GitHub秘密扫描减少75%误报的实战经验
深度GitHub2026年6月11日7 分钟阅读

GitHub联合微软安全与AI团队,在秘密扫描验证环节引入上下文感知的LLM推理,将客户确认的误报减少了75.76%,远超65%的目标。本文详细解读这一方法的核心思路:给模型“更好的上下文”而非“更多的上下文”,在不牺牲覆盖率的前提下大幅提升警报可信度。
觉得有用?分享给更多人

觉得有用?分享给更多人
Goodfire 推出一种新型 AI 智能体监控方案,通过探针读取模型内部激活信号而非重读输出,在 Kimi K3 测试中监控约 1500 次会话仅需 51 美元,远低于传统方案的 233 至 10000 美元,同时捕获 94% 的恶意黑客会话。该技术已通过 Baseten 向客户提供,针对开源模型缺乏安全护栏的问题。
作者把自己的 Azure 凭证交给编程 Agent,实测了鉴权、授权、权限范围和审计覆盖的真实状态。借来的凭证让审计日志只认人不认 Agent,还悄悄继承了人累积的组权限(而标准权限检查根本看不到这些)。即使换成配置规范的服务账号,问题依然存在:数据库无法区分调用者是谁。