lint 不够用:AI 代码 61% 功能正确,只有 10.5% 安全
语法全对、类型齐全、f-string 写得很漂亮,SQL 注入就在里面。lint 停在哪,后面三层谁来接。
这段代码,任何 linter 都挑不出毛病:
def get_user_profile(username: str) -> dict:
query = f"SELECT * FROM users WHERE username = '{username}'"
return db.execute(query).fetchone()
语法合法、类型标注在、f-string 格式正确。它是一次 SQL 注入。
Sonar 的 Nicolas Peru 在 2026 年 4 月 27 日的文章里,用这个例子说明现代 linter 的边界:要发现它,必须把 username 识别为污点源(外部输入),追踪它经过 f-string 插值进入 db.execute() 这个污点汇,再判断这条路径上有没有参数化或净化——这套推理不属于"这一行看起来危不危险",而属于"不可信数据能不能经由任意调用序列抵达危险操作"。
文章的论点只有一句:lint 是必要的第一层,但它不是完整的验证。AI 辅助开发把风险沿三条轴同时推了出去,而这三条轴都不是 lint 能触及的。
TL;DR:这篇文章的三条结论
现代团队在 AI 辅助开发下需要的是多层验证,而不只是基础 lint:
- 多层验证引擎能通过控制流图发现语义层面的深层 bug,例如 SQL 注入;
- 自动化安全工具能缓解供应链风险,识别恶意包与硬编码密钥;
- 架构即代码(architecture-as-code)的强制手段能阻止 agent 生成啰嗦代码所带来的结构腐化与技术债。
变了的是前提,不是工具
AI 编码工具改掉了软件开发的一个基本假设。
当一个助手能在几秒钟内生成几百行合法、格式良好的代码时,"开发者写了它、也审了它"这句话已经不再描述真实发生的事。当一个 agent 能在一小时内跨服务边界改动 20 个文件时,"团队评审了这个 PR"的含义也变了。
风险轮廓同时沿三条轴移动:bug 更深了,攻击面更宽了,结构腐化更快了。而 linter 一条都管不了。
linter 做了什么,到哪里为止
linter 把源码解析成抽象语法树,然后对结构应用规则。规则本质上是模式匹配器:它们看见有哪些表达式、怎么嵌套,但对"代码跑起来会做什么"一无所知。
这个定位清晰且确实有用:它们能抓语法错误、未定义变量、未使用的 import、风格违规、简单的类型不匹配,跑起来是毫秒级。对于一个完全没做过静态分析的团队,装上 linter 立刻就有质量提升。
但 linter 没有程序执行的模型,没有"值如何在系统里流动"的表示,也没有能力推理"模块 B 的函数 A 把值传给模块 D 的函数 C 之后会发生什么"。这类分析需要一套分析模型:把程序行为建成图,再在图之上做数学推理。
多层代码验证引擎(作者指的是 SonarQube)就工作在这个数学推理层:语法模式匹配、控制流、数据流、污点分析,在同一个平台里覆盖。采用它的团队拿到的是"lint 作为其中一层的更深栈"。
lint 漏掉的三类风险
静态分析是一个光谱,lint 占据第一级。后面每一级之所以存在,都是因为前一级确实抓不到某些有后果的 bug 类别。
一、控制流分析。考虑一个函数:一个分支初始化了数据库连接,另一个分支没有,但两条路径之后都要用这个连接;或者某个条件恒为真,导致整个 else 分支成了死代码,悄悄藏起了它本该提供的逻辑。
linter 看到的是一条条语句,它不建模语句之间的关系。要检测这类问题,必须构建控制流图(CFG)——一张覆盖函数内所有可能执行路径的有向图,包括每个分支、循环、异常处理和提前返回。分析引擎沿每条路径走,判断变量是否在使用前初始化、条件是否可满足、所有分支是否可达。
CFG 能回答 lint 回答不了的问题:这段代码实际能做什么?AI 生成的代码尤其容易出现这类问题——冗余的 guard clause、不可能成立的条件组合、看起来合理但永远不执行的死分支。读起来很顺,行为却和预期不符。
