谷歌将AI（人工智能）智能体扫描嵌入代码提交环节，称每月阻止数百个漏洞进入生产环境
谷歌AI（人工智能）与基础设施团队改造其开源多智能体代码审查框架Mantis，把AI智能体（可自主执行任务的AI程序）漏洞扫描前移到代码提交前的实时检查，并配合轻量分流智能体与自动修复智能体，形成“扫描—验证—修复”闭环。
团队称该流程覆盖其部署到基础设施的代码的每次变更，每月阻止数百个漏洞进入代码库或生产环境，部分场景误报率降至3%，分流智能体精度超过92%。 误报率与拦截数量均为该团队自述口径。
谷歌两位工程师在Google（谷歌） Cloud Blog发文介绍其AI（人工智能）原生智能体安全方案：一是提交前扫描，对每一层技术栈的每次代码签入实时评估，并集成进开发者已有工具； 二是配合本地化威胁模型，使用实时代码库元数据、跨包与库的依赖调用图扩展上下文，团队称部分场景误报率降至3%；
三是两步验证，先用轻量扫描对发现结果做结构化校验（抽象语法树解析、调用图遍历、预索引领域安全规则），该分流智能体精度超过92%、耗时不到一分钟，再由夜间集成测试中的提交后扫描作为第二层防线； 四是自动修复智能体依据扫描结果与生成的漏洞利用证明构造修复，作为原变更请求审查的一部分交由人工审核。 团队称该方法已阻止每月数百个漏洞进入代码库或生产环境。
文章同时列出五条实践原则：保持开发、扫描、分流智能体的工具、规则与上下文相互隔离以避免偏差； 用确定性结构校验配合轻量AI扫描降低延迟； 向智能体提供既有威胁模型； 构建多智能体工具链； 用智能体提出人工在环的修复方案。 Mantis已开源。
文章署名Andrés Lagar-Cavilla（Distinguished Engineer）与Parthasarathy Ranganathan（VP, Engineering Fellow）。
把安全扫描从“一次性大扫描”改为“每次代码变更的实时扫描”有两点行业意义：一是上下文更小、更聚焦，团队称这直接提升了扫描有效性并降低误报，这提示企业AI（人工智能）安全产品的竞争点可能从模型本身转向上下文工程与工具链设计；
二是分流智能体用确定性结构校验来证明漏洞路径“可被攻击者触达”，把概率性模型输出与可验证的结构分析配对，是当前企业级智能体落地中降低误报、缩短延迟的常见思路。 自动修复智能体生成的补丁仍进入人工审查，说明交付环节的信任边界目前仍落在人身上。
需要注意的是，文中所有效果数字来自谷歌内部实践，缺乏外部基准测试与可复核口径，不能直接外推为其他代码库或组织的预期收益。
后续观察信号
- Mantis开源仓库的活跃度与外部贡献情况
- 谷歌是否披露该方案在非谷歌代码库上的测试结果
- 同类企业AI（人工智能）安全方案是否公布可对比的误报率基准