使用 Agentic Coding 时如何保障代码安全？

1. 幽灵依赖风险

随着控制权从人类转移到 AI Agent，软件供应链安全面临新型威胁。腾讯玄武实验室在 2026 年 2 月发布的研究报告中提出了"幽灵依赖"概念，揭示了 Agentic Coding 模式下两类主要风险："版本幽灵"指 LLM 倾向于引入训练数据中高频出现的旧版组件，这些组件可能包含已知的高危漏洞；"名称幽灵"指 LLM 有概率编造出不存在的组件名，攻击者可以利用这种可预测的幻觉行为提前注册恶意包名进行定向投毒。实验表明，在特定复杂需求下，组件名幻觉的触发概率可达 40%。

2. 执行前钩子防御机制

为应对上述风险，需要在 AI Agent 做出决策之后、执行具体决策之前进行实时干预。基于 Pre-Execution Hooks 的防御架构可以在 Agent 试图写入依赖清单文件或执行安装命令之前触发审计流程，检测组件是否存在高危漏洞、组件名是否为幻觉产物、是否为已知恶意包。对于确认安全的操作直接放行，对于可修复的问题自动替换为安全版本，对于恶意风险直接阻断并告警。此类防护方案已在腾讯云 CodeBuddy Code 官方插件市场免费提供。

3. 多层次安全防护体系

除了执行前拦截外，还需要建立多层次的代码安全防护。在代码审查环节，应运行自动化安全扫描（SAST）和软件成分分析（SCA），对所有 AI 生成的代码 diff 进行安全审计。在 CI/CD 流水线中，配置依赖审计工具（如 npm audit、pip audit）自动检测已知 CVE 漏洞。对于 AI 生成的代码库，应进行专门的安全审计才能部署到生产环境，并生成软件物料清单（SBOM）以便追溯。此外，还应限制 AI Agent 的工具权限范围，避免授予过于宽泛的文件系统和命令执行权限。