二、数据流分析。更危险的一类 bug 出现在"哪条路径执行"不重要、而"数据在路径上发生了什么"才重要的时候。
考虑一个函数:拿到 user 对象,取出用户角色,过一遍格式化函数,然后用它拼一个文件路径。角色在抵达文件系统调用之前被校验过吗?答案取决于跨多个赋值和函数边界追踪这个值。
这就是数据流分析:构建数据流图(DFG),建模值如何在函数、文件、模块之间被赋值、变换、消费。没有它,你无法判断一个 null 会不会从失败的数据库查询一路传播到三次调用之后的崩溃,也无法判断两条并发路径操作的是同一份数据的陈旧副本还是新副本。
这类 bug 会造成生产事故,而它们在 AST 层面是不可见的——因为每个单独位置上的语法都完全合法。
三、污点分析。污点分析把数据流推理专门用于安全:引擎识别源(不可信数据进入的地方:HTTP 参数、文件内容、环境变量)与汇(数据被危险消费的地方:SQL 查询、shell 命令、文件系统操作),然后用图可达性算法判断是否存在一条从源到汇、且没有经过充分净化的执行路径。
这是形式意义上的数学推理:代码库被建模成图,图的性质被计算出来并与安全条件比对。问题不是"这行看起来危险吗",而是"不可信数据能不能经由任意调用序列抵达这个危险操作"。
那个 SQL 注入例子只需要一两步;真实场景不是。在一份公开的 OpenAPI Generator 分析里,SonarQube 追踪到一条污点流,用户可控数据跨多个文件传播了 28 个不同步骤才抵达危险的文件系统操作,最终发现了 CVE-2024-35219——一个任意文件读取与删除漏洞,CVSS 8.3。
没有任何 lint 规则、也没有任何现实的代码评审流程,能抓住一条 28 步的跨文件污点流。它需要对整个程序的模型做图遍历。
问题的规模可以量化。卡内基梅隆大学的一项研究(Zhao 等,2025)用 200 个取自开源项目的真实功能请求任务测试了一个 AI 编码 agent:61% 的解决方案功能正确,但只有 10.5% 是安全的。大约 80% 通过了行为测试的方案,仍然没通过安全测试,常见失败包括认证检查里的时序侧信道、允许篡改头部的重定向漏洞。
换句话说:功能正确与安全并不相关。能跑的代码不一定安全。AI 生成的代码能稳定通过 lint——它引入的漏洞是语义的,不是语法的。
即便回到 linter 也覆盖的语法与语义层,多层引擎还会覆盖常见 linter 不针对的类别:空指针解引用、资源泄漏(文件句柄、数据库连接、流在所有执行路径上都没关闭)、异常处理反模式(吞掉异常、过宽的 catch)、冗余逻辑(相同的 if/else 分支、恒真条件)。这些是需要对程序行为推理、而不只是对程序结构推理才能发现的 bug。
第二类:agent 时代的供应链安全
第二类风险不在团队写的代码里,而在它import 的代码里。
AI 助手会主动建议依赖,agent 会自主安装依赖,供应链攻击面因此扩大,而且趋势在加速。PyPI 和 npm 上的恶意包不再是稀有事件:抢注(typosquatting)、依赖混淆(dependency confusion)、安装即窃取凭证的包,已经成为生态的常态。
仅 2026 年 3 月:攻击者通过社会工程攻陷 Axios npm 包(周下载量超过 1 亿)的主要维护者,发布了会安装远程访问木马(RAT)的版本;就在几天前,PyPI 上的 LiteLLM(一个 AI 基础设施库)通过被污染的 CI/CD 管线被攻陷,从每个装过它的环境里窃取云凭证。
一个建议了错误包名的 AI 助手,或者一个把依赖解析到恶意 fork 的 agent,引入的漏洞靠分析项目自身代码是无论如何都抓不到的。问题不在你写的代码,而在你信任的代码。
针对这一层的手段(都在依赖层,不在源码层):
- 恶意包检测:基于 Open Source Security Foundation(OSSF)的恶意包数据集,当 PyPI / npm 依赖树里出现已知恶意包时,直接给阻断级(blocker)告警;
