以下文章来源于：ISC2华南分会

ISC2华南分会是全球领先的网络安全专业人士会员协会及非营利组织ISC2在中国华南地区的唯一官方分会，是连接华南地区信息安全专业人士的重要桥梁，是推动行业人才交流与技术进步的重要平台。

基于24年安全运营实战经验，系统解析SOC四代演进、全球头部厂商和标杆企业落地案例，以及国产化完整架构方案

Agentic SOC的真相：不是AI替代人，而是重新定义安全团队

【摘要】本文基于笔者24年安全运营从业经验，系统回顾了从SOC1.0到SOC4.0的二十多年演进历程。笔者在国内率先提出了SOC1.0至SOC4.0的概念，有幸亲历了中国安全运营从合规导向、对抗导向向价值导向转变的全过程。当前全球已有140余家厂商布局AI SOC / Agentic SOC赛道，但Gartner 2026技术成熟度曲线显示，AI SOC Agents正处于炒作顶峰期，市场预期远超实际落地能力。现阶段行业面临人才缺口、管理层过高预期、人机协同认知偏差、AI信任风险等四大核心痛点。笔者结合Splunk、Google等全球头部厂商和Expel、Exeter、泰森食品等前沿企业的实战案例，提炼出信任治理、剧本+智能体混编自动化、人类主导AI辅助人机协同模式、驾驭AI四原则、AI工程化等五大实战经验。在此基础上，笔者提出了国产Agentic SOC完整架构设计方案：以数据编织、多智能体、智能编排、低代码开发四大核心能力，搭建安全数据中心、安全协作中心、安全智能体中心、定制开发中心四大中心一体化平台，并给出了审慎乐观的分阶段建设路径和四种可行建设方案。本文旨在为政企、金融、能源、运营商等行业安全运营智能化升级提供可落地的实战参考。

1 SOC二十余年演进：从合规驱动到价值驱动

1.1 四代演进概述

从2000年SOC进入中国到2026年的二十多年间，安全运营平台经历了四个明显的代际演进过程。从最初面向资产的SOC1.0到面向业务的SOC2.0，再到数据驱动的SOC3.0，直至当前AI赋能的SOC4.0（Agentic SOC），每个时代的SOC平台都具有鲜明的时代烙印，体现了SOC建设需求、目标和技术要求的不断演变。

必须明确的是，安全运营是网络安全体系的核心价值载体。安全体系建设仅贡献30%基础能力，剩余70%的安全价值完全依靠持续常态化运营落地，而SOC安全运营平台正是所有运营流程、工具能力、人员协作的核心载体。SOC并非单一安全产品，而是技术架构、运营流程、人员能力三位一体的综合安全运营体系。

1.2 SOC1.0（2004年）：资产驱动，合规起步

2000年前后，SOC概念开始进入中国，2004年迎来首轮建设热潮。早期建设以海外成熟商用SIEM产品为主，国产化方案尚未成型。典型落地案例中，某大型美国上市国企为满足《萨班斯法案》合规要求，花费200万美元采购海外SIEM产品，耗时一年完成部署上线，是国内早期SOC建设的典型缩影。

SOC1.0核心定位：以资产为核心，聚焦安全事件集中管控。以资产风险模型为基础，完成全网安全事件统一采集、分析、预警，核心目标是满足ISMS合规核查。

SOC1.0平台特征：依托海外主流商用SIEM产品进行本地化适配与二次改造。围绕资产管理、事件分析、风险评估等搭建功能闭环，仅能实现基础日志集中与静态风险评估，无主动对抗分析能力。

这一时期的SOC，本质上更像一个“日志收集器+报表生成器”，核心价值是应付审计。

1.3 SOC2.0（2009年）：业务驱动，合规爆发

2009年等级保护制度全面落地推行，成为国内SOC规模化建设的核心驱动力。各地网安部门常态化开展等保测评与执法检查，政企业务系统上线、运维、存续均需满足合规要求。典型场景中，某市商业银行接到限期等保整改通知，若无法按时完成整改，核心业务系统将被禁止上线。该银行最终选择国产SOC方案的核心原因，是产品合规文档完善、审计适配性强、整改落地便捷。

SOC2.0核心定位：以业务系统为核心，对齐业务风险管理。从业务视角建模安全流程，打通业务系统与安全设备数据，实现监测、审计、告警、报表一体化，安全能力贴合业务持续运行诉求。

SOC2.0平台特征：国内厂商全面自主研发，以关联分析引擎为核心，架构分层设计数据采集层、统一管理中心、可视化界面。

当前国内绝大多数政企存量SOC平台，均为2009-2015年建设的SOC2.0体系。该类平台可满足日志汇总、基础关联分析、合规报表生成等基础诉求，但无法实现未知威胁发现、完整攻击链溯源、自动化响应处置等实战对抗能力。

1.4 SOC3.0（2015年）：数据驱动，攻防对抗

2015年前后，多起国家级APT攻击事件暴露传统合规型SOC的致命短板。某部委遭遇定向APT渗透，攻击者在内网长期潜伏3个月，窃取上百GB敏感数据，直至数据外发境外才被发现。事后溯源显示，完整攻击痕迹全程留存于系统日志中，但海量告警淹没有效线索，人工筛查完全无法及时感知风险。

2016年，419讲话提出国家网络安全战略，HW攻防行动开始常态化。行业对SOC平台的需求从“满足合规”升级为“应对实战”，SOC3.0大数据对抗时代正式来临。

SOC3.0核心定位：大数据驱动，构建主动攻防运营能力。基于分布式大数据存储与计算架构，引入UEBA用户行为分析、威胁情报、EDR/NDR/XDR技术，实现攻击链溯源、异常行为识别，主打态势感知能力。

SOC3.0平台特征：分层大数据架构（采集层、数据层、分析层、运营层），融合机器学习算法，支撑批量日志检索、离线仿真、实时关联分析。

然而，数据孤岛、流程割裂问题依然突出，高度依赖人工研判。某金融单位的态势感知平台每天处理超过50TB日志，使用约20台服务器进行大数据分析，但真正的高级威胁仍需人工筛选。原因在于，EDR、NDR、CWPP等高价值数据分散存储，形成数据孤岛，关联分析难以实现全域视角。

1.5 SOC4.0/Agentic SOC（2025年）：AI驱动，探索前行

2025年起，Agentic AI技术落地提速，安全运营正式进入SOC4.0智能时代。国内头部金融机构率先开展试点落地，成为首批试水生产级Agentic SOC的行业用户之一。某金融机构SOC经理坦言：“市面上宣称做Agentic SOC的厂商有140多家，但真正在生产环境落地的案例屈指可数。我们先在测试环境验证，只处理低风险告警，所有操作必须人工确认。核心目标是验证智能体能否从对话工具升级为自主任务执行载体。”

在一次模拟DDoS混淆攻击测试中，平台告警从平时的5000条飙升到50000条。传统SOC需要值班人员3-4小时筛查，极易错过真实威胁。而Agentic SOC的表现是：AI智能体3秒完成初筛，标记出37条可疑告警；自动触发溯源剧本，15分钟还原攻击链；生成处置建议并提交人工确认；值班分析师审核1分钟后批准执行。

试点复盘后，该SOC经理表示：“效果确实不错。但如果要在生产环境上线，需要稳定运行半年，误报率控制在5%以内，且绝不能误杀业务系统。行业需求已经从‘降本合规’转向‘提质增效、价值落地’，但这个转变才刚刚开始。”

SOC4.0（Agentic SOC）核心定位：构建Agentic AI赋能、数据+流程双轮驱动、自动化优先的实战化自主安全运营平台，全程遵循风险管理、网络弹性设计思路。

SOC4.0平台特征：

首先，AI态（智能体为核心）：基于LLM大模型打造多类安全智能体，融合传统规则引擎与生成式AI，自主拆解、执行安全运营任务。

其次，分析态（数据驱动）：采用数据编织技术搭建轻量化虚拟数据中台，解决数据孤岛、数据引力难题，面向安全专家提供深度研判能力。

第三，运行态（流程驱动）：双流程引擎（机器剧本+人员工单），实现人机协同闭环，面向一线运营人员完成常态化威胁处置。

2 概念厘清：Agentic SOC核心定义与分级标准

2.1 行业概念混乱现状

笔者在RSAC安全大会上观察到一个现象：众多厂商宣称自己是AI SOC，但当询问其产品是否为Agentic SOC、AI是否具备自主拆解任务、调用工具、迭代思考能力时，绝大多数厂商无法给出明确答复。这揭示了行业现状：概念混杂，产品参差不齐。

当前行业对AI SOC、Agentic SOC、SOC智能体定义混杂，市场大量产品仅实现简易AI插件，并非完整SOC4.0体系。笔者对相关概念进行统一厘清如下：

2.2 核心概念定义

概念对比一览表

AI SOC Agent（SOC智能体）的两种落地形态

行业观察：海外大量创业厂商以插件化智能体切入存量改造市场，但该模式仅为过渡方案。真正的生产级Agentic SOC必须完成底层架构、数据、流程的全方位重塑，单纯插件叠加无法突破传统SOC的能力天花板，这也是大量智能体创业厂商持续被头部SIEM、XDR厂商收购的核心原因。

2.3 AI安全运营自主化分级标准

参考自动驾驶分级逻辑，笔者将安全运营平台自主能力划分为五个层级：

行业现状分布（基于笔者团队对国内30余家政企、金融、能源、运营商行业的调研观察）：

行业权威共识：结合Gartner研判，网络安全运营永远不会出现完全无人自主SOC。安全对抗的本质是人与人的博弈，机器仅能作为辅助工具，人类永远是安全责任与战略决策的唯一主体。

3 落地挑战：从炒作顶峰到现实落地的鸿沟

3.1 行业热度与技术成熟度错配

笔者观察到，全球已有140余家厂商布局AI/Agentic SOC赛道，海外落地进度相对领先，国内处于早期试点阶段。Gartner 2026技术成熟度曲线显示，AI SOC智能体处于炒作顶峰（Peak of Inflated Expectations），市场预期远超实际落地能力，后续将进入泡沫破裂、落地沉淀周期。

