騰訊發佈CodeBuddy Security，用AI Agent實現更高效的代碼審計

2026年6月5日 09:013500 次瀏覽

重點摘要

在2026騰訊雲AI產業應用大會上，騰訊雲發佈了代碼安全產品CodeBuddy Security，融合AI深度審計引擎與靜態分析工具Xcheck，應對AI時代漏洞激增及傳統代碼審計瓶頸。儘管AI在漏洞挖掘領域取得突破，如某大模型公司發現隱藏27年的漏洞，但利用AI挖漏洞仍面臨多重挑戰。

站內 AI 整理稿

### 騰訊雲推出 CodeBuddy Security：以 AI Agent 翻轉程式碼審計流程

在 2026 年騰訊雲 AI 產業應用大會上，騰訊雲正式發表名為 CodeBuddy Security 的程式碼安全產品。這項工具結合了 AI 深度審計引擎與既有的靜態分析工具 Xcheck，旨在應對 AI 時代大量漏洞湧現，以及傳統程式碼審計流程效率不彰的雙重挑戰。CodeBuddy Security 定位為「AI Agent 驅動的審計助手」，試圖讓開發與安全團隊在更短時間內完成高品質的弱點掃描。

### 重點整理：AI 深度審計引擎 + Xcheck 的融合方案

CodeBuddy Security 的核心技術亮點在於將 AI 深度審計引擎與騰訊雲原有的靜態分析工具 Xcheck 整合。Xcheck 本身已能快速掃描常見弱點，但面對複雜邏輯或未知漏洞時容易遺漏。AI 深度審計引擎則利用大語言模型（LLM）的理解能力，模擬人工審計的思維過程，針對疑似漏洞進行二次驗證與誤報過濾。兩者協作後，不僅能提升漏洞發現率，還能大幅降低人工逐一排查的時間成本。

### 背景脈絡：傳統審計瓶頸與 AI 挖漏洞的現實挑戰

過去數年，隨著軟體開發節奏加快、開源套件廣泛使用，程式碼安全漏洞的數量持續攀升。傳統靜態分析工具雖然自動化程度高，卻常因過多誤報而讓安全人員疲於奔命；人工審計雖準確，但耗時且難以大規模執行。與此同時，AI 在漏洞挖掘領域雖有亮眼突破——例如曾有團隊利用大模型找出一個潛伏長達二十餘年的老舊漏洞——但實際應用仍面臨「幻覺」、缺乏領域知識、難以處理複雜控制流程等限制。CodeBuddy Security 正是試圖在自動化與準確性之間取得平衡。

### 可能影響：開發者與安全團隊的協作模式轉變

這項產品的推出，可能讓企業的安全營運模式產生變化。過去，安全工程師需要花費大量時間逐筆審視掃描報告，現在可以將重複性工作交由 AI Agent 處理，自身專注於高風險或關鍵路徑的深入分析。對開發者而言，CodeBuddy Security 能在合併請求（Pull Request）階段即時回饋安全建議，有助於將安全檢查向左移動（Shift Left），減少後期修補成本。同時，AI 審計引擎的加入也可能降低中小型團隊導入專業程式碼審計的門檻。

### 讀者可關注的後續：實際落地效果與生態整合

對於關注資安趨勢的讀者，後續有幾個值得追蹤的方向。首先，CodeBuddy Security 在真實專案中的誤報率與漏報率表現，是否真的優於純靜態分析工具或純 AI 方案。其次，它與既有 CI/CD 管線的整合程度，例如是否支援 GitLab、GitHub Actions 等主流平台。另外，騰訊雲是否會開放部分引擎供第三方工具串接，或是推出社群版本。最後，隨著 AI 模型持續迭代，這類產品能否跟上攻擊手法的演進，也將是長期觀察的重點。

原始來源：AIBase ↗

查看原始來源

TechWebAI Agent

網易有道全面向AI轉型全場景Agent矩陣亮相圖博會

{"id":"39ef5947-b77a-4904-bf03-ff6264f08dc4","object":"response","model":"deepseek-v4-flash","output":[],"stop_reason":"max_output_tokens","usage":{"input_tokens":154,"output_tokens":200,"total_tokens":354}}

剛剛閱讀分析

Hugging Face BlogAI Agent

MosaicLeaks: Can your research agent keep a secret?

Back to Articles MosaicLeaks: Can your research agent keep a secret? Enterprise Article Published June 18, 2026 Upvote - Alexander Gurung agurung Follow ServiceNow Rafael Pardinas rafapi-snow Follow ServiceNow TL;DR Deep research agents increasingly combine private local documents with external tools like web retrieval, creating a privacy risk: an agent's external queries may leak sensitive information. MosaicLeaks proposes a new deep-research task with multi-hop questions that interleave public and private information. Across the models we tested, agents frequently leaked private information, and training only for task performance made it worse. We propose a mosaic-leakage-aware RL training method, Privacy-Aware Deep Research (PA-DR), which raises strict chain success (the share of chains

17 小時前閱讀分析