- 软件成分分析(SCA):把依赖映射到已知 CVE,把漏洞信息直接呈现在 IDE 与 CI 里,让开发者在做决定的那一刻看到风险,而不是几周后在一份单独的安全报告里;
- SBOM:面对欧盟《网络弹性法案》或美国关于软件供应链安全的行政令这类合规要求,SCA 也是生成软件物料清单的基础——一份越来越成为强制要求的、部署系统里每个组件的清单;
- 密钥检测:覆盖 450 多种 API key、token、凭证模式——这正是 agent 特别容易硬编码的东西;命令行工具可作为 pre-commit 钩子,把泄露的凭证挡在进入版本控制之前。
这一条对事件响应时间线的意义是:从"合并后扫描发现"变成"提交前就拦下"。
而这件事之所以重要,是因为 agent 驱动开发压缩了"加依赖"到"代码上线"之间的窗口。人类开发者加依赖时,通常有一瞬间的判断:这个包可信吗?agent 在一个更大的自主任务里加依赖时,这个判断环节可能根本不存在。所以验证必须自动化,而且必须发生在依赖层,不只是源码层。
第三类:架构理智与"AI slop"的复利成本
第三类风险最阴险,因为它不会以 bug 或漏洞的形式宣告自己,而是表现为:代码库逐渐变得复杂、越来越难改,直到 agent 自己也开始失败。
今天的 AI 助手在文件与会话之间是无状态的。它们会在代码库不同位置各自重新生成相似的逻辑,产出行为上有细微差别的近似重复实现;它们会在本应彼此独立的模块之间引入依赖,生成能通过 lint、但无法安全维护的深层嵌套控制流。
AI 代码质量领域的研究者把结果称为 comprehension debt(能跑但没人能理解的代码)与 context debt(实现忽略了已有模式,因为助手不知道它们存在)。
采用 agent 的团队对这个模式很熟悉:任务的前 80% 很快就做完了,紧接着架构不一致与复利技术债开始浮现;agent 进入"修好一个、弄坏另一个"的打地鼠循环,每次修复都带来新的不一致。
2026 年的一项基准研究(SlopCodeBench)把它形式化了:让 11 个编码 agent 做需求会随时间演进的迭代开发任务(也就是真实软件的样子)。结果:80% 的轨迹里质量退化;agent 生成的代码比人类代码啰嗦 2.2 倍;没有任何 agent 端到端解决任何一个问题。根因是中途从未发生对结构质量的验证——等到腐化肉眼可见时,拆解它的代价已经很高。
对应的手段是分层的:
- 认知复杂度打分(按人类可读性校准,而不是圈复杂度),标记那些已经复杂到无法安全修改的函数;
- 跨项目的 token 级重复检测,抓 agent 产出的近似重复实现,即使变量名不同;
- 技术债比率(TDR),把修复成本表达为开发成本的百分比,让看不见的腐化变得可量化;
- 架构管理:团队把目标架构写成代码——声明组件与允许的依赖,系统再从代码库反向推导实际组件关系、检测违规(代码漂移出设计的地方)。这些违规会作为可维护性问题出现在质量门里,也就是说架构漂移会像漏洞一样拦住 PR。目前支持 Java、JavaScript、TypeScript、Python 和 C#。
这在 agent 工作流里尤其有价值:一个改 20 个文件的 agent,除非架构边界被程序化地强制,否则它根本不知道边界存在。架构即代码让预期结构变成机器可读、可在 agent 每一步验证的东西,而不只是在最后验证。否则就是几百个 agent 提交之后才发现模块边界已经溶成了一个谁也改不动的单体。
质量门(quality gate)把这些能力串成可操作的流程:定义"合并前必须满足"的条件——零新增漏洞、零未评审的安全热点、零架构违规、重复率低于阈值。团队对存量问题做明确决策,同时保证新代码达到既定标准。在 agent 工作流里,质量门就是那个改到第 14 个文件时注意力也不会散的自动评审者。
核心区分:不是同一份工作
linter 与多层验证引擎不在争同一份工作。