与此同时，组织架构正在发生颠覆性变化。传统SOC金字塔人员结构开始向钻石型架构演进，底层告警分诊等基础工作由AI承接，中高级分析师、安全架构师占比显著提升。

传统金字塔型结构 vs 钻石型架构对比

核心变革本质：AI不替代安全人员，而是替代低端重复劳动，倒逼团队能力升级，重构安全团队人才结构与价值体系。

3.2 落地四大核心痛点

（1）人才缺口与技能退化悖论

Gartner数据显示，全球仅17%企业配备专职AI安全运营人员，行业专业人才缺口巨大。AI承接基础告警研判、日志分析等重复工作后，初级分析师失去常态化实操场景，长期依赖AI输出结果，导致基础研判、威胁识别、攻击溯源等核心实战能力持续退化，形成“AI越用、人越弱”的行业悖论，不利于团队长期能力建设。

（2）管理层过高预期与现实落差

Gartner判断指出，董事会普遍期待AI实现人员缩减，忽视AI落地算力、改造、培训等隐性成本。一个真实对话场景是：董事会询问“AI SOC能减掉多少人”，而CISO回答“不能减人，反而要加人，因为需要AI专职人员维护模型、调优参数、监督AI决策”。这种认知偏差往往导致项目失败。

（3）人机协同认知偏差

行业共识是，AI无法完全替代人，2027年前90%成功落地案例仅做能力增强，而非岗位替换。但部分企业追求“完全自主的无人SOC”，忽视了一个关键问题：AI极有可能会犯错。当AI误杀核心业务系统导致巨额损失时，缺少人工审核环节的代价是灾难性的。

（4）AI信任风险与治理缺失

某企业上线AI SOC自动化处置能力后，AI误将完成数据迁移的核心数据库服务器判定为数据外泄攻击，自动执行主机隔离操作，导致核心业务中断2小时，直接经济损失超300万。事故根源暴露三大治理短板：AI缺失业务上下文感知能力、高危操作无人工复核机制、无完整的AI操作审计与管控体系。大模型幻觉、结论无溯源、决策不可控、操作无约束，是Agentic SOC生产落地的最大风险，无治理、无审计、无管控的AI自动化，绝对不能上线生产。

3.3 AI落地不变的两大核心本质

AI模型、智能体框架、工程范式迭代速度极快，从Prompt工程、Harness工程、Loop迭代工程演进至Graph工程，技术热点持续更迭，盲目追新极易形成技术负债。落地Agentic SOC需抓住两大不变根基。

（1）数据决定安全运营的智能化上限

“大模型决定智能体下限，数据决定智能体上限”。某企业花费高价采购顶级大模型，但AI分析准确率仅40%。核心原因并非模型能力不足，而是数据质量低劣：日志字段缺失、资产信息失真、威胁情报陈旧、数据孤岛严重。AI依然遵循“垃圾进、垃圾出”的底层逻辑，再先进的模型，也无法弥补脏数据、乱数据、缺数据带来的能力短板。

IDC预测：2027年，无高质量AI就绪数据的企业，AI工具幻觉、错误率将大幅上升，产生负生产力。Gartner预测：2030年，三分之一IT工作量将用于修复数据债引发的安全问题。

进一步地，传统集中式数据中台已经失效。EDR、NDR、CWPP等高价值数据就近存储，数据引力效应造成海量数据孤岛。必须采用“数据编织（Data Fabric）”搭建虚拟轻量化中台，实现数据虚拟集成、按需调用，无需全量迁移存储。

（2）流程定义安全运营的业务灵魂

某企业让AI自动生成安全运营流程，AI生成了一套“完美”的剧本：从告警接收到事件闭环共37个步骤。但实际运营时发现，这套流程并不符合企业的业务场景和合规要求。原因在于AI不懂业务细节：高危操作需要三级审批、数据库主机不能直接隔离必须先通知业务方、合规要求所有操作必须留痕。

行业六大核心运营价值链（威胁事件、漏洞、资产暴露、情报、态势、防御策略）无法被AI替代。AI可优化流程效率，但无法凭空生成符合企业业务、合规要求的运营流程。脱离安全业务人员把控的AI流程无法落地生产。

必须谨记的是，确定性剧本工作流+概率性智能体任务必须混搭使用。确定性场景用传统引擎保障稳定，复杂多分支场景交由智能体自主拆解、动态推理，实现稳定与智能的平衡。

4 全球头部厂商和前沿企业Agentic SOC实战参考

4.1 核心洞察：信任治理大于技术迭代

结合2026年RSAC大会一线观察，Splunk、Google、Elastic、SentinelOne等头部厂商，以及Expel、Exeter、泰森食品等标杆企业的落地实践，呈现高度统一的核心共识：Agentic SOC落地成败，不在于模型先进性、智能体数量，而在于信任治理、流程管控、风险兜底能力。笔者提炼出五大可复用的实战落地经验。

4.2 Splunk Agentic SOC：信任治理为核心

Splunk的安全业务负责人在台上提出：“The core of agentic SOC is not technology, it's trust and governance”（Agentic SOC的核心不是技术，是信任和治理）。智能体的自主能力必须建立在可管控、可验证、可追溯的基础上，确保输出结果具备确定性、可靠性、可审计性。

Splunk的智能体治理体系涵盖五大维度：智能体专属身份管理（非人类身份管理）、合规管理（如GDPR的数据遗忘权等）、智能体自身安全防护、数据治理与数据完整性、智能体工作过程和输出结果的验证。

Splunk推出了6类标准化安全智能体：检测构建智能体、SOP剧本智能体、告警分诊智能体、恶意样本逆向智能体、引导响应智能体、自动化构建智能体。但所有自动化操作都设有人工确认环节。

交互创新层面，Splunk采用LUI自然语言界面+GUI可视化画布混合模式，而非纯聊天框。原因在于，安全分析师不需要聊天机器人，而是需要工作台。用户可以用自然语言提问，AI会自动生成态势看板，用户可在看板上一键执行处置。

4.3 Google Agentic SOC：剧本+智能体的混编自动化

Google的核心创新是Agentic Automation，即在传统剧本流程中嵌入智能体节点。

传统剧本采用固定流程，遇到新的攻击手法即失效。而Agentic剧本采用“固定框架+灵活智能体”模式，智能体可以自主应对未知威胁。在Agentic剧本中，智能体通过分析邮件内容、附件行为、发件人历史，自动判定风险等级并生成新的检测规则。整个过程中，人只需确认AI的判断。

Google推出了四大核心智能体：告警分诊、威胁猎捕、检测工程、第三方上下文智能体，目前均处于Beta客户预览阶段，尚未全量商用。

4.4 Expel：人类主导、AI辅助的人机协作准则

Expel是一家MDR（托管检测与响应）服务商，他们通过双向对比验证，明确否定“AI主导、人类辅助”的高危模式，确立“人类主导、AI辅助”的人机可控协同的落地准则。Expel团队复盘指出：AI自主流程越长、自主权限越高，不可控风险越大。AI无法承担安全事故责任，一旦出现误判、误处置，所有风险与损失均由人类分析师与企业承担。若以AI为主导，人工无法实现全流程校验审核，风险敞口极大。

Expel最终落地模式为：以原有成熟人工运营流程为核心，逐步嵌入AI辅助能力，替代机械重复环节，所有AI新增流程预留人工校验、一键回退、强制接管能力，确保风险全程可控。

Expel总结的三大落地铁律：价值优先不追逐技术噱头、所有AI流程预留人工校验节点、全链路透明可审计拒绝黑盒AI。

4.5 Exeter：驾驭AI的四条硬规则

海外金融机构Exeter结合高等级安全合规要求，总结出一套可标准化复用的AI运营管控框架，提出了四条硬规则：

规则1：AI默认只读权限。所有写操作（修改配置、隔离主机、封禁IP）必须人工审批。

规则2：结论必须有证据链。AI给出的任何判断必须绑定原始证据（日志、流量、漏洞扫描结果），“无引用不采信”。

规则3：全链路日志审计。AI的每一次操作、每一个决策都必须留痕可追溯。

规则4：量化指标持续评估。定义了MTTD（平均检测时间）、MTTR（平均响应时间）、事件误报率、分析师情绪反馈4个核心指标，并定期评估AI效果持续调优。

落地收益（6个月数据）：MTTD下降36%、MTTR下降22%、事件误报率降低16%，分析师满意度从3分上升到4.2分（满分5分）。

4.6 泰森食品：AI工程化落地三大核心考量

泰森食品作为大型实体企业，在Agentic SOC试点中踩遍行业典型坑点，总结出极具参考价值的工程化落地经验。

踩过的三个坑：AI引用虚假情报产生幻觉误判、钓鱼邮件提示词注入诱导AI放行风险、AI越权触发高危业务操作导致中断。

基于这些实践教训，泰森食品总结出了Agentic SOC落地的三个关键工程化考量要点。

第一，搭建AI安全护栏。坚守四大原则：无引用不相信，无人控不执行，无评估不发布，无审计不上线，从流程上杜绝AI失控风险。

第二，完善AI自身安全防护。默认所有外部输入不可信、策略与内容分离、工具操作白名单管控、提示词版本管理与注入检测，抬高AI被诱导、被劫持的攻击门槛。

第三，标准化运维管控。“要像运行生产系统一样去运行这个Agentic SOC系统”，完善可观测性、高可靠性、成本管控、变更管理体系，保障AI能力长期稳定运行。

5 国产Agentic SOC完整架构实践

5.1 架构设计背景

当前国内大部分用户的安全运营都面临“人手紧、数据乱、效率低、定制难”的困局，传统SOC2.0/SOC3.0平台数据孤岛严重、流程固化、智能化不足、定制成本过高，已无法适配AI对抗时代的实战运营需求。

基于二十四年SOC落地工程经验，笔者团队设计了一套适合国情的Agentic SOC平台架构：以数据编织、多智能体、智能编排、低代码开发四大核心能力，搭建四大中心，构建一体化安全运营平台。

5.2 安全数据中心：数据编织底座

核心痛点：当前安全数据集中的成本不断攀升，新的数据不断涌现且越发分布，情境数据难以利用，数据关系日趋复杂，数据安全与隐私问题日益凸显，阻碍了安全数据的价值释放。

架构方案：采用数据编织技术：以元数据为基础，统一数据模型和数据治理，编排数据管道，简化数据集成、分析和呈现过程，构建逻辑上统一的数据层，并持续监控数据质量。必要时不做物理迁移，只做虚拟映射。边缘数据保留原地，通过统一的数据编织层，AI可按需拉取所有数据。

