作者：Jack Naglieri
时间：2025 年 12 月 10 日
原文：
2025 年是安全运营 AI 化的拐点。智能体的部署从此前的谨慎实验，正式进入被业务兴奋情绪与“必须上 AI”共识所推动的真实生产场景。增长最直观的落点在三类场景：自动告警分类、在海量安全数据中的威胁狩猎，以及智能化检测调优。尽管团队仍在摸索“人 vs. 智能体”在决策链路中的最佳分工，但共识已经出现：AI 的早期收益肉眼可见——效率跃升、团队产能放大、知识沉淀加速，以及整体生产力的显著提升。
这一年也终于满足了企业对 AI 的核心诉求：更便宜、更智能、可持续升级。Claude 4.5、GPT-5 等前沿模型在推理、工具调用（tool use）与整体智能水平上持续突破，同时上下文窗口的扩大让它们在复杂调查中能“保持状态”，避免关键信息丢失。MCP（Model Context Protocol）等新协议把成千上万的关键业务应用接入模型，推动了当下最重要的趋势之一：上下文工程（Context Engineering）。团队第一次可以跨越 IT、运维与安全团队，由 AI 驱动地编排响应并管理事件。
技术安全团队自建 SOC 智能体（Security Operations Center Agents）的趋势也在快速上升。一方面是满足内部的深度定制需求；另一方面是补全厂商能力边界。随着越来越多安全厂商发布 MCP 服务器，以及 Claude Code 等“AI 原生开发套件”成为企业标配，进入门槛持续降低。安全团队现在能够以 AI 演进的速度扩展自研能力，只要愿意采用，就能获得接近“前沿同行”的生产力水平。
在这场快速迁移中，几个清晰的模式已经浮现：
上下文工程是打造有效智能体的核心
准确性优先，但速度同样重要
数据隐私已成为商用 AI 的底线
“人类参与”（Human-in-the-Loop）是理性路径
专用型智能体胜过大而全
上下文工程是打造有效智能体的关键
在安全运营中使用 AI，本质上是一个“上下文问题”。智能体要在复杂环境中给出可靠判断，必须对组织的人员、技术栈、历史行为模式以及威胁模型形成深度理解。当它能够访问多样的遥测数据（例如资产重要性、身份与权限、近期行为特征）时，分析准确性会成倍提升；反之，即便是最先进的模型，也只能输出浅层分析，甚至因为反复澄清与误判产生额外工作量——这是安全团队最不愿看到的情形。智能体必须具备与人类分析师对等的工具与数据访问能力，双方才能真正互补。
以数据外泄场景为例：某个警报提示一名员工从敏感代码库下载了大量文件。警报告诉我们“发生了什么”，但要回答“为什么发生”以及“是否构成风险”，问题会迅速变得具体而复杂：
这名员工的角色是否本来就会访问这类数据？
下载行为是否符合其近期模式？
使用的设备是否为个人设备？
是否在过去几天出现过其他可疑访问？
传统 SIEM 工作流要求分析师通过多次独立查询拼接事实，每次查询都迫使他们切换上下文，并重建调查的认知模型。有效的智能体会把回答这些问题所需的组织上下文编码进去——从身份系统提取员工档案，用用户行为分析（UBA）识别异常模式，结合位置与设备属性，并参考检测规则对应的操作手册（playbook）来组织情景分析。智能体通过高效的工具调用与上下文管理，仅发起验证假设所需的查询，并将判断结果提交最终审批。
那些在过去几年投入数据湖和结构化安全数据管道的团队，正是在为这一能力打基础。如今他们能够为智能体提供丰富的历史模式、元数据与组织上下文，把一项 30 分钟的人工调查压缩成 2–3 分钟的智能体辅助分析。
尽管智能体已经彻底改变了团队自动化收集上下文的方式，但对其分析与推理能力的要求依然很高，尤其在需要高精度的场景中。挑战不在于信息是否齐全，而在于智能体是否真正理解它所处理的“上下文意味着什么”。
智能体的准确性优先于速度
2025 年形成了一个清晰的行业预期：安全团队更在乎准确性，而不是极端速度。“我宁愿它慢一点但做对”成为普遍态度。目前对自动告警分类与调查任务的接受度大致稳定在五分钟以内，原因很简单——真正正确的上下文收集需要时间。智能体必须跨多个系统发起查询、关联多类信号，并结合组织上下文之后，才能给出可信判断。安全团队无法承受因错误的工具调用或缺失上下文导致的误判；智能体的价值并不在于“秒级响应”，而是把过去需要 30 分钟的人工调查压缩到几分钟的智能体编排分析。
随着智能体进入生产环境，“它是如何得出结论的”变成关键要求。缺乏推理链路、没有证据来源的结论，不仅无法提升效率，反而会拖慢分析师。如果一个智能体说“这条告警是误报”，却不给解释，分析师只能选择盲目信任（风险巨大）或重做调查（抵消价值）。二者都会削弱信任，增加摩擦。
真正能够落地的生产级智能体，会清晰展示自己的推理链路：调用了哪些工具、查询了哪些系统、观察到哪些信号、依据哪些上下文得出判断。分析师可以轻松验证、质疑并复用这些步骤，形成可审计、可复现的工作流。
准确性与透明度并非两个独立要求——它们共同支撑同一个核心目标：让安全团队能够放心地把越来越多的自主判断交给智能体。
数据隐私不可妥协
