该论文提出了Antaeus，一个用于检测仓库级逻辑漏洞的框架，通过将LLM推理锚定在仓库级代码上下文中来克服现有方法的局限性。逻辑漏洞的识别需要推断应用特定的安全不变量和隐式假设，而现有基于LLM的检测器在内存安全等漏洞上表现良好，但难以处理逻辑漏洞，因为其安全不变量通常隐含在大量代码中。Antaeus采用仓库规模的处理流程，包括四个步骤：函数优先级排序（利用轻量级仓库级安全信号对函数进行排序，减少LLM调用成本）、上下文推理（结合本地代码上下文和仓库级视角，包括应用功能、安全资源和信任边界，推导安全条件）、比较验证（排除项目范围内的共同规范而非独有违规）和结构化报告（输出漏洞细节、违反的安全条件和证据）。在28个包含已确认逻辑漏洞的仓库上评估，Antaeus检测并解释了15个漏洞，在token使用和成本相当的情况下优于函数级和智能体基线模型。该工作为逻辑漏洞的自动化检测提供了新思路，适合安全研究人员和代码审计工具开发者关注。