Argus：基于层次参考关系的多智能体敏感信息泄露检测框架

代码仓库中的敏感信息泄露已成为临界安全挑战。依赖正则表达式、指纹特征和高熵计算的传统检测方法常因误报率过高而受到制约。这不仅降低检测效率，也显著增加开发人员的手动筛选负担。近期大型语言模型（LLM）和多智能体协作架构的快速发展为解决复杂问题提供了巨大潜力，为敏感信息检测提供了新的技术视角。为应对这些挑战，我们提出了一种名为 Argus 的多智能体协作框架，用于检测敏感信息。Argus 采用三层检测机制，集成关键内容、文件上下文和项目引用关系，从而有效降低误报并提升整体检测准确率。为全面评估 Argus 在真实仓库环境中的表现，我们开发了两个新基准数据集：一个用于评估真实漏洞检测能力，另一个用于评估误报过滤性能。实验结果表明，Argus 在漏洞检测方面达到最高 94.86% 的准确率，精确率为 96.36%，召回率为 94.64%，F1 分数为 0.955。此外，对 97 个真实仓库的分析仅需 2.2 美元即可完成。所有代码实现及相关数据集均已公开于 https://github.com/TheBinKing/Argus-Guard 提供，供进一步研究与应用。