自动补全代码技术可显著提升开发效率。近年来，基于Transformer架构的大规模语言模型（LLM）技术被广泛应用于代码生成任务。然而，已有研究表明，此类模型生成的代码中普遍存在安全漏洞。为此，本文提出一种新型的“漏洞约束解码”（vulnerability-constrained decoding）方法，旨在减少模型生成代码中的漏洞数量。我们利用一个包含已标注漏洞行的小规模代码数据集，对大语言模型进行微调，使其在生成代码时附带漏洞标签，从而实现将漏洞检测功能内嵌于生成过程中，相当于在模型内部构建了一个嵌入式分类器。在解码阶段，通过禁止模型生成带有漏洞标签的代码片段，有效避免生成存在安全缺陷的代码。为验证该方法的有效性，我们选取以太坊区块链智能合约（Smart Contracts, SCs）作为案例研究，因其对安全性具有极为严格的要求。首先，我们基于从2,217,692个智能合约中去除重复后保留的186,397个合约，对拥有60亿参数的GPT-J模型进行微调，整个微调过程耗时超过一周，使用了十张GPU。实验结果表明，微调后的模型在生成智能合约时，平均BLEU（双语评估替补）得分达到0.557。然而，进一步分析发现，自动补全生成的智能合约中仍存在大量漏洞。针对包含多种类型漏洞的176个智能合约，我们以漏洞行之前的代码片段作为输入，进行自动补全，结果发现超过70%的生成代码存在安全隐患。为此，我们进一步在另外941个包含相同类型漏洞的智能合约上对模型进行微调，并引入漏洞约束解码机制。此次微调仅耗时一小时，使用四张GPU完成。随后，我们再次对这176个智能合约进行自动补全，结果显示，本方法能够识别出62%的代码片段存在漏洞，并成功避免生成其中67%的漏洞代码。实验结果表明，所提出的漏洞约束解码方法能够在保证代码生成质量的同时，高效且有效地降低自动补全代码中的安全风险，为提升AI辅助编程的安全性提供了可行的技术路径。