Pesquisadores propõem o AgentSecGraph, um framework de análise estática que avalia o contexto de risco de operações sensíveis em agentes LLM (execução de comandos, acesso a arquivos, rede, navegador), em vez de apenas identificar a operação em si. Usando um corpus de 67 repositórios reais com mais de 37 mil arquivos, a ferramenta mapeou quase 24 mil candidatos a operações sensíveis e confirmou pelo menos uma vulnerabilidade real. Em testes comparativos, a abordagem reteve 91,1% do contexto de referência, contra 20% de uma visão baseada apenas em sinks.
Pesquisadores apresentam o DistillGuard, um framework leve para detectar pacotes NPM maliciosos que usa um LLM online apenas para gerar rótulos e conhecimento de segurança de alta qualidade, destilados via LoRA para um modelo Qwen3-8B open source rodando offline em produção — evitando o custo e o risco de enviar código de terceiros para uma API de LLM a cada verificação. O sistema atinge 95,3% de acurácia, 99,4% de precisão e F1 de 93,8%, superando ferramentas de referência em 11 a 30 pontos percentuais, e cataloga oito cadeias típicas de ataque via API usadas por pacotes maliciosos.
O artigo testa Behavior Trees (arvores de comportamento) como representacao intermediaria alternativa para deteccao de vulnerabilidades via LLM, mais compacta que Abstract Syntax Trees (ASTs). Usando um unico modelo local quantizado (Mistral Small 3.2 24B) sobre 460 amostras Java do Juliet Test Suite, a representacao BT melhora recall em amostras curtas e, em amostras mais longas, tanto melhora o desempenho geral quanto cabe no limite de contexto onde a AST equivalente estoura.
O framework ARQ refina automaticamente queries do CodeQL para detecção de vulnerabilidades em C/C++, usando um loop de IA que gera programas de teste e compara a execução real deles com o veredito da query, sem precisar de datasets rotulados. O resultado foi um aumento de até 119,8% em verdadeiros positivos, correção de três issues do repositório oficial do CodeQL abertas havia até 27 meses, e a descoberta de dois bugs inéditos em libpng e zlib.
O SkillsMetric é um framework de análise estática em cinco estágios para avaliar pacotes de "Agent Skills" (extensões de instruções e scripts para agentes LLM) quanto a risco malicioso, atingindo AUC de 0,93 em um dataset adversarial de 2.266 skills cobrindo 16 tipos de ataque. Apesar do bom desempenho geral, os autores identificam pontos cegos completos: ataques de destruição de host usando comandos de shell comuns escapam de todos os cinco estágios (0% de detecção), e prompt injection via manipulação em linguagem natural é detectada em apenas 42% dos casos.