“氛围编码”安全警钟长鸣！Last Secure Code 基准发布：前沿 Agent 仅 25.1% 生成代码同时兼顾功能与安全

核心背景与行业痛点

随着“氛围编码”（Vibe Coding）风靡全球软件研发领域，海量生产级业务代码正在由自主编程智能体根据自然语言需求直接生成并交付上线。然而，业界目前使用的代码评测基准（如 HumanEval、MBPP、SWE-bench）几乎百分之百以“单元测试是否全部跑通”作为唯一衡量尺度。在现实世界中，功能测试跑通的代码完全可能充斥着严重的远程代码执行、SQL 注入或内存越界访问漏洞。编程智能体在满足表面功能需求的同时，是否在背地里向代码库大批量埋入高危安全炸弹？这一致命隐患长期缺乏权威基准进行度量。

架构亮点与底层机制

针对软件供应链安全的巨大危机，来自新加坡国立大学与莫纳什大学等机构的研究团队正式发布了 Last Secure Code Benchmark：

1. 真实 CVE 漏洞镜像与多语言全覆盖：基于 150 个具有真实编号的生产级 CVE 历史漏洞，精心构建了 450 项深度工程任务，覆盖 Java、C、C++、JavaScript、Python、PHP、Go 七大主流工业语言；
2. 对齐高危缺陷目录：覆盖 24 类常见弱点枚举（CWE），其中包括 2025 年 CWE Top 25 中高达 21 项核心弱点，以及美国 CISA 已知被利用漏洞清单（KEV）Top 10 中的 8 项极高危漏洞；
3. 三大真实“氛围编码”场景：设计了函数级填空（Function Completion）、单文件重构与实现（File Generation）、以及全代码仓库从零搭建（Repository from Scratch）三种贴近工业开箱的工作流；
4. 零安全提示的双重盲审评测：任务要求中只字不提任何安全相关的字眼，完全模拟用户纯粹提功能需求的真实场景，后台通过隐蔽的“功能测试”与“安全攻防探针”进行双重严格打分。

权威 Benchmark 与实测跑分对比

在对六大前沿商用及开源编程 Agent 的残酷实测中，得出了触目惊心的评测数据：

• 功能假象极具欺骗性：所有前沿智能体在表面功能测试上均取得了 73.6% 至 91.3% 的极高通过率，极易让开发者误以为代码已完美达成目标；
• 安全合格率断崖式崩塌：在同时考核“功能通过且绝不引入安全漏洞”的双重铁律下，哪怕是最强的商业模型 Claude Fable 5，综合双合格率也仅仅只有 25.1%，其余前沿大模型更是低至 16.4% 至 24.7%；
• 全仓搭建防御力趋近于零：在从零构建仓库的复杂长程编码场景中，顶尖模型在全部漏洞情境下的安全合规率仅为 12%，证明代码越长、模块越多，Agent 越倾向于使用危险的不安全 API 与无防护字符串拼接。

开发者实战落地与开箱指南

Last Secure Code Benchmark 为狂热的“氛围编码”浪潮敲响了最高级别的安全警钟：

• 论文与评测套件研读：详细的任务 CWE 分布与自动化测试探针设计详见预印本（arXiv:2610.14766）；
• 落地动态静态双安全门禁：研发团队切勿将 AI Agent 生成的代码直接合入主分支，必须在 Git Hook 与 CI 流水线中强制接入 Semgrep、CodeQL 等 SAST 静态分析工具以及动态沙箱模糊测试；
• 强化安全上下文注入：在编写给 Agent 的系统提示词或自定义规则（如 Cursor Rules / Cline Rules）时，明确声明针对 CWE Top 25 常见模式（如参数化查询、严格输入白名单、边界越界防护）的强制编码规范。