雖然都是由智慧的演算法所產出,Instant Fixes 和基於生成式 AI 的「code fixes」在方法論、適用性、可靠性上皆有顯著的差別。
方法論:Instant Fix 是使用確定性修正演算法(deterministic remediation algorithms)產生。此類演算法可理解原始程式碼的脈絡和意向,並套用由安全專家整理的安全最佳實務來修正弱點。相較之下,生成式 AI 的程式碼修復則是由大型語言模型透過機率式預測產生,結果反映的是模型訓練資料中最可能出現的程式碼模式,而不一定是在該情境下真正安全或正確的作法。
可靠性:一致性和可靠性是 Instant Fixes 背後的演算法以一致性與可重複性為設計核心——相同的程式碼在掃描時,永遠會產生相同的弱點標示與相同的 Instant Fix。每個 Instant Fix 也都經過獨立驗證,以確保它能有效修正弱點、不引入新問題,並維持原始的功能。然而,大型語言模型可能會出現「幻覺」,生成的修改可能無意間影響功能、未能修正弱點,甚至引入新的弱點。獨立研究顯示,大約 45% 的生成式 AI 產生的程式碼含有 OWASP Top 10 弱點,而約 66% 的生成式 AI「修復程式碼」未能成功修正弱點或引入其他弱點。
適用性:Lucent Sky AVM 能緊密整合至軟體開發流程,並可在全自動工作流程中使用。Instant Fix 的行為與由開發者撰寫並提交的程式碼一致。相較之下,生成式 AI 所產生的程式碼修復需要經驗豐富的開發者進行仔細檢查甚至修改,亦可能洩漏敏感資料或帶來著作權方面的風險,因此更適合作為開發輔助工具,而非開發流程中被信任的重要環節。