Databricks 提出领域知识注入，补齐 LLM 在 npm 恶意包研判中的盲区

• 问题定位：Databricks 博客指出，针对包注册表的供应链攻击在数量与复杂度上持续上升；标题把 LLM 在 npm 包恶意代码研判中的短板称为「binary blind spot」，即模型在判断一个包是否携带恶意行为时存在系统性缺口。
• 方法方向：博客提出的对策是领域知识注入（domain-knowledge injection），用外部专业知识补充模型自身对包结构与恶意模式的判断，而不是单纯依赖通用语料训练出的直觉。
• 信息边界：素材仅提供摘要与标题，未披露注入的知识形态、评测集构成、误报与漏报率、覆盖的恶意类型，也未说明方法是否开源或已接入实际审核流程。
• 行业观察：供应链安全是 Agent 生态中被长期低估的一环——一个被投毒的依赖包会沿着构建链进入所有下游应用，而 LLM 对编译产物、安装脚本与混淆代码的识别能力天然弱于对文本的识别能力。把领域知识作为可注入组件补进研判流程，等于承认通用模型的代码理解在安全判定上仍需要专用信号，而不是靠扩大参数量解决。

🔗 Databricks 博客