AI 代码安全审计面临的主要技术挑战有哪些？

1. 业务逻辑的语义理解难题

越权、逻辑缺陷高度依赖业务上下文，而模型缺乏对被审应用的领域知识与权限模型，难以稳定判断"某段逻辑是否符合业务预期"，仍是漏报高发区。

2. 误报与漏报的平衡

过度激进的扫描带来海量误报，消耗团队信任；过于保守又遗漏真实漏洞。在检出率与噪声之间找到工程可接受的平衡，是落地核心难题。

3. 幻觉依赖与供应链对抗

slopsquatting 等新型攻击利用模型的可预测幻觉，使"安装即中毒"成为现实威胁，对依赖真实性校验与供应链防御提出更高要求。

4. 大模型自身的不确定性

大模型输出存在随机性与版本漂移，同一模型不同版本、不同提示下的判定可能变化，给审计结果的一致性与可复现性带来挑战。

5. 数据安全与私有化约束

代码常含核心知识产权与敏感信息，企业要求审计过程不泄露源码，推动私有化、本地推理与数据不出域成为工程落地的重要约束。