GitHub kini membolehkan pasukan memulakan AI Scan untuk sehingga 20 repositori serentak. Penambahbaikan yang diumumkan pada 16 November 2026 ini boleh membantu organisasi mengurus pemeriksaan keselamatan kod merentas beberapa projek.
Ciri tersebut masih dalam pratonton awam. Sebelum menggunakannya secara meluas, pasukan perlu memahami kod yang diperiksa, penggunaan kredit dan kerja susulan yang diperlukan untuk menilai setiap amaran.
Menurut GitHub, imbasan boleh dimulakan untuk repositori yang dipilih selepas tetapan di peringkat organisasi diaktifkan, atau melalui halaman amaran code scanning organisasi. Pengguna juga boleh memulakan imbasan bagi satu repositori daripada halaman amarannya.
Had 20 repositori itu merujuk kepada satu tindakan memulakan imbasan secara berkumpulan. Ia memberi pentadbir cara memilih beberapa projek sekali gus, tetapi mengaktifkan tetapan organisasi sahaja tidak akan memulakan imbasan. GitHub menyatakan ciri ini tersedia di GitHub.com dan GitHub Enterprise Cloud dengan data residency.
Sumber: Bulk start AI Scan for repositories; Configuring global security settings for your organization.
AI Scan for repositories mencari potensi kelemahan keselamatan pada cabang lalai repositori. GitHub menyatakan alat ini menyokong semua bahasa pengaturcaraan, termasuk bahasa yang belum disokong CodeQL, dan boleh mencari isu tambahan dalam bahasa yang turut dianalisis oleh CodeQL.
Imbasan berjalan secara berasingan daripada CodeQL. Hasilnya muncul sebagai amaran dalam senarai code scanning yang sama, dan pengguna boleh menapis senarai itu untuk melihat penemuan AI Scan. Amaran tersebut juga boleh diberikan kepada pemilik atau dihubungkan dengan isu supaya tindakan susulan dapat dijejak.
Ini berbeza daripada menyemak perubahan dalam satu pull request: skop yang diterangkan GitHub untuk imbasan repositori ialah cabang lalai yang sedia ada. Oleh itu, nama repositori dan cabang yang digunakan wajar disahkan sebelum pasukan membuat kesimpulan tentang liputan sesuatu projek.
Sumber: Bulk start AI Scan for repositories; AI Scan for a repository's backlog.
GitHub menjelaskan bahawa ejen memilih fail dan fungsi untuk diperiksa dalam tempoh masa yang terhad; ia tidak membaca setiap fail sepenuhnya. Imbasan tidak menjamin semua kelemahan akan ditemui, manakala penemuan yang dihasilkan AI boleh menjadi tidak tepat.
Dalam pratonton ini, imbasan dimulakan secara manual. Imbasan berjadual dan imbasan automatik apabila kod ditolak belum disokong. GitHub juga menyatakan amaran pendua masih boleh berlaku walaupun sistem cuba menyesuaikan penemuan dengan amaran CodeQL sedia ada.
Selepas pembaikan digabungkan, imbasan baharu tidak bermula secara automatik. Pasukan perlu memulakannya semula untuk menyemak status amaran. Keadaan penutupan automatik juga bergantung pada sama ada pembaikan mengubah baris tepat yang mencetuskan amaran.
Sumber: AI Scan for a repository's backlog.
Lesen GitHub Copilot tidak diperlukan untuk menggunakan AI Scan for repositories. Namun, kelayakan bergantung pada pemilik dan keterlihatan repositori. Dokumentasi GitHub menyatakan repositori awam organisasi boleh menggunakannya tanpa lesen active-committer, manakala repositori persendirian atau dalaman organisasi memerlukan GitHub Code Security atau GitHub Advanced Security.
Bagi akaun peribadi, dokumentasi menyenaraikan repositori awam sebagai layak dan repositori persendirian sebagai tidak tersedia. Setiap imbasan menggunakan Code Security AI credits. Penggunaan selepas kredit yang disertakan habis tertakluk kepada pemeteran dan bajet yang berkenaan; jika had bajet tidak meninggalkan kredit, imbasan tidak dapat menghasilkan penemuan.
Sumber: Bulk start AI Scan for repositories; AI Scan for a repository's backlog.
Bagi syarikat perisian, agensi digital atau pasukan IT di Malaysia yang mengurus banyak projek pelanggan, mulakan dengan kumpulan kecil repositori yang pemiliknya jelas dan masih digunakan. Contohnya, pilih beberapa aplikasi yang mempunyai penyelenggara aktif supaya setiap amaran boleh disemak oleh orang yang memahami aliran data dan tujuan kod tersebut.
Sebelum memulakan imbasan berkumpulan, semak kelayakan repositori, baki kredit dan had bajet bersama pentadbir akaun. Tetapkan juga siapa yang akan menilai hasil, merekod keputusan dan menguji pembaikan. Langkah ini membantu mengelakkan senarai amaran bertambah tanpa pemilik.
Apabila amaran muncul, baca laluan kod dan cuba sahkan sama ada keadaan yang dilaporkan boleh berlaku dalam aplikasi sebenar. Jika pembaikan dicadangkan, uji fungsi berkaitan dan dapatkan semakan kod seperti perubahan lain. Rekodkan sebab sesuatu amaran dianggap tidak berkaitan supaya keputusan itu boleh dinilai semula apabila aplikasi berubah.
Untuk pembangun yang sedang membina kemahiran keselamatan, hasil imbasan boleh menjadi bahan pembelajaran: bandingkan penjelasan amaran dengan pelaksanaan kod, kemudian terangkan risiko dan pembaikan kepada rakan sepasukan. Gunakan hasil itu sebagai titik mula siasatan, sambil meneruskan ujian dan semakan keselamatan lain yang sesuai untuk projek.
Disediakan secara automatik dengan bantuan AI berdasarkan sumber yang dipautkan. Semakan sumber: 2026-11-17. Gambar utama ialah ilustrasi janaan AI, bukan foto peristiwa sebenar.