arXiv · cs.AI· Mandana Ghadamian, David Mohaisen·· 1 天前
Failure-Driven Prompt Refinement：面向 LLM 软件漏洞分析的失败驱动提示词优化方法
Learning from Failures: A Failure-Driven Prompt Refinement for LLM-Based Vulnerability Analysis
arXiv:2610.08405v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Mandana Ghadamian, David Mohaisen
研究任务与主要进展
研究团队提出 Failure-Driven Prompt Refinement（FDPR），通过分析 LLM 在软件漏洞分析中的重复失败，针对误报、漏报、无依据推理和 CWE 误分类优化提示词，并在 Juliet Test Suite 上完成跨模型验证。结果显示，该方法提升了 LLM 漏洞分析的可靠性，并总结出可复用的提示词设计原则。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org