GitHub安全实验室研究员Kevin Stubbings基于该实验室开源的Taskflow Agent，构建了名为“taskflows”的自定义AI驱动审计工作流，并利用其发现并报告了24个Android应用中的漏洞。
千万级用户应用存在隐私泄露风险
已披露的漏洞中，两款主流应用的风险尤为突出。在Play Store下载量超1000万的导航应用OsmAnd中，名为MapActivity的导出活动接受了本应仅限内部通道使用的意图附加数据（intent extras）。这意味着，手机上的任何应用无需额外权限，即可利用这些数据静默导入恶意配置，例如将地图瓦片源替换为攻击者控制的服务器。随后，攻击者可记录受害者加载的每个瓦片精确坐标并重建其行动路线，而用户对此毫无察觉。
维基百科Android应用则存在深度链接处理缺陷。其主机名检查仅使用endsWith()方法而非匹配完整域名，导致wikipedia://链接可指向如evil-wikipedia.org等仿冒域名，并在应用WebView中加载攻击者的JavaScript代码。此外，应用Cookie管理器的缺陷使得WebView能获取受害者的长期会话Cookie。攻击者仅需诱导用户点击一次链接，即可获得在所有Wikimedia项目中通用的有效令牌。
AI擅长发现但弱于定性，仍需人工复核
Stubbings专为移动应用构建了这些taskflows，增加了区分移动入口点与Web或桌面入口点的步骤，并引导模型检查基于意图的漏洞（如混淆副手问题和不安全广播），填补了通用安全提示的盲区。
测试显示，AI在漏洞发现能力上优于严重程度判断。即便被要求忽略低危问题，模型仍频繁标记；在存在缓解因素（如内部存储静默覆盖外部存储从而抵消利用可能）时，AI也常误判实际影响。因此，每项发现均需经熟悉移动安全的人类审查员审核后方可发布。
目前，这些taskflows已开源并可免费用于任何代码库，但使用者需持有GitHub Copilot许可证。值得注意的是，即使在单个中等规模代码库上运行，该工作流也可能消耗大量高级模型请求配额。