该论文首次系统性地探索了大型语言模型（LLM）在代码漏洞检测中受到认知启发（cognitive heuristics）影响的现象。作者设计了一个可控框架，保持代码本身不变，仅改变周围上下文来触发三种认知启发：晕轮效应（通过作者归属）、框架效应（通过任务目标和后果）和锚定效应（通过先前的分析结果）。在三种编程语言（可能包括C、Java、Python等）上评估了8个LLM（如GPT-4、LLaMA等），进行了定量和代码级分析。结果表明，所有模型均易受这些启发影响，其中框架效应的平均影响最高达33.2%，锚定效应23.5%，晕轮效应18.4%。代码级分析显示，需要语义推理才能检测的漏洞（如逻辑错误）比通过模式匹配可识别的漏洞（如语法错误）更容易受认知启发影响。此外，模型常常根据认知条件将代码从安全误判为脆弱，而并未准确识别实际漏洞。为了展示实际影响，作者演示了一种概念验证的黑盒认知攻击，能够抑制之前检测到的多达97%的漏洞。这些发现表明认知易感性是LLM漏洞检测中一致且可利用的属性。该研究对依赖LLM进行安全审计的开发者、安全分析师和AI安全研究者具有重要警示意义。