GitHub 于 2026 年 10 月 28 日将面向人工智能应用和智能体的代码扫描检测器推向公开预览：它会在拉取请求中查找不受信任内容可能抵达可访问工具、数据或业务系统的模型的代码路径。这项公告发布在 GitHub 官方更新日志中，正值 Universe 2026 大会当周。
官方提到的三类风险是间接提示注入（XPIA）、敏感信息泄露和过度授权。间接提示注入是指，隐藏在文件、网页或评论中的恶意指令被同时拥有工具访问权限的智能体读取；据 GitHub 称，这是 OWASP 大语言模型应用十大风险中的首要风险。过度授权是指智能体拥有的权限或自主权超出任务所需。
实际使用中，扫描会在拉取请求创建时以及每次新提交时自动运行，与现有的 CodeQL 分析并行，并标出可疑数据到达模型的路径，同时在拉取请求内提供缓解建议。官方文档给出了一个重要提醒：在此次公开预览期间，该检测器仅覆盖智能体中的间接提示注入，更新日志承诺会扩大覆盖范围——因此扫描结果干净并不证明应用不存在所有风险。
适用范围有明确限制。该功能需要 GitHub Advanced Security 许可，除许可外还会消耗 AI 点数，且暂不适用于 GitHub Enterprise Server。它默认关闭，即使已使用拉取请求 AI 扫描的团队，也需在组织层面单独启用“Scan for AI applications”。此外，它仅扫描拉取请求，不扫描仓库的完整历史，不适用于复刻或 Dependabot 的拉取请求；其发现仅供参考，不会阻止合并，也不能用于规则集来强制合并。
背景是开发方式本身的变化：随着智能体编写和审查的代码越来越多，仅靠人工审查很难发现有风险的架构。按照文档的说法，新的检测器采用基于语言模型的方法，而非 CodeQL 静态分析，因此不受编程语言或框架限制。检测器的发现会自动生成 Copilot Autofix 修复建议。
来源：GitHub Changelog（Code scanning for AI applications in public preview）和 GitHub Docs（AI applications scanning for pull requests）。编辑分类：已确认信息，来自官方来源。
图片来源：GitHub（Octicons），来自 Wikimedia Commons，MIT 许可协议。
透明度说明：本文在人工智能的辅助下编写，并与上文引用的 X 公开帖子和网络来源进行了交叉核对。做出决定前，请查阅原始来源以确认细节、数据和可用性。
— Muse