linter 是语法质量的对的工具:对格式、风格、明显反模式的快速反馈。它之所以快,恰恰是因为它不建程序执行模型;它之所以受限,也是同一个原因。它是必要的第一层,但不完整。
AI 辅助与 agent 驱动的开发,把风险推到了 lint 够不到的三个方向:
- bug 更深:跨文件、跨函数的语义漏洞,在语法层面不可见,只能通过对程序图做数学推理发现;
- 攻击面更宽:恶意包、泄露的密钥、有漏洞的依赖——agent 在没有人类判断的情况下引入;
- 结构腐化更快:架构漂移、复利式重复、以生成为速度累积的复杂度,直到代码库抵抗任何进一步修改。
这种深度的分析是否必要,取决于你的代码库、团队与风险容忍度。但对在生产系统里大规模部署 AI 工具的团队来说,问题已经不是"lint 够不够",而是"这些缺口多快会暴露出来"。
我们的整理:四层检查,各管一段
先把立场说清楚:这是一篇厂商文章(Sonar 的 SVP 讲自家平台能力),"多层验证必须买商业引擎"这个结论要打折听。但它的分层框架与引用数据是第三方可核的,这部分值得直接拿走。
按"能自动跑"到"要人判断"重排成四层,并给出开源可替代方案:
| 层 | 抓什么 | 开源/低成本做法 | 商业引擎多出来的部分 |
|---|---|---|---|
| 1 语法与风格 | 未使用变量、格式、命名、复杂度阈值 | ESLint / ruff / 类型检查 | 更全的规则库与预设 |
| 2 控制流与数据流 | 未初始化就使用、死分支、null 传播 | 部分由类型系统与 -strict 覆盖;专门工具覆盖有限 |
CFG/DFG 建模,覆盖跨函数跨文件 |
| 3 污点与安全 | SQL 注入、路径穿越、命令注入 | CodeQL、Semgrep 规则、Bandit(Python) | 跨 28 步这类长链污点追踪、可达性判定 |
| 4 依赖与架构 | 恶意包、CVE、密钥、架构漂移 | npm audit / pip-audit、gitleaks、dependency-cruiser |
SCA + SBOM 一体化,架构即代码 |
三点提醒:
- 第 2、3 层是最容易被"lint 全绿"骗过去的地方。原文那两个数字(61% 功能正确 / 10.5% 安全;80% 通过行为测试但没过安全测试)就是给"lint 绿了就能合并"这套流程的一记耳光。
- 第 4 层的动作最便宜、收益最直接:agent 自主装依赖这件事,用"依赖白名单 + pre-commit 密钥扫描"就能挡掉大半,不需要买任何东西。
- 质量门的阈值要写死:"零新增""零未评审热点"这类绝对条件比"技术债不增加"更容易执行——否则 agent 会用它擅长的方式(拆函数、加抽象)去凑指标。
三篇连起来看就是一条完整的链:可维护性传感器实测讲"在代码库里怎么配传感器、哪些真管用",三条指令没拦住 Claude讲"怎么把规范写成一条能退出码 1 的规则",而本文说的是这些传感器之后还剩下什么。
边界:文中的 CVE-2024-35219、CMU 的 200 任务研究、SlopCodeBench 的 11 个 agent / 80% 轨迹退化 / 2.2 倍啰嗦,均为原作者引用的第三方数据,本文按原文转述、未独立复核;Axios 与 LiteLLM 事件的时间、影响范围也以原文口径为准。产品能力(支持语言、阻断级别)随版本变化,选型时以官方文档为准。
来源
- Nicolas Peru, When linting is not enough: Choosing the right code analysis for AI-assisted development, Sonar, 2026-04-27:sonarsource.com/blog/linting-ai-assisted-development/
- 文中案例、数据与研究引用均译自原文;版权归原作者与 SonarSource
本文属于「AI 基建 / 评测 / 安全」专题,由汇智网编译整理,转载请注明出处。
这是「AI 基建 / 评测 / 安全」专题的一部分。完整地图见:AI 基建 / 评测 / 安全完全指南