个实例构造四种匹配的审查渲染方式，总计 832 个渲染。研究评估了三个 PR 审计代理与六个审计器-模型系统的组合。实验结果表明，将恶意更改拆分为独立提交仅能使检测率最多改变五个百分点，说明提交边界本身不是导致逃逸的关键因素；相比之下，在单个 PR 内部以 N=16 的粒度交错放置恶意代码可将检测率降低 5-13 个百分点，而通过连贯的载体融合（将良性变更与恶意载荷包装成一致的叙事）可进一步降低 10-18 个百分点。当审查窗口扩大到整个仓库历史（N=24）时，检测率降至 16-22%，远低于按 PR 独立审查时的 50-60%。这些发现表明，仅仅让审计器访问完整历史记录并不能有效防御隐蔽攻击；攻击者更可能在良性变更与恶意更改共同占据审计上下文时，或通过构造貌似合理的 PR 描述来掩盖异常 diff。该研究为 LLM 驱动的代码审计系统提供了首个系统性的对抗性评估框架，揭示了当前方法在长程、上下文融合攻击下的显著弱点。

本研究针对自主编码智能体（Autonomous Coding Agents）在代码生成过程中引入的安全债务（Security Debt）进行了大规模实证分析。随着AI驱动的编码工具日益普及，它们能够自动生成并提交拉取请求（PR），但由此产生的安全风险尚未得到系统评估。作者利用AIDev数据集，对3,022个由智能体生成的PR中的16,112个文件变更进行了研究，采用经过验证的LLM-as-a-Judge框架结合人工定性分析，分类统计了安全代码异味（Security Code Smells）。研究发现，38.9%的智能体生成PR至少包含一个安全异味，其中供应链完整性问题占所有检测到的安全异味的82.3%（如依赖注入、包篡改等）。更为关键的是，严重程度最高的安全异味中，硬编码凭证（如明文API密钥、密码）占比高达99.6%。进一步分析表明，在智能体辅助的工作流中，人类协作者实际引入了67.6%的真实机密泄露，而现有的自动和人工审查流程在集成前未能检测到81.1%的这类凭证。这些结果揭示了智能体辅助软件开发中存在的实质安全风险，并暗示开发者警惕性可能因依赖AI而下降。研究强调了在人类-AI协作点直接实施上下文感知的安全护栏（Context-Aware Security Guardrails）的迫切性。该工作为安全从业者理解LLM编码工具的风险提供了量化依据，并呼吁将安全审查机制前置。

该论文提出将代码审查作为在线安全研究的新方法，以解决传统编程任务耗时、成本高、样本量小的问题。作者招募自由职业开发者对密码存储代码片段进行代码审查，以评估其安全意识和行为。实验中，一半参与者被明确提示关注安全性，另一半未提示。结果显示，尽管开发者自认为对安全负有责任，但大多数人在代码审查中并未关注安全，近半数甚至希望发布有安全漏洞的代码。然而，安全提示显著提升了安全关注度。论文还将结果与先前使用编程任务的密码存储研究进行对比，讨论了代码审查方法的优劣。该研究为未来开发者安全研究提供了低成本、高效率的替代方案，适合研究人机交互安全、开发者行为和安全教育的学者阅读。