Veracode发布的替能暗《2025年GenAI代码安全报告》显示
，虽然GenAI擅长编写可运行的写代代码 ，但在45%的码但码情况下会引入安全漏洞，该报告分析了80个真实编程任务中100多个大语言模型(LLM)生成的近半代码 。

氛围编程

Veracode首席技术官延斯·韦斯林(Jens Wessling)表示：“氛围编程(vibe coding)的数代兴起，标志着软件开发方式的藏安根本转变。在氛围编程中，全漏开发者通常依赖AI生成代码 ，替能暗且不明确规定安全要求，写代这种趋势的码但码主要问题在于，免费模板开发者无需指定安全约束就能得到想要的近半代码，实际上是数代将安全编码决策交给了大语言模型。我们的藏安研究发现 ，GenAI模型近一半时间会做出错误选择，全漏且情况并未改善
。替能暗”

AI正助力攻击者更快地识别和利用安全漏洞，借助AI的工具可以大规模扫描系统、识别弱点，甚至只需极少的人工输入就能生成攻击代码，这降低了技术不足的攻击者的高防服务器准入门槛 ，提高了攻击的速度和复杂程度 ，对传统安全防御构成了威胁，不仅漏洞数量在增加，利用漏洞也变得更加容易 。

大语言模型在代码中引入大量安全漏洞

为评估AI生成代码的安全性  ，Veracode设计了80个编程任务，旨在暴露美国国家安全局下属的MITRE公司通用弱点枚举(CWE)系统定义的常见软件弱点 。每个任务都要求100多个大语言模型完成代码片段，并可选择安全或不安全的实现方式。

研究结果令人震惊：在所有测试案例中 ，亿华云45%的大语言模型生成的代码包含符合OWASP十大安全风险列表(最严重的Web应用程序安全风险列表)的漏洞。

某些编程语言的问题尤为突出 ，Java的失败率最高，大语言模型生成的代码超过70%存在安全缺陷 。Python 、C#和JavaScript紧随其后，失败率在38%至45%之间 。

大语言模型在应对特定类型漏洞时也表现不佳，86%的源码库代码样本未能防范跨站脚本攻击(CWE-80) ，88%的样本易受日志注入攻击(CWE-117)。

韦斯林说：“我们的研究表明，模型在准确编码方面有所进步 ，但在安全性方面并无改善。我们还发现 ，大型模型的表现并不显著优于小型模型 ，这表明这是一个系统性问题
，而非大语言模型扩展问题 。”

保障AI驱动的软件流程安全

虽然氛围编程等GenAI开发实践提高了生产效率，但也放大了风险。建站模板研究人员强调，组织需要建立风险管理程序，通过将代码质量检查和自动修复直接集成到开发工作流程中
，在漏洞进入生产环节前加以预防 。

随着组织越来越多地利用AI驱动的开发，Veracode建议采取以下积极措施确保安全：

• 将AI工具集成到开发者工作流程中，实时修复安全风险。

• 利用静态分析尽早自动检测缺陷，防止存在漏洞的代码进入开发流程。

• 将安全嵌入智能体工作流程中，实现策略合规自动化，确保AI智能体执行安全编码标准
。

• 使用软件成分分析(SCA)，确保AI生成的服务器租用代码不会引入第三方依赖项和开源组件中的漏洞。

• 采用AI驱动的修复指导，为开发者提供修复指令，并培训他们使用这些建议
。

• 部署防火墙，自动检测和阻止恶意软件包 、漏洞和策略违规行为 。