Georgios Alexopoulos

LLM辅助代码审查易受上下文偏差攻击

研究人员发现LLM辅助代码审查系统存在重大漏洞，攻击者可以利用上下文偏差将漏洞重新引入软件。一项涉及六个LLM和两个流行工具Claude Code和CodeRabbit的研究表明，攻击者可以为拉取请求（pull request）制作特定的元数据来操纵LLM的安全判断。虽然基于模板的攻击无效，但一种新颖的LLM辅助细化攻击在97%的情况下成功，凸显了过度依赖自动化工具的风险以及持续需要人工监督。