传统的代码审计工具往往受限于编译环境和高昂的成本，而REPOAUDIT作为首个纯大语言模型驱动的智能体，模拟人类审计员的直觉，能够在无需编译的情况下高效发现漏洞。它以极低的成本和极高的精度，为大规模代码库的安全检测提供了全新的思路。
智能速览
采用按需驱动和路径敏感策略，无需编译即可审计。
通过启动器、探索器和验证器三大组件协作实现闭环。
利用LLM的程序抽象能力有效缓解路径爆炸问题。
配合DeepSeek R1模型精度可达88.46%，成本仅2.54美元。
在10个高知名度仓库中发现185个新漏洞，修复率高。
相比同类智能体，Token成本和推理轮数降低两个数量级。
精华内容
面对大规模代码库审计的复杂挑战，REPOAUDIT通过模拟人类直觉和创新的架构设计，展现了独特的“直觉”能力。
模拟人类直觉
传统LLM代码分析受限于上下文窗口和Token成本，REPOAUDIT借鉴人类审计员的直觉，采用按需驱动和路径敏感策略。
它不尝试一次性处理整个仓库，而是直接分析源代码，支持在软件开发阶段对不可编译的代码进行实时审计。
三大核心组件
系统包含启动器、探索器和验证器。启动器识别审计起点，探索器利用LLM过滤无关代码并存储数据流事实，验证器则检查潜在漏洞是否符合控制流顺序。
这种协作机制有效遏制了模型幻觉，确保跨函数路径条件的可满足性。
LLM内在优势
研究发现LLM在受限范围内的程序抽象极具价值，能识别并保留关键语句，移除复杂的无关逻辑，从而缓解路径爆炸问题。
同时，它能直观判断指针在不同路径下的指向对象，并擅长识别分支条件矛盾，精准过滤不可达程序路径。
实测数据表现
在针对典型漏洞的测试中，使用Claude 3.5 Sonnet时精度为78.43%，配合DeepSeek R1模型精度提升至88.46%。
平均每个项目的分析时间仅需0.44小时，财务成本仅为2.54美元，展现出极高的性价比。
实战验证对比
在对10个活跃维护的高知名度仓库扫描中，发现了185个新漏洞，其中174个已获开发者确认或修复。
相比Meta INFER和Amazon CODEGURU等工业级工具，它无需编译环境且发现更多真实漏洞，成本较同类智能体降低两个数量级。
REPOAUDIT通过模拟人类直觉和路径敏感策略，成功证明了纯LLM在代码审计领域的可行性。其在无需编译环境下的高精度表现和低成本优势，为解决大规模代码库审计难题提供了极具潜力的新方向。
