LLM记忆变程序分析：漏洞研究新思路

I accidentally turned LLM memory into program analysis

我在用LLM进行漏洞研究时，发现模型在长时间对话中容易遗忘关键结论或基于错误假设继续推理。为了解决这个问题，我尝试将LLM的记忆系统改造为类似程序分析的逻辑引擎。通过引入Datalog规则，我开发了Lemmalog，让LLM负责理解模糊的自然语言和调试输出，而由数据库负责维护结构化事实及其推导关系。这样，当某个观察结果被修正时，所有依赖它的结论会自动失效，并能追溯推导来源。这种思路让漏洞调查过程更像静态分析，既保留了LLM的灵活性，又引入了确定性推理的严谨性。