LLM恶意npm包研判：Databricks注入领域知识
AI 总结
Databricks 发布博客，介绍其 npm 恶意软件扫描流水线在 LLM 研判环节的发现与改进。团队自 2025 年 11 月起收集样本，在经 OSV npm 恶意软件公告佐证的 11,413 个包版本中，96.2% 将载荷藏在源码内或从外部服务器获取，仅 3.8%（432 个包版本）捆绑二进制文件。但这类包最难判定：在 OSV 确认的样本中，含二进制包未能得出明确“恶意”结论的比例为 14.4%，是纯源码包 6.2% 的两倍以上。团队用五类 Node.js 原生插件（.node）构造对抗载荷，涵盖凭据窃取、后门投放、反弹 shell、挖矿桩与持久化，并设置从可读基线到剥离符号、单字节 XOR 编码字符串的混淆阶梯；样本格式包括 PE、ELF（均已剥离符号）与 Mach-O。他们没有微调模型，而是在推理前把预先计算好的静态证据注入提示，称这一做法对预算型与前沿模型都能提升检测质量。
深度见解
它量化了 LLM 在供应链安全研判中的一类失效模式，并提供一条无需微调、靠提示注入领域知识的低成本改进路径。