AI 写代码已经从尝鲜变成日常，但随之而来一个绕不开的安全问题：这些模型和编码 agent 生成的代码，到底安不安全？这篇 SoK（systematization of knowledge，知识系统化）不提出新方法，而是做一件同样重要的事——把这个子领域的现状系统地梳理成一张地图，回答三个核心问题：今天的模型实际能做到什么、它们仍在哪里失败、什么能推动领域往前走。 SoK 这类工作的价值在于'盘点而非创新'。一个领域研究多了之后，方法五花八门、结论各说各话，新入场的人很难看清全局，已有的研究者也容易只见树木不见森林。SoK 的任务就是把散落的工作归类、对比、提炼出共识与分歧，让整个领域的进展和缺口一目了然。 这篇覆盖的方法路线相当全：从 prompting（靠提示词引导模型写出更安全的代码）、微调（fine-tuning，用安全代码数据再训模型）、强化学习（用安全性作为奖励信号去优化），到 agentic workflow（让编码 agent 通过多步流程，比如自查、调用工具、迭代修复来产出安全代码）。把这几条主线放在一起对比，能看清不同思路各自的适用边界和共同短板。 它要回答的三个问题对应着实践者最关心的三件事。'能做到什么'是现状的上界——别高估也别低估当前模型的安全编码能力。'在哪里失败'是风险清单——知道模型在哪些类型的漏洞、哪些场景下最容易翻车，才能有针对性地设防。'什么能推动前进'是路线图——指出哪些方向最值得投入。 为什么值得关注：随着 coding agent 越来越多地直接产出进生产的代码，安全性不再是事后审计能完全兜住的——前置到生成环节的安全保障变得关键。但这个子领域发展很快、文献分散，缺一份权威的全局梳理。这篇正好补上，适合做 AI 编码工具、安全工程、或正考虑把 coding agent 推向生产的人，用来快速建立对整个领域的全局认知和风险意识。 局限要标注：综述类工作的覆盖完整性和分类视角带有作者的取舍，它反映的是截至成文时的研究状态，而这个领域迭代极快，最新进展可能未被纳入；它给出的是地图而非具体可落地的方案，真要选型仍需结合自身场景深入到具体论文。