本文提出 AutoTrace，一个基于智能体（agentic）的流水线，用于从漏洞修复补丁中定位触发器（trigger），即导致脆弱程序状态转变为具体不安全操作的语句。该问题比二元漏洞检测更难，因为答案需要跨过程（interprocedural）的因果推理：在大量真实CVE中，触发语句往往位于修补函数之外的多个调用层级，超出了静态规则集和模式匹配语言模型的能力范围。AutoTrace 通过逐层探索代码属性图（Code Property Graph），由LLM代理决定下一步搜索方向，同时使用确定性可接受门（admissibility gates）来确定报告触发器前需要哪些证据。代理从不自行接受触发器；每个报告的触发器都有来自图中显式证据的支持，因此该流水线既能覆盖过程内也能覆盖过程间的漏洞，而不依赖于无根据的模型判断。在完整的InterPVD基准上，AutoTrace达到了75.0%的VulnHit和80.8%的FuncHit，超越了先前最先进的方法。基于相同的机制，作者构建了SinkTrace-Bench数据集，该数据集将每个漏洞暴露为从攻击者可控输入到危险操作的源到汇（S2S）因果链，源自匹配的脆弱和修补程序状态。它包含1542个经过验证、完美平衡的脆弱/安全样本，标签保真度经过专家注释审核。对前沿LLM的基准测试表明，即使最强的模型也难以区分这些匹配对，暴露了触发器定位所针对的因果推理差距。论文提供了完整的工件，适合安全研究人员、漏洞缓解工程师以及AI辅助代码分析开发者阅读。