该架构包含七大构件：数据集成、加工、治理、编排、存储、分析、分发，构成完整的数据全生命周期管理体系。

基于这七大构件，实现三大核心能力：

第一，虚实双模式集成。核心系统数据采用实时/批量全量物理采集进行集中存储，边缘数据采用虚拟化映射按需拉取无需迁移。

第二，全域本体建模。统一资产、漏洞、IP、业务实体语义库，降低智能体算力消耗，提升研判准确度。AI分析速度提升10倍，准确率提升30%。

第三，全程数据质量监测。自动识别脏数据、缺失数据、失真数据，动态调整AI分析权重，触发运维整改机制，杜绝垃圾数据干扰智能研判。

5.3 安全协作中心：双流程引擎

核心痛点：传统SOC仅具备机器自动化剧本引擎，仅适配机器-机器联动场景，无法支撑跨部门、多角色、高合规要求的人机协同流程，多数企业依赖外部ITSM工单系统，数据不互通、流程不闭环、人工重复录入，效率极低。

架构方案：搭建独家双流程引擎体系，实现机器自动化与人机协同流程双向打通、无缝联动。

第一，机器流程（剧本引擎）：高并发自动化处置，适配隔离、封禁等毫秒级响应场景。

第二，人员流程（服务流程引擎）：漏洞整改、跨部门协同、安全审计等人机流转场景，配套表单引擎。

第三，流程双向打通：剧本可调用智能体、智能体可触发工单流程、工单结果可触发剧本。

5.4 安全智能体中心：AI可控核心层

设计理念：多模型兼容无绑定，内置整套AI工程化管控体系。

该中心具备五大核心能力：

第一，智能体调度中枢。集中管控告警分诊、威胁狩猎、攻击溯源、报表生成、设备巡检多类智能体，支持长短记忆联动、知识库实时检索、历史经验复用。

第二，权限分级管控。AI操作权限严格继承操作人员RBAC权限体系，AI无法执行人类无权限的高危操作，高危动作强制多级人工复核，杜绝越权风险。

第三，置信度打分、全链路审计、输出标准化。置信度>90%自动执行、60-90%人工确认、<60%拒绝执行转人工处理。所有AI操作全程留痕可追溯。

第四，故障优雅降级。大模型服务中断时一键切回传统人工/剧本模式，业务不中断。

第五，多模型冗余。支持多模型热切换，适配不同场景算力需求，主模型故障时自动切换备用模型。

5.5 定制开发中心：低代码快速开发

核心痛点：安全行业缺乏标准化交付，每个客户需求各异（A客户要适配等保2.0、B客户要对接自身ITSM、C客户要定制化报表）。传统方案每个需求都要改代码，开发周期长成本高。

架构方案：平台内置低代码可视化开发中心。

核心能力：仪表板/报表/流程/页面可视化拖拽配置；指标自定义引擎，支持MTTR、误报率等AI效果自动统计；平台MCP化，所有能力标准化API可供智能体外部调用。

实战效果：某客户新增威胁情报同步功能，传统方案需4周（开发2周+测试1周+部署1周），低代码方案运维人员用拖拽配置2小时完成。

6 落地实施分步路线

6.1 逐步增强自主性的落地路径

Agentic SOC的智能化场景建设切忌一步到位、激进全量上线，需遵循“先可控、后自主、先试点、后推广”的原则，分阶段稳步迭代，逐步提升智能体自主能力与企业信任度，全程置于安全护栏管控之下。

第一阶段（基础可控场景）：仅部署告警分诊智能体，最低风险、最快见效、验证AI价值。KPI：告警降噪率>80%，误报率<5%。

第二阶段（研判辅助）：部署溯源、情报富化、报告生成、安全设备巡检、资产清点、漏洞评估智能体。注意：仅做信息整合，无自主处置权限。AI只负责"提供建议"，不负责"自动执行"。

第三阶段（有限自动化）：开放低风险阻断、IP拉黑预授权。封禁外部IP属于低风险（不影响业务），隔离内部主机属于高风险（可能影响业务），高危操作保留人工审核。

第四阶段（全链路协同）：完整数据+流程+智能体联动，搭建分级信任治理体系，并可以动态调整。AI可自主处理70%+常规安全运营任务，人工只需监督+决策。

6.2 选择合适的平台建设方案和演进路径

Agentic SOC势在必行。但是当前国内用户大都经历了SOC2.0和SOC3.0时代，生产环境中存在一套甚至多套面向等保合规的SOC2.0平台或者面向对抗的SOC3.0平台，已经进行了大量投资。同时，AI技术范式迭代过快，盲目投入AI存在巨大技术负债风险。基于此，笔者设计了四种建设方案供用户选择，所有方案最终统一收敛至SOC4.0 Agentic SOC。

方案1：外挂智能体层，用最小投入实现智能化改造

针对现有 SOC3.0 能力（包括数据质量）尚可、业务稳定、暂不具备整体替换条件的用户，可采用外挂智能体中台 + 能力插件化接入模式。不改动原有 SIEM、日志、告警、处置流程、权限体系，在现有平台上层叠加安全智能体能力，将安全运营的部分工作任务和活动交给智能体去完成，然后再流转回SOC平台中。

这种方式相对稳妥，快速见效，但受限于数据就绪能力弱，效果有限，可用于积累AI经验，属于过渡方案。

方案2：全面升级运营协作层，基于智能体编排和剧本编排实现高阶自动化

很多用户还处于SOC2.0阶段，或者虽然进化到了SOC3.0，但SOAR能力缺失或者偏弱。这时可在轻量化智能体外挂基础上，新建或替换现有SOC平台的流程编排与运营协作层，融合传统剧本自动化与智能体自主任务化能力，形成 “剧本固定流程 + 智能体动态推理” 的混合编排体系。

这种方式其实更多是在借助AI补齐安全运营的响应和闭环能力短板，积累运营流程经验，距离真正的Agentic SOC还有差距。

方案3：建立或重构数据底座，打好基础

针对很多仍处于SOC2.0甚至SOC3.0阶段的用户，由于其先天的数据基础差（譬如数据孤岛、数据质量差、缺少统一治理、无标准化安全上下文），即便用AI赋能，效果也难以显现。此时可考虑转而建设基于数据编织架构的安全湖仓一体底座，统一汇聚日志、流量、资产、漏洞、告警、工单、情报、案例全维度数据，配套数据治理、数据标准化、权限可控、溯源可查的数据体系。为后续转型Agentic SOC打好基础。

数据底座是SOC4.0长期保值、不随AI迭代贬值的核心资产，是所有上层智能体能力的前置条件。

这种方式考虑最为长远，且可能等到更先进的AI能力加持，但对于AI运营建设而言，见效慢。

方案4：全面拥抱Agentic SOC平台

对于大量SOC2.0遗留用户和SOC3.0难以为继的用户而言，可以借SOC4.0时代的AI大潮重构其系统。重新梳理检测和对抗能力，查漏补缺；重建新一代轻量级数据中心，打造AI就绪的数据底座；重构安全运营协作能力，用智能体工作流和固化工作流联合重建自主化运营流程，建设原生 AI 驱动、人机协同、全链路可控的Agentic SO平台。

原生Agentic SOC不再是“传统 SOC+AI 插件”，而是以数据编织为底座、以智能体编排为核心、以人机协同运营为流程范式，完全适配AI对抗AI的新型攻防场景。

随着数据编织技术和工作流混编技术的不断成熟，这种方式正在成为主流路径。

7 总结：迈向AI赋能、人机可控的Agentic SOC新时代

回顾过去，从2000年SOC1.0到2026年SOC4.0的二十多年演进历程，安全运营平台经历了从资产驱动到业务驱动，再到数据驱动，直至当前AI赋能的叠加演进过程。这一历程也是中国网络安全产业从合规导向回归到对抗本质，并进一步向价值导向迈进的缩影。

审视当下，尽管Agentic SOC取得了显著进展，但行业仍面临诸多挑战。Gartner技术成熟度曲线显示，AI SOC智能体正处于炒作顶峰期，市场预期远超实际落地能力。行业面临人才缺口与技能退化、管理层过高预期、人机协同认知偏差、AI信任风险等四大核心痛点。SOC3.0时代的数据架构、流程架构、智能化程度、自动化水平和定制化能力已经无法支撑安全运营的进一步提升。

面对GenAI（尤其是Agentic AI）带来的重大机遇，要真正释放Agentic SOC的价值，必须坚守以下四条核心原则：

（1）Agentic SOC是迭代升级，不是颠覆替代

规则引擎、关联分析、剧本自动化、大数据研判等传统核心能力无法被淘汰，必须与智能体能力深度融合、互补增效，不存在纯AI替代传统SOC的跨越式变革。

（2）数据与流程是长期不变的两大核心底座

脱离高质量数据、成熟安全业务流程的AI智能体，仅能实现演示效果，无法落地生产。“大模型决定智能体下限，数据决定智能体上限”。必须采用基于数据编织的新一代数据架构和基于安全编排的新一代流程架构，为AI赋能提供坚实底座。

（3）恪守“人类主导、AI辅助”的人机协作准则

始终坚持人类主导、AI辅助、全面管控的原则，先建信任护栏、再开放自主能力，严格遵循“无引用不相信，无人控不执行，无评估不发布，无审计不上线”的落地准则。完整的信任治理体系是自主化的前提。

（4）拒绝“无人SOC”误区，重构团队价值

Agentic SOC的核心价值不是减人，而是解放人、赋能人、重构人。AI赋能的核心在于替代低端重复劳动，释放分析师精力聚焦高阶溯源、战略研判、风险治理、体系优化，重新定义安全团队的工作价值与组织架构。

展望未来，随着AI能力的不断增强，AI应用门槛将持续降低，AI应用方式将越来越便捷，Agentic SOC的智能化水平将不断提升。但必须谨记的是，安全运营将始终以人为本，以数据和流程为底座。AI不能取代人，而是增强人、赋能数据和流程。

【参考资料】

迈向AI赋能的SOC4.0时代

中国SOC市场发展历程

从RSAC2026看安全运营技术发展趋势(1)：Agentic AI重塑安全

从RSAC2026看安全运营技术发展趋势(2)：Agentic SOC厂商最新进展

从RSAC2026看安全运营技术发展趋势(3)：Agnetic SOC实战经验分享

从RSAC2026看安全运营技术发展趋势(4)：综合观察与反思

数据就绪：AI SOC平台隐秘的死穴

跳转微信打开

Agentic SOC的冷思考，在不确定的AI时找到确定的前行路径

【引言】 今年以来，Agentic AI for SecOps比去年火爆十倍。尤其是OpenClaw以及Hermes等智能体系统在国内的出圈，人们（包括安全业界）对智能体助力安全产生了极高的期待。而事实上，根据笔者的观察，企业生产级的安全智能体系统寥寥，其应用普及还有很多障碍需要跨越。而前不久结束的RSAC2026大会上，安全厂商们纷纷展示了自己的安全智能体系统，虽然有的也很夸张且不实际，但也不乏接地气的产品和应用场景。会上还有不少企业现身说法，展示了大量贴近实战的Agentic SOC落地成果与踩坑经验。笔者认为，深入研究RSAC2026大会上有关智能体的内容，对于我们开发实战化的企业级安全智能体应用（譬如Agentic SOC）或有裨益。

