谷歌AI与基础设施团队把AI智能体直接嵌入软件开发生命周期，对每一次代码提交做实时漏洞扫描。这套流程覆盖谷歌部署的数亿行代码，每月能阻止数百个漏洞进入代码库或生产环境。

传统安全扫描是大规模、低频的一次性检查，速度慢且缺乏上下文，往往等发现漏洞时已经太晚。谷歌的做法是预提交扫描：在开发者提交代码的瞬间，用AI智能体逐层评估每个变更，并把扫描集成到开发者日常使用的工具里，让安全变成像代码格式检查一样的常规步骤。由于只针对单个代码变更，扫描需要的上下文比传统全量扫描少得多，准确率也随之提升。

这套方案的核心是升级了谷歌开源的多智能体审查框架Mantis。他们让安全智能体配合一组本地化威胁模型运行——威胁模型不再依赖静态文档，而是直接读取实时代码库元数据，并通过包和库之间的依赖调用图不断扩展上下文。把威胁模型嵌入持续扫描，也促使开发者持续更新依赖和威胁信息。正是这些精准的上下文，让误报率在某些场景下降到3%。

扫描嵌入提交环节后，必须足够快，才能不拖慢开发。谷歌采用两步验证：先跑一个轻量扫描，再由专门的分流智能体（triage agent）做程序化验证——用抽象语法树解析、调用图遍历和预索引的域名安全规则，证明漏洞路径确实可被攻击者触达。这个分流智能体的精确率超过92%，整个验证不到一分钟完成。夜间集成测试中的提交后扫描则作为第二道防线，利用非高峰算力检查跨多个变更才出现的漏洞。

找到漏洞只是第一步。谷歌还构建了自动修复智能体：它根据扫描结果和可复现漏洞的代码片段，自动生成符合内部编码规范的修复方案，并作为原变更请求的一部分提交给人工审查，进一步缩短从发现到解决的时间。

谷歌总结了五条经验供其他团队参考：把开发、扫描、分流智能体的harness、规则和上下文分离，避免偏见；用轻量AI扫描配合确定性的结构验证来降低延迟、提高准确率；把现有威胁模型直接喂给智能体，精准上下文是降低误报的关键；多智能体harness比底层模型选择更重要，能补偿模型差异；最后，用智能体提出有人工参与的修复，缩短修复周期。Mantis已作为开源项目发布，可直接用于构建类似的AI原生安全流程。