本文针对Web应用程序漏洞修复过程中存在的关键挑战：漏洞定位困难、修复补丁可能引入新问题或修复不完整等。作者提出了一种结合上下文感知的故障定位（Context-Aware Fault Localization）与定向差异模糊测试（Directed Differential Fuzzing）的自动化漏洞修复方法。核心思想是：首先利用上下文信息（如函数调用关系、数据流、控制流以及相关变量定义和使用位置）来精准定位产生漏洞的缺陷代码位置，避免传统方法依赖粗粒度启发式或人工分析的低效与误报。随后，在修复建议生成阶段，采用定向差异模糊测试技术，将原始存在漏洞的程序与候选修复后的程序进行行为差异比较，以验证修复是否真正消除了漏洞，同时确保没有破坏原有功能。该方法旨在提高漏洞修复的准确性与自动化程度，减少人工介入。从标题推断，论文可能通过真实世界Web漏洞案例或基准测试集验证了所提方法的有效性，展示了故障定位的精确性和修复后程序的正确性。适合软件安全、漏洞挖掘与自动化修复方向的研究人员、安全工具开发者及Web应用维护者阅读。需要注意的是，当前仅依据论文标题生成摘要，具体实验细节、数据集和结果需查阅原文进一步确认。

本文提出了一种名为 AgenticRepair 的智能体漏洞修复框架，旨在自动化地从漏洞报告出发生成补丁，减少安全工程师的人工修复时间。作者指出，与通用程序修复相比，漏洞修复需要更丰富的程序上下文，而现有智能体方法未能充分利用这些上下文。具体而言，他们识别出三个关键缺口：代码结构上下文（跨文件数据流和内存操作模式）、运行时执行上下文（崩溃语义和内存来源）以及提交历史上下文（脆弱代码模式如何被引入）。AgenticRepair 通过多面程序上下文工程来弥补这些缺口，它协调三个专门的 LLM 子智能体分别构造上述三类上下文，并将这些上下文嵌入到一个专门的修复子智能体的记忆中，以实现上下文条件下的补丁合成。该方法在包含 300 个真实实例的 SEC-Bench 基准上进行了评估，并使用基于消毒器的补丁验证，取得了 73% 的成功率，显著超过最强基线 29 个百分点。消融实验证实三个上下文面相互补充，且多智能体脚手架和基础模型能力各自都起着关键作用。总体而言，这些发现确立了多面程序上下文工程作为智能体漏洞修复的一个有前景的设计方向。本文适合软件工程、程序修复和安全自动化领域的研究人员阅读。

本文是一篇系统化知识综述（SoK），旨在全面梳理自动化漏洞修复（Automated Vulnerability Repair, AVR）领域的研究进展。作者通过系统性文献回顾，收集并分析了近年来发表的AVR相关论文，将现有方法划分为基于规则、基于检索、基于模板和基于机器学习等主要类别。针对每一类别，论文详细讨论了其核心原理、典型代表系统（如GenProg、ACS、DeepRepair、SequenceR等）以及各自的优缺点，重点关注修复正确性、泛化能力、可解释性和性能开销。在评估方面，论文分析了常用基准数据集（如Defects4J、BugAID、ManyBugs等）的特性与局限性，指出当前评估协议存在不一致性问题（如缺陷选择偏差、修复标准差异），导致不同方法之间难以公平比较。此外，论文还探讨了AVR在实际应用中面临的挑战，包括程序语义理解、修复补丁的正确性验证、跨语言和跨项目迁移能力、以及对于复杂逻辑漏洞的修复能力。最后，作者提出了未来研究方向的建议，包括：利用大语言模型（LLM）增强代码理解与生成、结合形式化验证确保补丁正确性、构建统一评估平台，以及将AVR集成到DevOps流水线中实现持续安全。该综述为安全研究人员和工程实践者提供了清晰的现状概览和发展脉络，有助于指导后续研究与工具选型。

本文提出了一种基于根因驱动的自动化漏洞修复系统Kumushi。当前基于LLM的修复系统面临两个主要挑战：一是缺乏对bug来源的强信号，导致修复仅针对表面症状（如使测试通过）而未解决根本问题；二是根因定位本身困难，即使是熟悉代码库的开发者也常修复症状而非根因，LLM代理则因上下文噪声和程序理解不足而更差。Kumushi通过结合多样化动态故障定位与证据加权排序，将LLM聚焦于与缺陷最相关的代码，从而生成根因修复。为了严格评估补丁质量，作者还引入了双层补丁质量度量：结合自动化oracle验证与结构化专家评估。在178个C/C++漏洞上的实验表明，Kumushi在自动化评估中显著优于先前的专业修复代理，并与前沿商用编程代理性能相当。专家评估揭示了oracle无法区分的差异：Kumushi生成更多根因修复和更少表面补丁，在多数成对比较中被专家优先选择。这些结果表明自动漏洞修复的进步不仅需要更强的修复系统，还需要能区分真正修复与仅通过oracle的修复的更丰富评估方法。