为了更深入分析RSAC2026上的安全运营平台（主要是Agentic SOC），今年度的文章分为四部分，分别是：

• 从RSAC2026看安全运营技术发展趋势(1)：Agentic AI重塑安全

• 从RSAC2026看安全运营技术发展趋势(2)：Agentic SOC厂商最新进展

• 从RSAC2026看安全运营技术发展趋势(3)：Agentic SOC实战经验分享

• 从RSAC2026看安全运营技术发展趋势(4)：综合观察与反思

本篇为第四篇。

本篇核心发现：

• 当前Agentic SOC处于炒作高峰期，实战尚不成熟；

• Agentic AI正在从防护对象、攻击者和防御者三方面重塑网络安全，安全进入AI对抗时代，但本质依然还是人之间的对抗；

• 模型能力决定智能体下限，高质量统一数据底座决定智能体上限；

• 安全运营智能体成在少而精、稳而可控；

• 生产级Agentic SOC必须坚守强安全约束、人机协同底线，AI始终用于赋能分析师而非替代分析师。

Agentic AI与SecOps的综合观察与反思

AI繁荣之下的巨大泡沫

“忽如一夜 AI 来，千家万家上 AI”。展会上，几乎每个公司都标榜自己是一家AI公司。SOC领域知名专家Anton Chuvakin在访谈和博客上表示，展会上安全公司标榜自己做AI的方式层出不穷，大都浮于表面。他将这些浮夸的公司分为三类。第一类是最狠的“AI漂白”公司，根本就没有做啥AI的东西，却把自己公司的AI宣传得有声有色。第二类是“AI润色师”，他们大都在自己原有的产品宣传材料中的XX产品前加了一个“AI赋能”的定语，变成“AI赋能的XX产品”，可能他们一定程度上用了AI，但确有必要吗？解决了什么问题呢？不得而知。第三类是“伪AI原生”公司。现在，说自己是AI安全公司已经不是那么酷了，口号竞争已经升级到了“AI原生”。但什么是“AI原生”，不要公司只是用到了AI，就把自己包装成“AI原生公司”。

Anton Chuvakin对展会上浮夸的展台和展示嗤之以鼻。另一位知名SecOps专家Filip Stojkovski也表达了同样的感受。他在博客中写道：“展厅里到处都是闪闪发光、令人眼花缭乱的展位，感觉就像置身于主题公园。如果我连展位上一句话都搞不清楚你在卖什么，那对我来说就没戏了。”

当前的AI+Security总体上是一个很不成熟的市场。Filip Stojkovski在参加完大会后表示：“目前真正大规模应用AI技术的企业并不多。大多数企业主要将AI应用于副驾驶等领域。智能体应用仍处于早期阶段，目前仅在早期用户群体中获得认可”。

Gartner最新的2026年安全运营技术成熟度曲线也显示Agentic AI正处于炒作的顶峰（参见下图中的AI SOC Agents，对应SOC智能体，而下图中的Cybersecurity AI assistants则对应AI副驾驶/AI助理）。

对于从业者而言，在选择自己的AI赛道和路线时是“乱花渐欲迷人眼”，需要仔细考量。对于网络安全用户而言，想要上AI时是“雾里看花”，需要擦亮眼睛。

有的人会说，对用户而言，不仅要听厂商说什么，更要实测，看效果，看指标。但实际上，实测也是个很讲究的活儿，不是说测一下就能看出好坏的，涉及到测试方案制定、测试数据集准备、测试基准制定、评估指标设计，等等。若测试仅看效果，相当于与把系统当作一个黑盒，里面到底用没用AI，无从知晓。

当前阶段，对于买家用户而言，想要成功，必须是一个专家。如果你自觉还不够专业，建议先缓缓上马项目，多看看。

Agentic AI的四大议程

Agentic AI安全是本次大会核心议题，但并非全部，本届大会涵盖了Agentic AI四方面的议程：

1）Agentic AI成为无所不在的暴露面，系统安全堪忧，严重制约Agentic AI的落地发展，Agentic AI系统的安全成为最大焦点；

2）Agentic AI成为攻击者的武器，威胁产生的速度更快、危害更大，反向给到安全防御者巨大压力，当然也可以说是巨大机会；

3）Agentic AI也是防御者的武器，赋能安全的各个方面，提升防御能力和效率，最佳赋能对象之一就是安全运营，另外就是漏洞挖掘（是防也是攻）、代码/应用安全。

4）Agentic AI被防御者应用到网络安全中的时候，面临AI信任的问题，尤其是AI行为失控后对所赋能的安全系统造成危害的问题，需要对Agentic AI应用的安全进行有力约束。

面对上述Agentic AI的四方面议程，与会者普遍一致地提出了“用Agentic AI保护和防御Agentic AI”的观点。

以下进一步分析上述四方面。

一是Agentic AI系统安全成为焦点。这里Agentic AI系统安全是指Agentic AI系统的自身安全，也称作Agentic AI Security。Agentic AI系统包括Agentic AI软件（如智能体框架、算法、内部数据、记忆、技能、操作等）、LLM，以及运行环境。Agentic AI系统安全是指保护系统在面对恶意主体发起的攻击时依然保持自身CIA三性的能力。Agentic AI安全，狭义而言是指Agentic AI软件的安全，这其实是一种特定的应用安全，但从一般意义上来说，我们通常都是指代Agentic AI系统的安全，涉及面就很广了，需要继续往下看一层。其实，Agentic AI系统安全涉及方方面面，最后还是回归到网络安全、主机安全、端点安全、身份安全、数据安全、应用安全、安全运营。这跟云安全很像，云安全相关的产品都可映射到网络安全、主机安全、端点安全、身份安全、数据安全、应用安全、安全运营中去。以Gartner为例，在2021年还有独立的云安全Hype Cycle，而从2022年开始就取消了。云安全、Agentic AI安全、AI安全都是安全场景、安全解决方案。所以，我们经常看到很多公司推出的Agentic AI/智能体安全产品，其实是一个套件，是上述各种维度的安全产品构成的一个套件，而每个维度的产品大都（尽管不是全部）是在原有基础上增加一些AI场景而已。再往下看一层，要做好Agentic AI安全，很大程度上取决于之前的网络、主机、端点、身份、数据、应用安全和运营的基本安全做到什么程度。传统安全做不好，叠加去做Agentic AI特有的安全，于事无补。

二是Agentic AI成为攻击者的武器。这表现为攻击的规模更大、速度更快、技战术翻新更快，挖掘和可利用的漏洞价值更高、数量越多。此时，防御者更要关注基础安全，筑牢安全底线，并加速转向主动/预防性安全（Preemptive Security），争取在攻击前或攻击准备过程中就发现问题、做好加固，甚至还有人提出（针对民事领域的）进攻性安全等更具侵略性的理念和方法论。同时，要利用Agentic AI进行防御，用AI对抗AI。

三是把Agentic AI做成防御者的利器。除去其它不谈，Agentic AI赋能安全的最佳对象之一是安全运营，更具体的来说是赋能安全运营人员，帮助他们更好地使用安全运营平台和各种工具。安全运营平台正在被Agentic AI重塑，但不要指望完全自主化（Agentic）的安全运营平台。

四是Agentic AI对应用系统的安全成为AI赋能安全的瓶颈。这里，Agentic AI应用安全是指Agentic AI对应用它的系统的安全，也称作Agentic AI Safety。Agentic AI应用安全是指应对Agentic AI系统内生的不确定风险，对抗Agentic AI系统自身的失控和非预期行为危害其赋能的应用系统及其使用者的能力。简言之，就是如何让Agentic AI可靠、受控、可信地赋能安全。这涉及可见性、可观测性、身份管理、零信任安全、人类可控制（HITL和HOTL）、协同防御等工程手段。关于AI Safety的作用在本系列文章《从RSAC2026看安全运营技术发展趋势(1)：Agentic AI重塑安全》中已有介绍，而在本系列文章《从RSAC2026看安全运营技术发展趋势(3)：Agentic SOC实战经验分享》中，每个用户都在自身的Agentic SOC实践中花了大量的精力在这个智能体Safety上，因为没有智能体Safety，就没有对智能体的信任，就难以在生产环境中实战。

Agentic AI正在重塑网络安全

针对本次大会四方面的Agentic AI议题，通常将Agentic AI系统安全（Security）和Agentic AI应用安全（Safety）统称为Agentic AI安全，或者像NIST的《AI风险管理框架》（Cybersecurity Framework Profile for Artificial Intelligence）将它们统称为Agentic AI风险（Risk）。

如果从网络安全（Cybersecurity）的角度来看其与Agentic AI的关系，则可以分为三个方面：Agentic AI安全、Agentic AI赋能安全、对抗Agentic AI赋能攻击者。而这三方面，正是2025年12月NIST公布的《人工智能网络安全框架指南》（Cybersecurity Framework Profile for Artificial Intelligence）草案中所描述的网络安全与AI的三个方面。

上图来自NIST《人工智能网络安全框架指南》草案，其中：

• AI 系统组件安全防护（Secure）：聚焦企业将人工智能融入自身业务生态与基础设施过程中，各类网络安全风险的治理工作。

• 基于人工智能开展网络防御（Defend）：挖掘利用人工智能赋能网络安全流程与安全活动的落地场景，同时厘清借助人工智能支撑防御作战时伴随的各类风险挑战。

• 抵御人工智能驱动的网络攻击（Thwart）：构建安全韧性体系，抵御由人工智能催生的新型威胁攻击路径。

综上所述，可以看到，Agentic AI正在从三个方面重塑网络安全（Cybersecurity）：

1）Agentic AI正在改变安全要保护的对象。这里的对象包括各种数字化基础设施、网络和业务系统。Agentic AI将渗透到这些保护对象的各个角落并扮演重要作用。未来，安全保护的重要工作就是保护这些Agentic AI系统。

