QASecClaw
基于智能体架构的软件保障框架，将语言模型与确定性工具（静态分析器、验证器）结合，由智能体协调证据收集与推理。
时间轴 (近 90 天)
研究《Beyond QASecClaw: Agent Scaling, Verifier Feedback, and Evidence Reliability in Software Assurance》通过五个实验探讨了多智能体协作与验证反馈在软件保障中的可靠性边界。
在八个相关开发警告上，将上下文数量从1增加到50导致token使用量增加49倍，但并未提升不安全代码的清除率。
在两套各120个证据包的测试中，模型拒绝了70%到100%的适用反例，而针对构造特定范围的检查则能正确分类所有证据包。
研究建议在软件保障测试环境中采用确定性证据准入策略，而非盲目扩展智能体数量或上下文规模。
在软件保障这类高风险领域，确定性工具的可靠性仍是基石，语言模型更适合作为辅助角色而非替代品。
验证器反馈能提升正确率但也可能引入新的错误，需要建立证据准入机制以确保只有可靠的证据进入模型决策环节。
全部知识事实 (6)
研究《Beyond QASecClaw: Agent Scaling, Verifier Feedback, and Evidence Reliability in Software Assurance》通过五个实验探讨了多智能体协作与验证反馈在软件保障中的可靠性边界。
50%待验证在八个相关开发警告上，将上下文数量从1增加到50导致token使用量增加49倍，但并未提升不安全代码的清除率。
50%待验证在两套各120个证据包的测试中，模型拒绝了70%到100%的适用反例，而针对构造特定范围的检查则能正确分类所有证据包。
50%待验证研究建议在软件保障测试环境中采用确定性证据准入策略，而非盲目扩展智能体数量或上下文规模。
50%待验证在软件保障这类高风险领域，确定性工具的可靠性仍是基石，语言模型更适合作为辅助角色而非替代品。
50%待验证验证器反馈能提升正确率但也可能引入新的错误，需要建立证据准入机制以确保只有可靠的证据进入模型决策环节。
50%