到 2025 年，安全运营团队对数据隐私的底线已经毫无模糊空间。无论是输入智能体的安全遥测数据，还是智能体输出的综合性分析结论，都必须牢牢处在组织的完全控制之下。安全负责人会严格审查任何需要微调或模型训练才能生效的方案：不会为了安全自动化把专有数据发给第三方，也不会因为部署智能体而引入新的数据外泄面。尤其是智能体生成的高价值洞察——告警关联、用户行为模式、威胁行为者归因——其敏感性远高于任何单条日志事件。
这种要求直接塑造了智能体的实施路径。团队希望在不需要把敏感数据用于模型训练、不依赖基于其专有数据训练的模型、也不增加合规复杂性的前提下使用 AI。幸运的是，前沿模型的 泛化能力已足够成熟，大多数 SOC 智能体工作流并不需要微调模型才能达到可用水准。智能体可以依靠上下文工程、工具访问以及检索增强生成（RAG）完成任务，无需让模型“见到”原始敏感数据。
所有数据都留在你的数据湖中；上下文在推理过程中动态组装；智能体在这些数据之上进行分析与判断，而不会让任何信息离开你的控制边界。对于 2025 的安全团队而言，这是不可协商的前提。
在“人类参与”的前提下实现自主性
到 2025 年，安全运营领域对自主性的讨论已经成熟许多。早期的两极化态度——从全面禁止 AI，到幻想智能体取代一线分析师——已经让位于更务实的路径：在“人类参与”（Human-in-the-Loop）的前提下，根据置信度与风险逐步提升自主性。智能体的使命并不是接管人类决策，而是自动化那些占用大量分析师时间、又难以用传统确定性自动化覆盖的重复性上下文收集工作。
如今的智能体能够执行初始告警评估、根据动态上下文调整优先级，并在分析师看到告警之前自动补充威胁情报。这种演进通常呈“爬—走—跑”结构展开：
爬： 丰富、摘要、结构化上下文。
走： 引入推理能力，让智能体对告警给出初步判断。
跑： 在高置信度场景下执行自动化隔离与修复行动，实现真正的闭环。
在人类参与的前提下，分析师的角色正在从“亲自评估每条告警”，根本性转向“监督智能体的判断”。过去，一个分析师需要花 15–30 分钟为单条告警收集上下文并决定下一步行动；现在，这些工作大部分由智能体完成。分析师的介入被前移到更高层级：不再从零开始调查，而是验证智能体的结果、在智能体因不确定性升级时补充必要上下文，并专注处理那些真正需要人类判断力的复杂案例。
在最高级自主阶段，分析师的工作从“逐条审查告警”，转变为“管理一支智能体团队”：每周或每月对智能体的输出进行审计，而不是陷入无休止的告警分类循环。人依然在回路之中，但回路的形状已经改变——智能体承担了大量重复、枯燥且耗时的上下文工作，使人类可以把时间投入到检测逻辑优化、智能体工作流改进，以及识别智能体上报的新型威胁。
这一带有防护栏的、可控的自主性模式，已经成为 CISO 和安全团队最成功的前进路径。智能体提供显著的生产力提升，但前提依旧明确：它必须通过透明性、准确性，以及在必要时果断升级来赢得信任，而不是草率下结论。
专用型智能体
2025 年最成功的智能体部署呈现出一个与人类安全团队高度一致的模式：多个专业化智能体协同工作，而不是依赖单个通用型智能体覆盖全部任务。能够承担完整安全运营职责的“万能智能体”目前并不存在；尝试构建它的团队也发现，泛化能力往往以牺牲效果为代价。现实中，组织正在采用的是更务实的路径——部署职责明确、领域聚焦的智能体：例如专门分析 AWS 活动模式的 CloudTrail 分析智能体，或基于噪声告警持续优化规则表现的 检测调优智能体。每个智能体在自己的垂直领域深耕，而它们的组合让整个 SOC 的运行效率大幅提升。
这种架构让检测—响应生命周期中的“迁移学习”与反馈循环真正可行。当分类智能体持续将某类告警模式归为“良性”时，检测调优智能体可以据此调整阈值或添加过滤条件；当分析智能体在调查中发现重复性弱信号，补救智能体可以把这类模式纳入后续自动化动作的触发条件。多个专业化智能体协同运行，形成一个可持续学习、可持续改进的系统，使整体效果不断复利。
关键在于，如今我们可以一次性部署一组专业化智能体，而它们之间的协调成本由系统自动处理——不再通过会议、不再人工交接，而是通过智能体之间的结构化接口、上下文共享与任务编排自然完成。
展望未来
2025 年初与年末之间的落差可以说是剧烈的。年初的安全团队还在小心翼翼地试验 AI，不确定哪些能力是真价值、哪些只是新瓶装旧酒。然而到了年末，智能体已经稳态运行在生产环境：每天处理成千上万条告警，让调查效率提升 80%，并以可量化的方式证明了自身价值。过去几年对数据湖、结构化遥测以及“检测即代码”（Detection-as-Code）的基础投入，如今正在兑现，让智能体不仅“看起来令人印象深刻”，而是真正有效。
未来的安全运营将是人类专业能力与智能体能力的组合式体系。那些跑在前面的团队，通过自动化重复性的上下文收集、初步评估和常规响应动作，显著放大了分析师的知识与影响力。他们在构建能够像协同团队一样合作的专业化智能体集群，让分析师从“处理无尽告警队列”转变为“管理一支智能体团队”。
成功团队的共性已经非常明确：
更重视准确性与透明度，而非盲目的速度；
在数据隐私上保持绝不妥协的立场；
在防护栏下实施可控自主性；
构建可协作、可迭代的专用型智能体体系；
把 SIEM 从“日志平台”真正转变为“智能体驱动的安全运营基础设施”。
从传统 SIEM 向智能体驱动的安全运营演进还没有完全结束，但前进方向已经清晰无比。这一次，安全运营的范式转移是真的在发生。