2）Agentic AI正在改变网络空间的攻击者。攻击者会更积极、更高效地利用Agentic AI去实施攻击，会衍生出很多新型攻击，譬如深度伪造、超逼真虚假信息等。

3）Agentic AI正在改变网络空间的防御者。防御者也必须更积极、更主动地借助Agentic AI去对抗Agentic AI，去保护无所不在的Agentic AI系统。甚至可以说，这不是可选项，而是必选项。

Gartner 的报告显示，AI 网络安全（包括 AI 安全和 AI 增强安全）将在未来几年成为所有 AI 支出中最重要且增长最快的市场之一。Gartner 在 2026 年 1 月的预测中指出，2024 年至 2029 年，AI 网络安全支出将以惊人的 73.9% 的复合年增长率增长，是 AI 整体支出增长率的两倍多。

AI厂商会取代安全厂商吗？

AI厂商（AI实验室）会取代现有安全厂商吗？或者在多大程度上取代？本次大会是在一种“为AI引发的安全厂商末日论而焦虑和为AI威胁引发的安全需求爆发而兴奋”的矛盾背景下召开的。

大会之前，Anthropic在2月份的一次发布（Claude Code Security）已经在股市上重击过安全厂商。紧接着，3月份，OpenAI发布了Codex Security。AI厂商来势汹汹。但在大会之上，至少从保持创纪录的大会参展商数量来看，可以研判当下那些通用AI厂商并未对安全厂商造成实质性影响。

同时，大会上大量讨论了GenAI/Agentic AI的安全问题、信任问题、可靠性问题，某种程度上可以看作是对AI厂商的回击：AI在取代安全厂商之前，需要安全厂商保护AI。没错，AI更多成为了安全行业的新的增长点。笔者理解，AI厂商目前在安全领域的动作（譬如代码安全）更多还是为了自己的AI更好的被应用，更好的赋能网络安全，而非有意去接管安全产业。

本次大会结束后，AI厂商继续在安全领域快速发布新产品。4月份，Anthropic的Mythos和OpenAI的GPT 5.4 Cyber的发布进一步强化了LLM在软件安全漏洞挖掘和利用方面的实力。而这些最新的AI挖掘漏洞能力的释出，与其说是对安全产业的打击（或者更确切的说是对安全产业中的漏洞发现这个体量较小的细分领域的打击），不如说是对整个安全产业的利好。因为这个能力有利于防御者，也有利于攻击者。笔者预料未来将会更加重视漏洞管理、暴露管理、预防性安全（Preemptive Security）。

最新的动向是AI厂商/实验室开始推出安全垂域大语言模型。这可以看作是这些AI厂商进入AI领域的更明确的信号。他们未来将扮演何种角色？是直接下场，还是成为这个行业的生态推手，一切还需要观察。

回到最初的问题，笔者认为，AI厂商在取代安全厂商之前，要先取代安全厂商所保护的那些行业的数字应用软件。因为安全产业是一个伴生产业。也正因为AI的伴生性，即便传统数字产业都AI化了，AI系统的安全也需要防护，安全产业将一直存在。而只要安全产业存在，独立的安全厂商就会存在。

参考一下，微软在正式进入安全领域的时候，人们会认为是对微软软件体系下安全厂商的致命打击，并且现在微软安全收入占安全行业的比重排名数一数二，但事实上并未接管安全产业。所以，即便以后有哪个通用AI厂商下场做安全，我也认为不会接管整个安全产业。

但是，Agentic AI将彻底改变软件开发模式，改变软件系统的生命周期，继而改变作为一种软件的安全软件。

由此可以预计，未来安全市场格局将发生重大重构。

AI会取代人吗?

笔者认为，在可见的未来，无论Agentic AI在技术上多么像人，或者出现什么“数字员工”，但从社会伦理道德法律角度来说，AI依然还是一个工具，不具备独立承担安全责任的主体资格。

对于网络安全而言，未来肯定会出现AI对抗AI，机器对抗机器的情况，但他们背后还是位于两端的人类。只不过，人类的角色定位和工作内容发生了变化，从直接对抗变成了指挥AI去对抗。

Agentic SOC平台的技术架构

Agentic SOC时代的平台架构显然需要重构，至少需要增加一个智能体编排与运行层或者智能体中心。但更重要的其实不是智能体层，而是数据架构。当前市面上通用的智能体平台唾手可得，智能体层很难成为Agentic SOC平台的核心竞争力。此外，正如系列文章中分析的那样，大部分Agentic SOC的智能体都对接外部原生LLM，极少自己微调甚至训练垂域LLM。

另一方面，正如在本系列文章《从RSAC2026看安全运营技术发展趋势(2)：Agentic SOC厂商最新进展》中总结的那样，数据底座正成为Agentic SOC能力分化的核心分水岭。如果说LLM决定了智能体的能力下限，那么数据决定了智能体的能力上限。对Agentic SOC平台而言，最重要的数据是用于智能体推理的上下文数据，包括SOC平台收集到的各种安全数据（如日志、告警、事件、资产、漏洞、情报），SOC平台使用过程中产生的各种运营类数据（如案例、工单、处置记录、沟通记录），以及智能体工作过程中产生的各种知识（如安全知识、领域知识、经验、技能等），等等。

Jon Oltsik在大会现场接受采访时表示，数据底座是AI成功的基石。他强调，数据质量成为一个反复出现的主题，值得信赖的AI需要干净、管理完善且来源符合伦理的数据，而忽略这一基础的组织将难以实现规模化发展。同时，企业不能再延续过去那种“孤岛式”（stovepiped）的系统建设思路，必须构建一个能够统一管理SIEM、EDR和资产管理等各种数据的底层数据平台，为未来的扩展打下基础。

IDC表示，智能体的成功，不取决于模型能力，而取决于数据是否“随时可用、始终可信、持续可控”，只有完成数据架构、治理和访问方式的系统性重构，AI才能真正走向生产。

数据是Agentic SOC成功的关键，那么我们需要一个怎样的SOC平台数据架构？正如我一直所说（参见《数据就绪：AI SOC平台隐秘的死穴》、《仅靠AI不足以重新定义安全运营平台》，或者《迈向AI赋能的SOC4.0时代》），Agentic SOC需要一个基于数据编织（Data Fabric）的全新数据架构。这里的数据编织包括了数据管道（Data Pipeline）、安全数据湖仓（Security Data Lakehouse）、数据治理、数据编排、分布式数据存储、联邦式数据查询，等等传统SOC平台不具备而未来安全运营必需的数据管理与分析技术。

此外，如果要获得SOC运营过程数据，就必须构建流程驱动型SOC平台，需要一个基于编排和自动化的全新流程架构。

而数据+流程双轮驱动的、Agentic AI赋能的Agentic SOC平台就是笔者所定义的SOC4.0。

当前，AI技术发展迅猛，远未达到成熟期，工程化的不确定性极高。今天在Agentic AI上的投入可能明天就成为了负资产。在这个飞速发展的不确定的AI时代，需要抓住SOC平台建设中确定性的部分，而AI-Ready的数据底座就是这个确定性。现在国家也在提建设高质量数据集，正是此意。

Agentic SOC的安全运营智能体应用场景

结合本系列文章的前三篇，可以看到Agentic SOC中的安全运营智能体大都在处于初级阶段，场景其实并不多【笔者注：其实也不需要太多】。但就这些场景，也已经产生了很大的价值。

下表列举了一些本次参会的Agentic SOC厂商产品的智能体场景：

结合系列文章第二篇和第三篇的详细论述，可以发现：

1）场景不在于数量多，而在于产生的价值大；

2）场景不在于自主化程度高，而在于能够可控、稳定的输出。

Agentic SOC实战第一原则：人类主导、AI赋能、全面管控

生产级Agentic SOC必须建立以人为核心的运营架构：人类掌握全部关键决策与最高处置权限，智能体仅从事低风险的、只读性的、探索性的运营工作以提升效率；同时搭建覆盖权限、推理过程、操作行为、运行流程的全维度管控护栏，实现智能体行为可观测、可审计、可干预、可降级，尽力规避 AI 幻觉、越权、失控、误操作风险。

坚持人类主导、AI 赋能、全面管控，是生产级 Agentic SOC 区别于演示类开源智能体方案的核心标尺。

全文总结

系列文章复盘RSAC2026上安全运营技术风向，从顶层安全理念、厂商产品迭代、甲方实战落地，再到产业格局反思。

短期来看，Agentic AI依旧存在大量工程化缺陷、安全风险与落地短板，行业泡沫仍需持续出清；中长期来看，AI对抗AI已是既定趋势，安全运营全面智能化不可逆转。

对于所有安全运营建设者而言，无需追捧开源项目极致自主化的技术噱头，无需盲从厂商高度自主化的营销概念，更无需盲目跟风激进自主智能体方案。守住人机协同底线、筑牢数据底座根基、搭建完备安全护栏、坚持小场景可控落地，以AI赋能人，而非以AI替代人，才是未来Agentic SOC建设可靠的长期路线。

【参考资料】

从RSAC2026看安全运营技术发展趋势(1)：Agentic AI重塑安全

从RSAC2026看安全运营技术发展趋势(2)：Agentic SOC厂商最新进展

从RSAC2026看安全运营技术发展趋势(3)：Agentic SOC实战经验分享

国外Agentic SOC最新进展（2025Q3）

国外Agentic SOC平台落地实践经验

从RSAC2024看SOC发展趋势

从RSAC2023看安全运营的技术发展趋势

是时候重新定义安全运营平台了

仅靠AI不足以重新定义安全运营平台

以自动化优先和实战化为设计理念的新一代安全运营平台

迈向AI赋能的SOC4.0时代

2024年安全运营技术趋势回顾

跳转微信打开

实战化的Agentic SOC应坚持“人类主导、AI支撑”的核心原则，不仅要靠应用场景，还要考虑智能体安全与AI运行维护。

【引言】 今年以来，Agentic AI for SecOps比去年火爆十倍。尤其是OpenClaw以及Hermes等智能体系统在国内的出圈，人们（包括安全业界）对智能体助力安全产生了极高的期待。而事实上，根据笔者的观察，企业生产级的安全智能体系统寥寥，其应用普及还有很多障碍需要跨越。而前不久结束的RSAC2026大会上，安全厂商们纷纷展示了自己的安全智能体系统，虽然有的也很夸张且不实际，但也不乏接地气的产品和应用场景。会上还有不少企业现身说法，展示了大量贴近实战的Agentic SOC落地成果与踩坑经验。笔者认为，深入研究RSAC2026大会上有关智能体的内容，对于我们开发实战化的企业级安全智能体应用（譬如Agentic SOC）或有裨益。

