深入了解
AI 采用模型白皮书
深入解析全部八个阶段，涵盖针对 660 个 AI 生成代码库的专有基准研究、风险拐点分析，以及针对每个采用阶段的治理建议。
SCW AI 采用模型™
一套适用于每个团队、每个阶段的安全人工智能开发治理实践框架。
深受全球 600 多家企业信赖
.svg){kind=logo}
问题所在
人工智能的采用速度超过了治理速度
人工智能正在重塑整个组织的软件开发方式。然而，大多数企业对于人工智能如何参与生产代码、谁在使用它以及它是否安全缺乏可见性。Gartner《2026年安全软件工程技术成熟度曲线》警告称，人工智能辅助开发扩大攻击面的速度已超过传统控制措施的扩展速度，且人工智能编码工具使得安全编码技能变得比以往任何时候都更加重要。
首席信息安全官（CISO）目前无法回答的四个问题：
哪些 AI 模型在生成生产环境代码
AI 辅助生成的代码是否符合安全策略
贡献者是否接受过适当的培训
AI 的使用是否符合治理标准
软件开发生命周期（SDLC）是为人类编写的代码而设计的。它并非为人工智能而生智能体在未经审查的情况下生成数千行代码。随着自主性的提高，隐形的安全债务不断累积，导致 CISO 无法回答最关键的问题。
模型概览
SCW AI 采用模型™
SCW AI 采用模型涵盖了软件开发中 AI 使用的完整演进过程，共分为八个阶段和三个时期——从极简的 AI 辅助到完全自主的智能体编排。它为首席信息安全官（CISO）提供了一个实用的框架，帮助他们识别组织当前的所处位置、开发人员在每个阶段所需的培训，以及随着自主性提高所必须采取的治理控制措施。
AI 辅助
保持全面监管
AI 支持开发，但人类仍是主要创作者。开发人员编写代码、审查 AI 建议，并对输出结果保持全面监管。这是在监管能力减弱前建立治理基础的最佳时机。
AI 原生
人类监管开始减弱
提供先进的应用安全专业知识、量身定制的治理设计以及安全开发项目的转型规划。
智能体化
高风险升级决策点
自主智能体在整个开发生命周期中指挥其他智能体。人类仅参与高风险的升级决策。治理必须完全由策略驱动。软件开发生命周期（SDLC）正逐渐演变为智能体开发生命周期（Agentic Development Lifecycle）。
SCW AI 采用模型™
安全职责随 AI 采用而演变
探索 AI 采用的八个阶段，以及在每个阶段构建安全软件所需的安全能力——涵盖了整个过程中 200 多个安全概念和漏洞类别。
第 1 阶段
AI 辅助
极少使用 AI
将人工智能作为参考工具
立即构建治理基础。此阶段之后的所有工作都将以此为基石。
关键安全职责
从一开始就编写安全代码；在每次实施中应用安全模式。
推荐学习
Web 应用安全基础
信息泄露
存储型跨站脚本攻击
不安全的密码修改功能
+125 个额外主题
第二阶段
AI 辅助
受监督的辅助
带有防护机制的 IDE 聊天机器人
您的开发人员整天都在审查 AI 输出的内容，却从未接受过相关培训。
关键安全职责
以审查人工编写代码的标准来审查 AI 生成的代码。
推荐学习
AI 编码代理入门
软件安全基础
跨站请求伪造
攻防演练
硬编码密钥的使用
+184 个额外主题
第三阶段
AI 辅助
风险转折点
无监督 AI 使用
审查工作从逐行检查转变为更高层级的把控
信任鸿沟——你现在需要为你未曾审阅的代码承担责任。
关键安全职责
无需逐行阅读也能保持安全意识；遇风险及时上报。
推荐学习
“感觉编程”：风险管理框架
直接提示词注入
利用人工智能进行威胁建模
批量赋值
使用已知易受攻击的组件
+195 个额外主题
第四阶段
AI 原生
AI 主导开发
YOLO 模式
此阶段最常见的缺陷是任何扫描工具都无法检测到的问题。
关键安全职责
通过设计审查和威胁建模，验证 AI 生成的架构是否符合安全要求。
推荐学习
失效的访问控制
间接提示词注入
