AI 代码审计的 3 个盲区：模型都会漏的那类洞

原创

奋斗的小浪
奋斗的小浪

船山信安

2026年10月31日 17:51
湖南

去阅读

AI安全 · AUDIT

AI 代码审计的 3 个盲区：模型都会漏的那类洞

别神话 LLM 审计。 practice 下来，有三类洞模型系统性漏掉：业务逻辑、跨文件数据流、配置/部署型。

这篇讲清楚它们长什么样，以及人怎么补位。

本文为 AI 辅助审计的方法论分享，案例均为通用示意，不涉及未修复系统的可利用细节。

0101 业务逻辑：模型看不懂「业务想干嘛」

很多高危问题不是代码写错，而是「流程设计就错了」。比如：改密流程只验短信码不验旧密码、提现额度在服务端没二次校验。模型读单函数看不出，因为它不知道业务规则。

业务逻辑漏洞的本质是「代码忠实地实现了错误的需求」。LLM 没有需求文档，就只能看到「代码自洽」，看不到「业务错位」。

补位靠威胁建模：先把「这个功能的正常规则是什么」写清楚，再逐条问「有没有办法绕过这条规则」。这一步目前只能人做。

0202 跨文件数据流：源头和终点不在一屏

A 文件接收输入，B 文件做处理，C 文件才进危险函数。模型一次只看一段，链就断了。这是它最容易漏的一类。

1解法：用 CodeQL / Semgrep 做跨文件污点追踪，先把「源→汇」路径画出来。

2再让 LLM 基于这条路径做「这段是否真的可达」的判断。

3人是最后一道：确认路径在真实配置下是否成立。

顺序很关键：先有路径，再有判断。直接让模型「找漏洞」，它只会看眼前这一段。

0303 配置与部署型：代码没错，环境错了

.env 里明文密钥、对象存储设为公开、K8s 的 allowPrivilegeEscalation 开着——这些根本不在代码里，模型扫源码自然看不见。

这类问题靠配置扫描，不靠代码审计

grep -rE 'AKIA[0-9A-Z]{16}' .   # 硬编码云密钥

tfsec / checkov               # IaC 安全扫描

所以代码审计之外，必须有独立的配置/基础设施扫描，否则「代码干净」不等于「部署安全」。

0404 工具组合才是答案

结论：LLM 是审计流水线的第一道筛子，不是终审。把它和静态分析、威胁建模、人工复核拼起来，覆盖率才上得去。

一个可落地的节奏：CodeQL/Semgrep 出路径 → LLM 判可达性 → 人做业务逻辑与配置复核 → 三类结果分别归档。既快又不漏大类。

参考来源

GitHub CodeQL 文档 — 污点追踪

Semgrep 文档 — 跨文件规则

OWASP — Threat Modeling / DevSecOps

MITRE CWE-20 — Improper Input Validation

本文为 AI 辅助代码审计的方法论分享。案例为通用示意，不涉及未修复系统的可利用细节或完整利用链。