为了更深入分析RSAC2026上的安全运营平台（主要是Agentic SOC），今年度的文章分为四部分，分别是：

• 从RSAC2026看安全运营技术发展趋势(1)：Agentic AI重塑安全

• 从RSAC2026看安全运营技术发展趋势(2)：Agentic SOC厂商最新进展

• 从RSAC2026看安全运营技术发展趋势(3)：Agentic SOC实战经验分享

• 从RSAC2026看安全运营技术发展趋势(4)：综合观察与反思

本篇为第三篇。

本篇核心发现：当前，企业生产级 Agentic SOC 的落地范式，绝非追求极致自主化运营，而是以 “人类主导、AI 增效、可控自治” 为核心。业界真实实战共识是：AI 擅长认知辅助、流程减负、信息聚合、内容生成；生产级落地宜遵循只读优先、证据可追溯、人在回路、分级自治、全链路审计的原则，实施分阶段、可度量、带安全护栏的工程化建设。

用户视角下的Agentic SOC实战经验分享

看看Agentic SOC的使用者们是如何实战的。

Expel：一种分层的人机协作SOC运营框架

MDR公司Expel的CEO及联合创始人Dave Merkel在会上分享了一种层次的人机协作SOC运营框架，将AI、自动化和人工操作综合运用到检测与响应流程中，平衡好人、技术和流程之间的关系，改变现在安全运营的困境，但同时避免落入完全自主化的陷阱。

Dave Merkel首先引用了多个统计数字来表明现在安全运营面临的告警疲劳问题。比如，Forrester数据指出“一个SOC平均每天处理11000条告警”，然后引出他的分层人机协作SOC框架的核心目标：构建一套系统，让机器干其擅长的大规模数据处理，让人类专家专注于判断、上下文分析与反制攻击者。这个框架的核心思想是：人类主导、AI支撑，而不能是AI主导、人类支撑。

如上图，Dave Merkel对比了两种相反的应用AI的运营思路：AI主导、人类支撑的运营闭环和人类主导、AI支撑的运营闭环。他表示，在AI主导、人类支撑的闭环模式下，由于目前AI还不成熟，AI输出尚无法脱离人类的监督、检查、确认，而AI的过程越长，就越不可控。如果以AI为主，人根本没有精力去对每个重要结果进行审核，但只要出一次事故，都是人类担责（AI不会担责），因此这个模式对人类分析师很不友好。正确的模式是人类主导、AI支撑的闭环，在以人为主的流程中逐步加入AI，逐步用AI替换人类操作的环节，而且一旦出现问题，可以迅速回退。

Dave Merkel的观点是：反对一上来就用AI彻底取代现有的安全运营流程，而主张循序渐进的方式。

来自这两个企业的主任安全工程师联合进行了一个分享，介绍他们将AI能力嵌入各自SOC过程中获得的经验与教训。

来自Exeter的安全专家Ankit Gupta首先介绍了她公司的现有SOC运营过程：各种遥测数据送入SIEM，产生的告警/事件送入他们的工单系统进行分析后，调用SOAR进行处置。

她的安全团队面临的痛点是：

• 分析师需要在5–7个工具间反复切换找上下文

• （人工）分诊记录不一致、难以审计

• 大量告警导致疲劳、漏看

• 知识只存在于人脑，没有沉淀到工单

她承担，安全团队是迫于压力必须使用AI。她做了大量调研，为了避免AI失控，设计了以下强制约束条件（设计原则）：

• 默认只读：所有操作默认只读，需人工批准高风险动作

• 审计追踪：必须保留完整的提示检索和输出预期记录

• 性能要求：不能增加分析师工作步骤或降低响应速度（否则采用率会崩溃）

• 证据支撑：每个结论必须有提示、上下文或证据支持

• 成本控制：严格限制数据预算和延迟时间

她精心制定了一个将AI引入SOC平台的方案，该方案具有以下特点：

• AI角色定位：将LLM视为擅长起草和总结的初级分析师，而非独立调查员；

• AI价值目标：主要价值在于减少调查过程中的摩擦，而非替代人工判断

• AI功能聚焦：专注于证据关联、假设起草和认知负荷降低；

• AI嵌入方案：在SIEM和工单系统之间，以及SIEM和SOAR/IR系统之间通过AI建立桥梁；

• 效果度量：对AI的效果进行指标化度量；

• 风险控制：当模型猜测或不受约束行动时非常危险，因此要采用强监控手段；

• 防护机制：构筑提示注入防御和恶意行为检测的安全框架。

AI/LLM嵌入的方案如下图所示：从SIEM/EDR产生的告警送入数据湖中进行上下文富化，然后通过LLM实现自主化告警分诊，生成事件并附带详细的上下文信息，再送入工单系统进行案例管理，最后由人对案例进行调查和处置。

系统遵照最初的设计原则，采用了强有力的风险控制机制：

• AI操作默认只读，如果需要进行写/修改都需要经过人类批准，操作人员本身基于RBAC进行权限控制；

• 证据优先，分析调查中的每个结论都必须链接到真实的痕迹/实体ID（即论据要真实）；

• 结果输出严格采用JSON格式，便于后续使用，并且每次结论要给出置信度评分；

• AI调用的工具采用白名单机制，并且要有策略检查机制；

• 采用全链路审计，从提示词、上下文、模型到工具版本都要进行审计。

Exeter的安全专家分享了一个典型场景：对Outlook发起的可疑Powershell进程的告警进行研判的过程。

1）LLM处理过程：

• EDR提供进程树、登录异常等原始数据

• LLM生成结构化事件摘要（非聊天输出）

2）输出结果包含三个核心要素：

• 事件描述（what happened）

• 证据引用（artifact ID）

• 后续建议（what to check next）

3）安全机制：当发现攻击者有横向移动时，可以通过预授权机制对主机进行隔离，但此时可以调用的工具需要走白名单列表核对。当然，所有调查和处置的过程都要记录审计日志。

她还建立了一套对量AI运营过程和效果的指标体系，以下是关键的面向领导层的四个关键成功指标：MTTD、MTTR、误报率、分析师情绪（分析师使用率）。

【笔者注：每个单位对MTTD/MTTR的定义可以不同，但在一个单位内要保持统一】

• MTTD：从告警产生到这个告警被分诊并升级到案例（事件）的时长。这个指标可以展示AI接入告警分诊后的效果。

• MTTR（平均响应时长）：从一个案例被确认到这个案例中的事件被遏制/止血的时长。

• MTTR'（平均解决时长）：从一个案例被确认到这个案例被关闭的时长。

• 案例（事件）误报率：告警分诊并升级到案例的事件中，状态为关闭的，且关闭原因为良性的（也就是误报）的比率。譬如，一周有100条案例被关闭，其中有30个的关闭原因是“该事件为良性”或者“该事件为误报”，那么这周案例的误报率就是30%，表明有30条告警其实应该在分诊时就关闭的，不应升级为案例（事件）。这个误报率越高，表明分诊效果越差。

• 分析师情绪反馈：询问分析是否信任并使用某个AI功能。这是一个主观评分，由分析师回答。这个指标很有意思，好的AI一定是跟分析师配合的很好的，否则会形成新的摩擦。

Exeter的安全专家分享了他们的一个真实的指标结果。

可以看到，MTTD下降了36%，MTTR下降了22%，误报率下降了16%，而分析师满意度也从3.0上升到了4.2。

Exeter的安全专家表示，这些成效的取得，关键原因在于：更快的证据拼接、统一的记录、减少工具切换，而不是靠自主执行动作。

接着，Exeter的安全专家总结了她们发现的实际有效的AI赋能SOC的应用场景：

• 告警升级到案例（事件）后的自动总结摘要生成；

• 多源的证据自动拼接；

• 沟通汇报材料的初稿生成；

• 查询和剧本的初稿生成；

• 分析师新手快速入门指导。

她还提及了其团队发现的两个规律：

• 让模型做总结、撰写、关联证据——让分析师变快

• 让模型做决策、执行——必出事故

她表示，AI的核心价值不是替代专业知识，而是消除摩擦，使工作流程更具可重复性。

到此为止，Agentic SOC实战似乎顺风顺水。但实际上，在运行过程中遇到了很多坑，包括AI能力失效问题，分析师体验问题，等等。而且，生产环境要真正把Agentic SOC跑起来，还有很多工程化的问题需要考虑，包括AI护栏（AI Safety）、AI安全防护（AI Security）、系统自身的运行维护，等等。

【笔者注：要实战化Agentic  SOC，还需要付出很多AI自身产生的成本，并且可能这个成本很高，这是一个扎心的事实。】

演讲的第二部分，由另一位来自泰森食品公司的首席安全工程师Shilpi Mittal就上述冰山之下的问题进行了分享。

首先，是AI在生产环境中遇到的失效问题及其修复对策。

其次，是要优化分析师体验。

分析师使用障碍主要表现在：

• 额外步骤厌恶：增加点击次数或缺少引用时会被弃用

• 模糊置信度：分析师需要确切证据而非可疑的AI自信

要让Agentic SOC好用，不仅要强大的AI，还需要丝滑的用户体验：工作流程必须符合工程师的习惯，否则最先进的模型也会失败。

界面改进要点：

• UX优化：明确区分已知/未知信息及下一步检查项

• 协作模式：避免评判性语气，改为"这是我所见，这是相关证据"

• 反馈机制：可以添加“有用/无用”快速反馈循环持续优化提示和检索。

第三，是Agentic  SOC的安全护栏。

• 输入净化：给LLM的输入数据要标准化；

• 用RAG的时候，检索出来的信息要标记来源；

• 提示词要做版本控制；

• 输出约束：结构化输出，论点要有论据支撑，论据要引用来源，未经验证的内容禁止输出；

• 确保人在回路之中（HITL），统一人机协作接口；

• 持续评估安全护栏效果，持续改进。

他给出了四条强制执行的安全护栏原则：

• 无引用 → 不相信

• 无人控 → 不执行

• 无评估 → 不发布

• 无审计 → 不上线

第四，是Agentic SOC的AI自身安全防护。

泰森食品公司的安全专家表示，LLM无法可靠的区分指令与数据，因此，要重点防范可能混在数据中的指令注入。对于LLM要读取的数据，譬如工单、日志、粘贴的信息等等都要视为不可信数据，要进行必要的安全防护。接着，他针对OWASP LLM 十大风险提出了他们的应对方案，包括：

