本文研究了AI编程助手生成的基础设施即代码（IaC）中存在的安全问题。以往研究大多关注AI生成代码的功能正确性，但对其安全性关注不足。作者指出，如果基础设施代码存在安全缺陷，会直接传播到部署的系统，导致不可信的基础设施。论文评估了16个AI模型生成Ansible角色（用于Apache Tomcat v10和MongoDB v7）的情况，共分析278个角色，并与CIS基准进行了比对。结果发现，在没有安全指导的情况下，所有16个模型生成的代码都存在安全味道（security smells），导致基础设施易受攻击、无法通过合规验证，且整体性能不如人类开发者编写的代码。为此，作者提出了一种新方法：通过扩展CO-STAR框架，将Ansible最佳实践和CIS基准整合到提示词中，使AI在代码生成阶段就能预防安全味道，而非在部署后再检测。应用该方法后，16个模型中有4个能够生成合规代码，其中表现最好的模型达到了95%-100%的CIS合规率，相比人类开发者的23%-43%提升了四倍，同时整体代码质量提升了19%-49%。其余12个模型失败的原因并非无法生成代码，而是无法遵循包含多重约束的指令。对于能力足够的模型，该方法无需重新训练，只需通过系统提示词即可采用。