AWS 推出名为 Trust in Depth 的分层信任框架，旨在解决企业在使用 AI 智能体时面临的自主性与安全性矛盾。该框架借鉴纵深防御理念，要求通过 Scope（定义范围）、Know（身份识别）、Bound（边界约束）和 Observe（行为观察）四个独立层级来建立可验证的信任。
推荐理由：文章提出了通过分层验证机制在保障安全的前提下赋予AI智能体更多自主权的方法论，并详细拆解了从定义范围到观察改进的具体实施步骤。
GitHub 推出新的密钥检测系统，采用 Regex 候选生成加 fine-tuned ModernBERT 上下文分类的两阶段管线。相比此前 LLM 方案，该模型将中位扫描执行时间降低 86%，服务成本节省超过 98%，用户接受度提升 11.5%。新系统已扩展至 push protection，能在代码提交前实时拦截潜在泄露。
GitHub 宣布引入与 Microsoft Applied Sciences 共同开发的 ModernBERT 分类器，用于扩展 push protection 对非结构化密钥的检测能力。
推荐理由：GitHub 推出基于 ModernBERT 的密钥检测模型，将 push protection 响应时间降至 2ms 以下并提升拦截率，解决 AI 加速代码生成下的安全滞后问题。
GitHub Security Lab 推出 Fuzzing Taskflow，这是一个针对 C/C++ 项目的自主模糊测试流水线。该工具利用 LLM Agent（默认使用 Claude Sonnet 5）自动识别入口点、编写 AFL++ 测试桩、分析覆盖率并生成漏洞报告。
推荐理由：GitHub Security Lab 开源了基于 LLM Agent 的自动化模糊测试流水线，展示了如何利用大模型替代人工完成从编写测试桩、分析覆盖率到漏洞分诊的全流程工作。