AEGIS：从线索到 verdicts —— 基于 dialectics 与 meta-auditing 的图引导深入漏洞推理

大型语言模型（LLM）日益被用于漏洞检测，但其推理本质上是不严谨的。我们识别出两种主要缓解范式（基于代理的辩论和检索增强）共享的根本原因：在缺乏受限、以假设为导向的证据库的开放性 deliberative 空间中进行推理。缺乏这种 grounding，代理会虚构跨功能依赖，检索启发式提供的通用知识与存储库的数据流拓扑脱节。因此，所得结论是以修辞说服力为主，而非可验证事实。为 grounding 这种 deliberation，我们提出 AEGIS，一种新型多代理框架，将检测从无 grounding 的推测转向针对封闭事实基底的 forensic 验证。在“从线索到 verdict”的哲学指导下，AEGIS 首先识别可疑代码异常（clues），然后通过对存储库级别代码属性图（Code Property Graph）进行按需切片，动态重建每个线索的 per-variable 依赖链。在此封闭证据边界内，Verifier Agent 构建针对可被利用性的 for-and-against 辩证论证，而独立的 Audit Agent 则对每个论点在 trace 上的核查，行使否决权以防止幻觉 verdict。在严格的 PrimeVul 数据集上进行评估显示，AEGIS 建立了新的 state-of-the-art，实现了 122 对的正确预测。据我们了解，这是首次在该基准上超越 100。它在无任何任务特定训练的情况下，将误报率较主要基线降低最高可达54.40%，平均每样本成本仅为 $0.09。