Claude Code Security 登場：AI 找漏洞之後，企業仍要把人放在批准點

傳統程式碼掃描工具擅長找出已知模式，卻不一定理解一段程式在整個系統中的角色。權限檢查、資料流與業務規則交織後，真正危險的漏洞往往需要跨檔案、跨服務判斷。這正是大型語言模型開始被放進資安流程的原因。

Anthropic 在 2026 年 2 月公布 Claude Code Security 研究預覽，提供給 Enterprise 與 Team 客戶測試。官方描述的流程是掃描程式碼庫、辨識潛在弱點並提出修補建議，再由人員審核，而不是讓 AI 直接改完就部署。

Claude Code Security 帶來什麼

這類工具的主要價值，是讓模型閱讀更多上下文，理解函式之間如何交換資料、權限在哪裡被檢查，以及某個看似安全的輸入是否在另一個服務裡變成風險。Anthropic 表示，使用 Claude Opus 4.6 的測試已在正式開源專案中找出超過 500 個漏洞；這是廠商公布的研究成果，仍應搭配可重現的測試與第三方評估理解。

對工程團隊來說，這不代表既有 SAST、依賴掃描或滲透測試失去作用。較合理的做法，是把 AI 當成另一層具有語意理解能力的檢查者，補足規則式工具難以看見的跨模組問題。

漏洞判斷需要完整上下文

同一段程式碼在公開展示頁可能沒有問題，放進管理後台卻可能形成越權。模型如果只讀單一檔案，可能不知道驗證已在上游完成，也可能誤以為某個內部參數永遠可信。上下文不足會同時造成漏報與誤報。

企業導入時，應先界定模型能讀取哪些儲存庫、是否包含秘密資訊，以及掃描結果會保存在哪裡。對高度敏感的程式碼，資料處理條款、保存期限與存取紀錄必須在試用前完成確認。

修補建議不能直接等於上線

AI 提出的修補可能關閉漏洞，也可能破壞既有功能，甚至用更隱晦的方式留下風險。最重要的設計，是把人放在批准點：工程師先理解漏洞路徑、確認修補範圍，再經由測試、程式碼審查與漸進部署進入正式環境。

此外，團隊要能追蹤「誰接受了哪一項建議」。若所有建議最後都變成匿名提交，出現問題時就很難回溯判斷過程。AI 可以加速發現與草擬修補，但責任不能被模糊化。

企業可以怎麼開始

第一階段可選擇一個邊界清楚、具完整測試的非核心儲存庫，比較 AI 與既有工具找到的問題。第二階段建立分類標準，記錄真陽性、誤報、修補工時與回歸缺陷。第三階段才把掃描納入合併請求或發布流程，並保留人工覆核。

真正成熟的 AI 安全流程，不是追求「自動修完所有漏洞」，而是讓更多可疑路徑提早浮現，並把工程師的注意力集中在高風險判斷。企業若同時在導入代理與自動化，更應把權限、測試與人工批准視為共用模組，而不是每個專案各自補洞。

資料來源：Anthropic〈Introducing Claude Code Security〉，2026 年 2 月 20 日。相關數據來自廠商公告，研究預覽的功能與資格可能調整。