Anthropic 在其官网研究栏目发布了一篇题为《Using Claude to reduce the attack surface of code》的文章，探讨如何借助 Claude 缩减代码的攻击面。该条目被归类为研究/论文类内容，原文可见于 anthropic.com/research/attack-surface-reduction。
“攻击面”是安全工程中的基础概念，指系统中可能被攻击者利用的入口总和。落到代码层面，攻击面往往来自不再被调用却仍保留的路径、对外暴露过多的接口，以及长期无人维护的历史逻辑。缩减攻击面的思路与“逐个修补漏洞”不同：与其为全部代码持续打补丁，不如先缩小必须被防护的范围，让安全团队把精力集中在真正关键的链路上。
这篇文章把上述思路与 Claude 结合起来，指向用模型辅助识别、清理和收敛代码中的冗余与暴露面。对 AI 从业者而言，值得注意的不是单个工具的使用技巧，而是能力边界的一次延伸：大模型在代码理解、依赖梳理和重构建议上的表现，正在被引入安全工程流程，而不只是用于生成代码或补测试。安全场景对误报、漏报和改动风险的容忍度更低，模型输出如何与人工评审、测试与上线流程衔接，是这类实践能否落地的关键。
需要说明的是，目前可获取的公开信息仅为文章标题与链接，具体方法设计、评估方式和效果数据均以原文为准。对关注 AI for Security 与 Security for AI 两条主线的团队来说，这篇研究提供了一个观察样本：模型能力如何从“写代码”走向“让代码更少、更小、更可控”。