作为Microsoft CoreAI的高级研究科学家，我为GitHub Copilot开发代理模型编排和路由技术。我的研究重点是自适应模型选择、多模型协调、远景代理工作流程和开发人员安全。我们的管道与
以前的LLM管道更智能的秘密扫描，成本仅为接受度的一小部分，所有者加权警报精度降低86%中位数扫描执行时间后推扫描服务成本降低98%紧凑型模型与远程LLM调用JavaScript绘制连接这些卡的箭头。我们的管道与
以前的LLM管道更智能的秘密扫描，成本仅为接受度的一小部分所有者加权警报精度降低86%中位数扫描执行时间后推扫描服务成本降低98%紧凑型模型与远程LLM通话相比，当开发人员对调查结果充满信心时，秘密扫描效果最佳。捕获太少，真实凭据可能保留在存储库中。
警报太频繁，开发人员可能会花时间调查不是秘密的字符串。通用秘密使这种平衡变得特别困难。相同的字符串可以是真实的凭据或文档占位符，因此检测它需要了解周围的代码和文本。
为了应对这一挑战，我们专门针对GitHub的产品需求训练了一个秘密分类器：区分真实凭据和类似凭据，同时满足大规模扫描的速度和效率要求。在我们的同伴帖子中，秘密保护必须与软件一起扩展，我们解释了为什么秘密保护必须跟上人工智能加速发展的步伐。