文章主要内容与创新点总结一、主要内容本文针对智能合约漏洞检测中传统方法误报率高、可扩展性差，以及现有大语言模型（LLMs）检测存在推理成本高、计算开销大等问题，提出了一种并行的LLM与检索增强框架ParaVul。该框架通过四个核心阶段实现高效准确的漏洞检测：数据预处理：将原始智能合约代码标准化为统一JSON格式，转化为二进制漏洞标签向量，同时去除噪声和冗余信息，保留完整语义。LLM与RAG并行检测：本地部署经SLoRA微调的LLM检测器，以及融合稠密检索与BM25的混合RAG检测器，两者并行分析合约代码，输出结构化检测结果。检测结果验证：基于元学习模型构建验证模块，对LLM和RAG的检测结果进行加权融合，生成最终检测结果，提升可靠性。报告生成：利用思维链（CoT）提示技术，引导LLM生成包含漏洞位置、根本原因、安全风险、潜在影响及缓解策略的详细报告。实验结果表明，ParaVul在单标签检测中F1值达0.9398，多标签检测中F1值达0.9330，性能优于传统方法及现有LLM、RAG相关方案。二、创新点提出ParaVul框架：首次将LLM与混合RAG系统通过并行处理结合，同步进行模型检测与检索验证，同时设计结构化报告模板，提升检测效率与结果可读性。开发