本文旨在研究在 Kubernetes 集群安全修复中，为大型语言模型（LLM）提供运行时拓扑上下文是否能够显著提升生成补丁的正确性。研究背景是：云原生生态中 Kubernetes 成为容器化工作负载编排的核心，已有工作提出利用 LLM 自动化生成安全配置补丁，以响应 Kubernetes 安全态势管理（KSPM）平台的发现，而无需人工介入。然而，现有系统通常在提示模型时仅孤立地呈现每个安全发现，不结合实时服务调用图，默认模型具备通用加固知识即可生成正确补丁。这一假设在补丁需要保留模型不可见的运行时服务依赖时失效：一个看似合规的修复可能由于破坏服务间调用关系，导致下游调用者崩溃或静默切断跨集群的调用边，造成功能损坏。但将实时集群上下文纳入补丁生成是否能提升正确性，此前缺乏多依赖类别的受控量化评估。为此，作者提出了 KuTIE（Kubernetes Topology Intelligence Engine），它从 Istio 调用边、Trivy KSPM 发现以及工作负载读取的 ServiceAccount 绑定中构建实时集群上下文，并将这些上下文作为 LLM 补丁生成的条件输入。作者构建了 VulnCare 评估环境：一个包含 36 个部署、4 个命名空间的医疗类集群，在其中注入 31 个跨 7 个依赖类别的可修复发现，每个发现都根据集群真实情况标注了拓扑依赖程度。在 248 次试验中，拓扑上下文将拓扑相关补丁的正确率从 11.1% 提升到 78.0%（提升幅度 Δ=0.669），且这一提升在每一种测试模型和 7 个类别中的 6 个中均成立（例如凭证与网络策略类 Δ=0.95，RBAC 类 Δ=0.31）；而一个与拓扑无关的对照组没有表现出类似提升（Δ=0.0），从而排除了通用提示词增强的干扰。实验结论表明，提供实时服务调用图及其暴露的 ServiceAccount 绑定，能显著改善拓扑相关安全发现的自动修复质量，远优于仅依赖扫描器上下文的做法。该研究为云原生环境下 LLM 驱动的安全修复提供了新的设计方向，具有量化评估显著性。