为什么 AI 生成的代码更容易引入安全风险？

1. 训练数据中的不安全模式被高频复现

大语言模型从公开代码库学习，而公开代码中包含大量不安全实现（如字符串拼接 SQL、弱加密算法）。当提示词未明确涉及安全时，模型倾向于输出统计上最常见、却未必最安全的实现，导致已知缺陷以更高频率进入代码库。

2. 默认选择最"省事"的实现路径

应用安全机构 Veracode 在覆盖 100 多个大语言模型、80 项编码任务的测试中发现，约 45% 的 AI 生成代码未能通过 OWASP Top 10 安全测试。研究指出，模型在"安全实现"与"不安全实现"之间选择时表现并不稳定，且这一问题并未随模型规模增大而显著改善——本质上是一种系统性偏差，而非偶然失误。

3. 缺乏业务上下文导致授权逻辑缺失

AI 生成的代码通常能通过语法检查并"看起来可运行"，却往往缺少对业务权限模型的理解。例如，接口能正确判断用户是否登录，却未校验该用户是否拥有所请求资源的归属权，这类越权与业务逻辑缺陷静态扫描难以发现，却正是高风险所在。

4. 规模化与高速交付放大已知风险

AI 编程工具以远高于人工的速度批量产出代码，使熟悉的缺陷以机器速度进入代码库，超出人工评审的覆盖能力。风险的关键不在于单处缺陷更严重，而在于已知、可管理的漏洞被系统性地规模化引入。