本文研究神经代码语言模型（CLM）在代码检索任务中的脆弱性，提出一种与编程语言无关、可迁移的对抗攻击方法。现有代码搜索引擎依赖CLM将自然语言查询与代码片段映射到同一向量空间，但这类模型容易被针对非功能性文本元素的对抗扰动所欺骗。作者的核心思路是：在不改变代码功能的前提下，扰动代码片段中的标识符（如变量名、函数名），使该片段在向量空间中与目标查询的语义表示异常对齐，从而让搜索引擎将任意不相关代码误判为高相关结果。攻击方法使用较小的开源嵌入模型（如CodeT5+）生成扰动，但实验证明该扰动可有效迁移到更大的闭源嵌入模型（如Voyage-code-3）以及大型语言模型（如Gemini-3.1-Pro）。在多个基准数据集上，该攻击能将先进检索模型的核心指标（如平均倒数排名MRR）最多降低77%，充分暴露了当前代码检索方法对表面文本特征的过度依赖。论文强调，现有检索系统的鲁棒性不足，亟需开发更具语义感知能力的检索机制。本文适合安全研究人员、代码检索系统开发者和LLM应用工程师阅读，以理解检索链路中潜在的对抗风险。