逻辑错误
安全需求
架构风险分析
+128 个额外主题
第五阶段
AI 原生
CLI 单一代理
脱离 IDE 环境
您的代理持有生产环境凭据。谁来负责轮换它们？
关键安全职责
在代理配置、工具链和 CI/CD 门禁中设置约束；管理代理凭据。
推荐学习
规则与技能
敏感数据泄露
操作系统命令注入
沙盒化
服务端请求伪造 (SSRF)
+101 个额外主题
第六阶段
AI 原生
风险转折点
多智能体并行
一人多智能体
速度壁垒——三个到五个智能体在编写，零个人在阅读。
关键安全职责
定义智能体边界、授权策略及自动化门禁。
推荐学习
审查您的数字供应链
资产管理不当
供应链（大语言模型）
基于风险的安全测试策略
+80 个额外主题
第 7 阶段
代理式
规模化智能体管理
手动编排的局限性
如果无法确定是哪个代理执行的操作，就无法进行事件响应。
关键安全职责
掌控治理框架：授权、审计与升级机制。
推荐学习
非人类身份 (NHI)
权限配置不当
数据模型投毒
过度代理
+47 个额外主题
第 8 阶段
代理式
自主编排
机器编写应用程序
当策略成为唯一的控制手段时，错误的策略就意味着大规模的违规。
关键安全职责
定义并演进机器可读的策略；确保治理与能力发展同步。
推荐学习
过度代理
+16 个额外主题
风险拐点
AI 风险彻底改变局面的两个时刻
风险随着采用曲线的每个阶段而增加，但有两个拐点彻底改变了局面。这些正是首席信息安全官（CISO）需要采取行动的关键时刻。
风险拐点 1
阶段 3：无监督辅助
信任鸿沟
这就是 AI 从受监督活动转向无监督活动的过程。开发人员授予广泛的权限，并停止仔细审查 AI 的输出。随着对工具信任度的增加，监管力度却在下降——隐形的安全债务开始累积。
87%
的 AI 生成代码库包含过度宽松的默认设置
52%
包含硬编码凭据
来源： Secure Code Warrior 专有基准研究，涵盖 660 个 AI 生成的代码库
风险拐点 2
阶段 6：多代理并行
速度壁垒
这就是 AI 从受监督活动转向无监督活动的过程。开发人员授予广泛的权限，并停止仔细审查 AI 的输出。随着对工具信任度的增加，监管力度却在下降——隐形的安全债务开始累积。
3–5
代理同时生成代码
0
能够逐行审查代码的人员
AI 软件治理平台
SCW 平台适配采用曲线的各个阶段
SCW 致力于解决 AI 开发转型过程中在各个阶段出现的三个核心问题：构建安全开发能力、治理 AI 触及的范围，以及提供合规与事件响应所需的溯源能力。
SCW Learning
Secure Code Warrior Learning 旨在构建开发人员在 AI 采用曲线各个阶段所需的安全能力——从第 1 阶段的安全编码基础，到第 8 阶段的完全自主代理治理。随着工具的演进，培训内容也会同步更新。开发人员获得的不仅是通用的过时课程，而是能够直接应用于其实际工作场景的 AI 安全技能。
自适应学习
SCW 根据开发人员工具、代码库和行为的真实信号，自动对其在采用曲线上的位置进行分类，从而在正确的时间提供正确的内容。无需手动评估，也无需一刀切的培训计划。每位开发人员都能获得与其当前水平相匹配的明确切入点，以及随其能力提升而不断演进的学习路径。
SCW 信任代理
SCW Trust Agent 提供针对 AI 对生产代码贡献的提交级可见性。它能检测过度信任模式，在风险信号激增时自动触发自适应学习，并为 CISO 提供向董事会、审计师和监管机构展示进展所需的治理报告。
开发者人工智能安全培训常见问题解答
安全的人工智能辅助开发始于开发者能力
了解 Secure Code Warrior 如何帮助团队安全地采用人工智能、降低风险并构建可衡量的开发者能力。
在 AI 驱动的开发成果发布前实现有效治理
洞察开发风险，执行安全策略，并在整个软件开发生命周期中预防漏洞。
