该论文提出了一个名为 Secret Scanner Agent (SSA) 的多智能体大语言模型系统，旨在从非结构化的暴露文档（如电子邮件、聊天记录、工单、事件笔记）中提取泄漏的凭据及其关联的访问上下文（即“门”）。传统的秘密扫描器依赖正则表达式或训练分类器，在格式化代码上表现良好，但当凭据被碎片化、重新格式化或远离其解锁的资源时，难以有效工作，且仅报告秘密字符串而不指明其开启的资源。SSA 采用两个智能体协作：一个检测智能体优先保证高召回率，一个审查智能体负责过滤误报并恢复缺失的上下文。由于真实凭据数据敏感，研究团队在生成的合成基准上评估 SSA，涵盖 23 种秘密类型和多种文档格式，并通过程序匹配、LLM 裁判和人工审核的三步流水线评分。实验表明，跨六个模型，多智能体 SSA 相比单智能体变体提高了提取精度，尤其在门提取上提升了最多 16 个百分点。与正则表达式扫描器相比，SSA 的召回率提高了三倍以上，同时保持相当的精度；与十三名安全分析师相比，SSA 更精确，恢复的秘密-门对数量接近两倍，且速度快 5 至 17 倍。SSA 最终输出秘密、其对应的门以及支持证据，将凭据检测转化为可操作的发现，便于分类和修复。该工作为安全运营中的凭据泄漏检测提供了新的自动化方法，尤其适用于事件响应场景。