• 检索内容视为不可信

• 系统策略与内容分离

• 工具约束（白名单+审批）

• 日志记录 + 提示词注入检测

• 抬高数据泄露成本

与此同时，要建立用于测试系统有效性的基准测试用例集；要对Agentic SOC建立可观测，对数据引用覆盖率、事实准确率、安全策略匹配度、响应延迟等进行评估与验证；要对AI工程进行版本管理和变更控制，包括提示词版本管理等等，每次变更都要经过基准测试，通过后才能发布；要进行攻防演练与渗透测试，重点关注提示注入攻击、数据渗出、不安全工具请求、越狱尝试等，定期评估AI安全状况；要记录各种日志，用于观测和安全审计。

第五，是关于Agentic SOC系统的自身运行维护。他表示，“要像运行生产系统一样去运行这个Agentic SOC系统”。【注：虽然你的目的只是要用Agentic SOC，但是需要在维护好Agentic SOC自身运行方面投入巨大资源。】

这里对Agentic SOC系统的运行维护体现在三方面：

可靠性维护：低延迟意味着更多算力和预算，优雅降级必须考虑（应对LLM的可用性和性能问题），要设置AI终止开关，要考虑回退到无AI下的分析师操作体验。

成本控制：LLM缓存机制可以节约成本，要考虑Token的限制（长度、成本等），可以设计批量提交、异步摘要等机制。

变更管理：提示词/模型的版本管理、回归评估、分析师反馈闭环。

第六，泰森食品公司的安全专家给出了一个分阶段落地Agentic SOC的路线图。

• 准备阶段：准备好基线数据，就是当下的分诊时长、返工率，扽等各种指标。

• 第一阶段：让AI工作在只读模式下，就是你给他提供高质量的数据，让它产生你严格要求的信息输出，不要执行任何操作。

• 第二阶段：让AI在受控的情况下进行操作。受控包括：工具白名单、操作前人工审批等。

• 第三阶段：上规模、强治理。持续对系统进行评估、测试、审计、优化。

专家表示，只有在获得分析师信任、可衡量时间节省、行为稳定、安全通过后，才进入下一阶段。

最后，泰森食品公司的安全专家进行了演讲总结。一句话总结：让模型证明它的结论，让人类掌握最终决策权。

核心要点包括：

• LLM 擅长撰写、总结，不擅长决策、执行

• 引用来源是获得分析师信任与可审计性的最快路径

• 提示词注入是SOC真实威胁，因为你的数据由攻击者控制

• 把AI工具当作生产系统去运营：评估、版本、回滚

• 从只读开始，衡量价值，然后带护栏逐步提高自治度

演讲结束后的问答环节，也有不少值得回味的信息。

1）工具选择问题

泰森食品公司答：曾评估过3个外部工具（包括Splunk和Sentinel等），但准确率仅50-60%，且不符合他们公司的合规要求。因此，他们采用的自研的模式，在内部部署LLM。

2）团队规模和开发周期问题

泰森食品公司答：核心团队5人，专职开发人员负责系统构建。此外还有支持团队。初始版本开发耗时6个月，目前仍在持续改进中。

3）分析师的体验和反馈

泰森食品公司答：产品刚发布时，分析师期望"魔法效果"，实际需要人机协作，有落差，要尽快达成共识：AI不能取代人类智能。

Exeter公司答：在测试阶段，分析师还是比较喜欢这个系统的。到了生产阶段，由于AI幻觉等各种问题，分析师感受到了运营压力，需要不断优化减少AI误判。

4）某个场景AI跑成熟之后，会在这个场景上取代人类吗？

泰森食品公司答：Agentic SOC设计目标不是取代人，是增强人。而且系统设计时人在场景中起到关键作用，因为系统决策权留给了分析师，AI只是做辅助决策。不过，随着AI对抗强度提升，响应速度需要提升，有些场景可能不能处处让人去决策。

5）运行方式问题

Exeter公司答：聊天模式 + 工作流模式，各50%，但其实聊天模式不常用。团队是7*24运行。

金佰利：AI在SOC中的实战应用

金佰利公司的网络安全检测与自动化工程负责人Ashwin Rajendra主导公司的SOAR平台与AI驱动工作流设计，负责优化全球安全运营。他在Splunk发起的一个演讲中分享了其公司的Agentic SOC实战应用经验。

首先，Ashwin Rajendra介绍了他们公司的安全自动化全景图。

整个系统核心是PAN的SOAR，数据底座则是Splunk的ES提供。首先，这个SOAR通过多种方式集成了公司的各种安全基础设施（50到60款），收集他们的告警信息，其中有一部分是借助Splunk ES处理后转发过来的。其次，这个SOAR通过多种方式集成了大量的威胁情报，并基于这些情报实现各种数据富化（IP富化、哈希富化、URL富化、域名富化）。第三，SOAR跟Anomali系统进行对接实施IOC阻断。第四，SOAR跟ServiceNow对接派发工单，由ServiceNow进行工单处置。

在数据底座方面，他们采用了Splunk自带的数据管道，并采用低成本的数据湖进行长期的数据存储。同时，系统并非用Splunk ES集中存储所有安全数据，还有一些数据通过联邦数据检索的方式分布存储、虚拟集中、按需读取——这也就是数据编织。

该系统的一个核心流程是收集多源威胁情报，系统对多源情报数据进行算法评分，得出威胁情报的综合评分。融合后的情报能够与收集到的告警信息进行比对，用于威胁检测、调查和修复决策。

图中没有描绘AI模块，但Ashwin Rajendra表示，威胁检测、调查和修复三个环节都应用了多智能体，并形成了决策树结构。针对不同的任务，AI的工作流程自主化分为三个层级：

• 人在环中(Human in the loop)：高风险决策需人工确认

• 人在环上(Human on the loop)：AI执行+人工监督

• 全自动(Human out of loop)：低风险标准化操作

从实战上看，80%的任务是自动执行的。

在LLM方面，在本地部署了LLM，配备了50GPU的算力，同时也通过开放接口使用云端商业LLM（如OpenAI、Claude）。不同的LLM用于不同的应用场景。其中涉及敏感信息的处理，用本地LLM。

接着，金佰利的这位项目负责人分享了AI应用落地的关键点：建立对AI的信任。信任源于监管和透明，而非取代人类的判断。

Ashwin Rajendra将信任分解为三个部分：

1）定义清晰的角色，对应系统的三大功能组成（检测与分析、响应与修复、合规与策略）。

2）可解析性，包括透明的决策逻辑、可审计可追责、人类可理解。

3）持续验证，包括建立可靠的基准、具备人类控制的护栏、持续测试。

最后，Ashwin Rajendra提供了一个SOC中实施AI应用的路线图。整体上，建议采用小处着手、深度集成、可信扩展的方式。

在基础建设阶段，主要是建立统一的遥测，并统一数据模型；将多个系统的工作流程进行连接整合；建立治理框架，明确审批机制、审计机制。

在初次引入AI的时候，从减少分析师摩擦的场景入手（跟前面Exeter和泰森食品的建议相同）。譬如：告警分诊和富化、事件调查与摘要、响应指导与操作推荐、跨工具的上下文收集。同时，要对LLM不断进行调优，譬如温度参数控制，RAG技术优化等，要反复测试与验证。

AI应用价值被证明并建立起信任后，开始进行扩展，朝着真正的Agentic SOC前进，AI的作用逐步从助理变成半自动执行体，最后变成自主执行体。整个扩展的过程要由安全护栏保障，要持续进行度量（譬如节省了多少分析时长、MTTR、调查质量等），以证明其价值。

小结

综合Expel、Exeter、泰森食品、金佰利等安全运营服务商与多家商业化实体行业企业的RSAC2026实战分享可以看出，当前Agentic SOC正在走出概念炒作阶段，逐步形成了一套可复用、可落地、可度量的企业级实战方法论。

当前，真实生产环境的AI安全运营，核心是解决运营摩擦、提升分析师效率、降低告警噪音、标准化运营流程，而非替代人工、放开自主权限。

各家实战落地呈现高度统一的共性规律：

第一，人机协作范式高度收敛。所有成熟落地案例均坚持“人类主导、AI支撑”的核心原则，摒弃AI主导的运营模式。AI仅负责数据富化、证据拼接、告警摘要、报告生成、知识库辅助等低风险、高重复性的认知工作，核心研判、风险决策、高危处置始终由人类掌控。

第二，AI落地边界清晰可管。企业实战验证：大模型在总结、关联、文案生成场景稳定可靠，但在自主决策、自动化处置、复杂场景推理中极易产生幻觉与偏差。因此生产级落地普遍采用“默认只读、人工审批、工具白名单、证据强制溯源”的安全护栏体系，从机制上杜绝智能体失控风险。

第三，可度量、可观测、可迭代是规模化前提。成熟落地均建立了完整指标体系，通过MTTD、MTTR、误报率、分析师体验、AI准确率、Token成本等量化指标持续迭代优化，杜绝AI技术噱头化、效果不可见的问题。

第四，Agentic SOC是工程化体系，而非单纯模型能力。实战落地的最大痛点不在于大模型能力不足，而在于AI漂移、提示注入、上下文污染、算力成本、延迟限流、版本管理、运维可靠性等工程化、安全治理问题。企业必须将Agentic SOC当作核心生产系统运维，建立输入净化、输出约束、攻防测试、版本管控、优雅降级的全流程保障机制。

第五，落地路径呈现标准化阶段特征。行业统一最佳实践为：先只读辅助、再受控操作、最后适度自治，无信任不扩权、无度量不升级、无审计不上线，循序渐进提升自动化与智能化水平。

