针对开发者代码中的实际风险进行培训，无论是人工编写还是 AI 生成的代码均适用

自适应学习通过与实际软件风险相匹配的超精准培训，帮助减少重复性漏洞。

开发团队交付代码的速度比以往任何时候都快，但许多组织仍然难以防止相同的漏洞随着时间推移被反复引入。

大多数安全培训计划与开发人员日常工作中实际产生的风险脱节。学习任务被广泛分配，漏洞持续复发，而组织往往只能在不安全代码进入开发工作流后期后，才去处理这些问题。

自适应学习帮助组织将安全编码学习与实际软件开发活动及风险信号（包括 AI 辅助开发活动、漏洞发现和不断变化的开发人员行为）保持一致。

在本文中，我们将重点介绍基于漏洞信号的自适应学习——即自动为引入这些风险的开发人员分配针对性的漏洞培训。

自适应学习实践

“基于漏洞信号的自适应学习”将漏洞发现结果与 Trust Agent：提交活动相关联，以识别哪些开发人员正在积极向存在较高软件风险的存储库贡献代码。随后，系统会根据开发人员实际引入的漏洞模式自动分配针对性培训，从而使学习内容与他们使用的语言、贡献的存储库以及日常工作中关联的实际软件风险保持一致。

由于学习内容与开发人员正在积极参与的具体风险相匹配，培训变得更加相关、及时，也更容易应用到日常工程工作流中。

从完成指标到实际风险可见性

自适应学习在安全编码培训与实际工程活动之间建立了更紧密的联系。

一旦为开发人员分配了学习任务，系统即可根据开发人员在提交代码时是否已完成相应的漏洞培训来对其提交进行评分。这使安全负责人能够获得传统培训指标通常无法显示的可见性：即正在编写代码的开发人员是否具备处理其环境中特定风险的能力。

这将对话从：

“开发人员完成培训了吗？”

转变为：

“向高风险存储库贡献代码的开发人员，是否准备好识别并预防与其所交付代码最相关的漏洞？”

组织不再仅仅依赖通用的完成情况报告，而是可以开始衡量开发人员的能力，并将其与实际软件风险和提交活动进行长期对比。

这有助于推动安全编码计划向源头预防能力建设转型——在漏洞进入生产环境之前强化安全开发实践，而不是完全依赖后期的补救工作流。

构建更具预防性的安全开发实践

借助漏洞信号的自适应学习功能，可将漏洞发现、提交活动、开发者归属、安全编码学习及提交评分整合至单一工作流中。

通过将针对性学习与实际软件风险相结合，企业能够减少重复出现的漏洞，提升开发者的专业能力，并在各工程团队中强化更具预防性的安全开发实践。