2026 年 9 月 28 日，GitHub 安全实验室在官方博客宣布开源 Security Lab Taskflow Agent——一套帮安全研究员自动化代码审计的 AI 工作流工具。团队用它审计 Android 应用，已报告 24 个漏洞，其中包括可被恶意应用利用的位置追踪和账号接管问题。
这是一套什么工具
Security Lab Taskflow Agent 不是单个模型，而是一组可复用的审计 taskflow（任务流）：安全研究员把自己验证有效的提示词和工作流打包、分享，其他人可以直接拿来跑。项目已在 GitHub 开源，仓库名为 seclab-taskflows。
用法不复杂：在 Codespace 里打开仓库，运行一条审计脚本指向目标代码库，中等规模的仓库一两个小时能跑完，结果汇总在一张 SQLite 表里，标出疑似有漏洞的行。需要注意的是，它要求使用者持有 GitHub Copilot 许可，且会消耗大量高级模型请求和 token。
针对 Android 应用，团队还专门加了移动端入口点识别和常见漏洞类别清单——移动漏洞在大模型的训练数据里相对少见，不给提示词"划重点"，模型容易漏掉。
两个真实挖出的漏洞
第一个在 OsmAnd（一款千万级下载量的导航应用）里：它的 MapActivity 是导出的 Activity，任何应用都能向它发送带任意参数的 Intent。攻击者可以静默改写应用设置，把地图瓦片地址换成自己的服务器——用户每加载一块地图，精确坐标就回传一次，全程毫无察觉。同样手法还能拿到用户的每条路线起点和终点。
第二个在维基百科 Android 应用：deeplink 的域名解析有个逻辑 bug，能把用户引向攻击者控制的页面；再叠加 cookie 校验的另一个小问题，攻击者可以拿到用户的长期登录凭证，实现账号接管。两个都是逻辑漏洞，而非常见漏洞类别的简单复现——这正是团队想证明的：大模型能找到有真实危害的逻辑问题。
AI 审代码的短板也很明显
团队没有回避局限：大模型经常报出低危害、甚至几乎无法利用的"漏洞"，严重程度也经常估错；像"内部存储覆盖外部数据"这类缓解因素它看不出来，会产生误报。想让它少报错，就得让它实际去构造利用证明，这又烧掉更多时间和 token。目前的结论是：AI 适合做初筛和规模化审计，但每条发现仍需要懂移动安全的人复核。
对普通开发者来说，最直接的价值是这套工具链已经开源，可以直接拿来扫自己的仓库；对行业来说，AI 参与漏洞挖掘正在从演示变成日常工具，安全审计的"人效"会被重写。
