Veracode发布的替能暗《2025年GenAI代码安全报告》显示，虽然GenAI擅长编写可运行的写代代码，但在45%的码但码情况下会引入安全漏洞 ，该报告分析了80个真实编程任务中100多个大语言模型(LLM)生成的近半代码
。

Veracode首席技术官延斯·韦斯林(Jens Wessling)表示
：“氛围编程(vibe coding)的数代兴起，标志着软件开发方式的藏安根本转变。在氛围编程中，全漏开发者通常依赖AI生成代码 ，替能暗且不明确规定安全要求，写代这种趋势的码但码主要问题在于，源码库开发者无需指定安全约束就能得到想要的近半代码 ，实际上是数代将安全编码决策交给了大语言模型 。我们的藏安研究发现，GenAI模型近一半时间会做出错误选择，全漏且情况并未改善 。替能暗”

AI正助力攻击者更快地识别和利用安全漏洞 ，借助AI的工具可以大规模扫描系统、识别弱点，甚至只需极少的人工输入就能生成攻击代码 ，这降低了技术不足的攻击者的高防服务器准入门槛，提高了攻击的速度和复杂程度，对传统安全防御构成了威胁，不仅漏洞数量在增加，利用漏洞也变得更加容易。

为评估AI生成代码的安全性 ，Veracode设计了80个编程任务，旨在暴露美国国家安全局下属的MITRE公司通用弱点枚举(CWE)系统定义的常见软件弱点。每个任务都要求100多个大语言模型完成代码片段 ，并可选择安全或不安全的实现方式。

研究结果令人震惊 ：在所有测试案例中 ，香港云服务器45%的大语言模型生成的代码包含符合OWASP十大安全风险列表(最严重的Web应用程序安全风险列表)的漏洞。

某些编程语言的问题尤为突出 ，Java的失败率最高 ，大语言模型生成的代码超过70%存在安全缺陷。Python、C#和JavaScript紧随其后，失败率在38%至45%之间
 。

大语言模型在应对特定类型漏洞时也表现不佳，86%的建站模板代码样本未能防范跨站脚本攻击(CWE-80)，88%的样本易受日志注入攻击(CWE-117)。

韦斯林说：“我们的研究表明 ，模型在准确编码方面有所进步
，但在安全性方面并无改善 。我们还发现，大型模型的表现并不显著优于小型模型，这表明这是一个系统性问题
，而非大语言模型扩展问题。”

虽然氛围编程等GenAI开发实践提高了生产效率 ，但也放大了风险 。云计算研究人员强调，组织需要建立风险管理程序 ，通过将代码质量检查和自动修复直接集成到开发工作流程中，在漏洞进入生产环节前加以预防。

随着组织越来越多地利用AI驱动的开发 ，Veracode建议采取以下积极措施确保安全  ：

• 将AI工具集成到开发者工作流程中，实时修复安全风险。

• 利用静态分析尽早自动检测缺陷，防止存在漏洞的代码进入开发流程。

• 将安全嵌入智能体工作流程中，实现策略合规自动化，确保AI智能体执行安全编码标准 。

• 使用软件成分分析(SCA)，确保AI生成的免费模板代码不会引入第三方依赖项和开源组件中的漏洞。

• 采用AI驱动的修复指导，为开发者提供修复指令，并培训他们使用这些建议 。

• 部署防火墙，自动检测和阻止恶意软件包、漏洞和策略违规行为。