总之，本次RSAC大会上从用户侧分享的这些Agentic SOC实战经验，是我们不可多得的实战材料，值得好好研究。

【参考资料】

从RSAC2026看安全运营技术发展趋势(1)：Agentic AI重塑安全

从RSAC2026看安全运营技术发展趋势(2)：Agentic SOC厂商最新进展

从RSAC2024看SOC发展趋势

从RSAC2023看安全运营的技术发展趋势

是时候重新定义安全运营平台了

仅靠AI不足以重新定义安全运营平台

以自动化优先和实战化为设计理念的新一代安全运营平台

迈向AI赋能的SOC4.0时代

2024年安全运营技术趋势回顾

跳转微信打开

Agentic SOC技术路线逐渐清晰，技术架构逐渐明朗，厂商侧和用户侧都将迎来变革。

【引言】 今年以来，Agentic AI for SecOps比去年更加火爆。尤其是OpenClaw以及Hermes等智能体系统在国内的出圈，人们（包括安全业界）对智能体助力安全产生了极高的期待。而事实上，根据笔者的观察，企业生产级的安全智能体系统寥寥，其应用普及还有很多障碍需要跨越。而前不久结束的RSAC2026大会上，安全厂商们纷纷展示了自己的安全智能体系统，虽然有的也很夸张且不实际，但也不乏接地气的产品和应用场景。会上还有不少企业现身说法，展示了大量贴近实战的Agentic SOC落地成果与踩坑经验。笔者认为，深入研究RSAC2026大会上有关智能体的内容，对于我们开发实战化的企业级安全智能体应用（譬如Agentic SOC）或有裨益。

为了更深入分析RSAC2026上的安全运营平台（主要是Agentic SOC），今年度的文章分为四部分，分别是：

• 从RSAC2026看安全运营技术发展趋势(1)：Agentic AI重塑安全

• 从RSAC2026看安全运营技术发展趋势(2)：Agentic SOC厂商最新进展

• 从RSAC2026看安全运营技术发展趋势(3)：Agentic SOC实战经验分享

• 从RSAC2026看安全运营技术发展趋势(4)：综合观察与反思

本篇为第二篇。

本篇核心发现：

• 国外厂商智能体落地节奏务实且谨慎，重打磨、不冒进；

• “确定自动化流程执行+概率自主化智能体推理”的混合运营方式逐步成为共识；

• 数据底座正成为Agentic SOC能力分化的核心分水岭；

• 安全运营的厂商市场格局和用户人力结构正在发生变革。

厂商视角下的Agentic SOC最新进展

看看Splunk、Google、Elastic，以及一众创新公司在Agentic SOC领域的最新产品和功能发布。

Splunk：五层概念模型、新功能、新交互

关键词：智能体信任与治理、联邦搜索、检测工作室、暴露分析、安全内容生成智能体、自主化调查画布

五层Agentic SOC概念模型

Splunk的SVP和安全业务总经理John Morgan在大会的主论坛发表了题为《从智能体前线汲取经验：SOC如何在AI时代制胜》的演讲。

演讲一开始，探讨了基于规则的分析系统和基于智能体的分析系统的本质区别，也即确定性系统和概率性系统的区别。如果说过去基于规则或者剧本的分析过程属于一种确定性控制的话，那么现在基于Agentic AI的自主思考过程来指导研判和动作执行的过程就属于一种概率性控制。

最后，John Morgan表示，Agentic SOC还处于初级阶段，还有很多课题待研究，譬如以下三个：

1）定制化智能体，因为商品化的智能体无法知道你的业务流程、数据、查询结构、调查方式、报警方式，而只有通过便捷的定制智能体才能让其跟你自己的组织发生化学反应。【笔者注：这恰恰应证了前沿部署工程师（FDE）的作用】

2）信任校准：从HITL（人在回路）控制，到智能体替代人的参与性角色，再到访问控制，以及动作控制的全过程信任校准。HITL增加了智能体的可靠性，但也限制了运营的规模化。【需要考虑HITL和HOTL的结合】

3）大规模的智能体安全：Openclaw的成功极大地促进了网络中各种智能体的爆发式增长。这使得AI（包括智能体）正在成为新的黑客战场。Agentic SOC要保护包括自身所拥有的Agent在内的客户所有智能体（尤其是业务智能体）的安全。

新功能发布

在本次大会上，Splunk发布了Agentic SOC平台下的一系列功能，包括数据架构升级、新增安全内容开发模块、新增暴露管理模块、新增多个智能体，以及一个新的自主化调查画布功能。

• 数据架构升级：数据编织 & 联邦搜索

Splunk的网络安全战略全球副总裁David Dalling在主题发言中介绍了其最新的底层数据架构。

借助思科的数据编织技术，引入了联邦搜索功能，使分析师能够同时检索不同环境中的数据，而无需物理集中这些数据（譬如跨多云或多数据湖的数据分析），从而显著降低成本并加快调查速度。

笔者认为，Splunk显然认识到了数据底座对于Agentic SOC的作用，AI Ready的数据架构必定是一个基于数据编织的架构。

• 安全内容开发：检测工程的阶段性落地

检测工程，简单理解就是安全内容开发全生命周期管理。典型的安全内容包括日志解析规则、关联分析规则、剧本，甚至当下最热门的智能体技能。而检测工程遵循的是经典的DevOps开发模式。

检测工程是当今安全运营中的重要工作内容，贯穿安全运营的全过程，直接决定了安全运营的效果。最有效果的安全内容一定是跟你的业务系统和安全目标绑定的，是厂商提供的内容和开源内容所无法给与的。检测工程是一个实打实的运营的活儿。

这次，Splunk发布的是一个名为“Detection Studio”（检测工作室）的模块，为检测工程师提供了一个统一的工作空间，用于规划、开发、测试、部署、管理、监控、验证检测规则。

【参考资料】

从RSAC2026看安全运营技术发展趋势(1)：Agentic AI重塑安全

从RSAC2024看SOC发展趋势

从RSAC2023看安全运营的技术发展趋势

是时候重新定义安全运营平台了

仅靠AI不足以重新定义安全运营平台

以自动化优先和实战化为设计理念的新一代安全运营平台

迈向AI赋能的SOC4.0时代

2024年安全运营技术趋势回顾

跳转微信打开

智能体落地的关键在于信任，而信任的根基是安全。AI 对抗 AI 已成既定趋势。

【引言】 今年以来，Agentic AI for SecOps比去年更加火爆。尤其是OpenClaw以及Hermes等智能体系统在国内的出圈，人们（包括安全业界）对智能体助力安全产生了极高的期待。而事实上，根据笔者的观察，企业生产级的安全智能体系统寥寥，其应用普及还有很多障碍需要跨越。而前不久结束的RSAC2026大会上，安全厂商们纷纷展示了自己的安全智能体系统，虽然有的也很夸张且不实际，但也不乏接地气的产品和应用场景。会上还有不少企业现身说法，展示了大量贴近实战的Agentic SOC落地成果与踩坑经验。笔者认为，深入研究RSAC2026大会上有关智能体的内容，对于我们开发实战化的企业级安全智能体应用（譬如Agentic SOC）或有裨益。

为了更深入分析RSAC2026上的安全运营平台（主要是Agentic SOC），今年度的文章分为四部分，分别是：

• 从RSAC2026看安全运营技术发展趋势(1)：Agentic AI重塑安全

• 从RSAC2026看安全运营技术发展趋势(2)：Agentic SOC厂商最新进展

• 从RSAC2026看安全运营技术发展趋势(3)：Agentic SOC实战经验分享

• 从RSAC2026看安全运营技术发展趋势(4)：综合观察与反思

本篇为第一篇。

本篇核心发现：未来的数字世界，智能体将无所不在，智能体得以繁荣的关键在于信任，而信任的根基是安全，这里的安全包括智能体系统的安全，以及更重要的智能体对应用系统的安全（Agent Safety）。

Agentic AI时代的安全应该怎么做

在深入讨论安全运营技术之前，先把目光投向整个安全产业。

既然Agentic AI正在重塑网络安全，那么我们应该如何做好Agentic AI时代的安全？看看RSAC的演讲者们如何说。让我们聚焦主会场的主题演讲，看看微软、思科、SentinelOne、CrowdStrike、Armis、Varonis是如何在Agentic AI时代重塑安全的。

微软：坚持安全基本原则，保障智能体安全，建立自主化防御平台

微软安全业务的副总裁Vasu Jakkal本次大会带来的主题演讲是《Ambient and Autonomous Security: Building Trust in the Agentic AI Era》（包围式安全 + 自主式安全：构建Agentic AI时代的信任）。

Vasu Jakkal上来就表示，在Agentic AI时代，我们所知的安全必须改变了！未来的安全必定将变成包围式和自主式的。

• 包围式安全（Ambient Security）：安全将嵌入从硅芯片到操作系统、智能体、应用、数据、平台和云的每一层，无缝织入整个技术栈，不是额外加一层防护，而是“内置”于设计之中。

• 自主式安全（Autonomous Security）：安全系统将具备深度可观测性（deep observability）和自适应能力，能主动评估风险、动态调整策略，并在AI威胁出现时以AI速度检测、防御、自愈（detect, defend, heal）。

而要实现包围式和自主式安全，就必须利用智能体。

蓝队利用智能体实现安全的自主化检测、响应与修复；而红队利用智能体对无处不在的智能体进行安全测试与验证。最终的目标就是形成一个始终在线的自防御循环。

这个平台能够持续地学习和改进自身。

1）要将零信任扩展到AI；

2）评估（包括观测、度量、验证）是构建信任并迈向自主的关键。这里的评估还包括要区分哪些智能体可以获得较高的自主性，而哪些智能体需要更多的人类监督；

3）（智能体的）安全技能集必须持续演进。

思科：智能体安全、智能体治理、智能体防御

思科总裁兼首席产品官 Jeetu Patel在《为Agentic劳动力重新构想安全》的主题演讲中表示，智能体正以机器速度和无限规模部署，它们正在挑战所有安全架构赖以构建的基本假设。在生成式AI的聊天时代，我们担心的是它们说错了什么，但是在Agentic AI的智能体时代，我们则担心他们做错了什么。

思科对大型企业进行的一项调查显示，85% 的企业表示正在进行人工智能代理试点项目，但只有 5% 的企业将这些代理投入生产环境。

智能体时代不仅仅扩大了威胁面，它还要求建立一种新的治理模型，用于建立信任、授予访问权限以及在出现问题时追究责任。

Jeetu Patel 表示，在Agentic劳动力时代，要考虑三个方面：1）保护世界上的智能体，即智能体系统安全，相当于Agent Security；2）保护世界免受智能体的侵害，即防止智能体失控，相当于Agent Safety；3）以机器速度和规模去进行检测和响应，也就是用智能体去做防御，相当于Agent for Security。

首先，保护智能体，至少需要考虑6个方面（下面冒号后面是示例）。

1）模型：是否有漏洞；

2）记忆：是否被篡改

3）技能：是否不受控

4）工具：是否隐藏恶意指令

5）上下文：是否被投毒

6）沙箱：是否会逃逸

其次，保护世界免受智能体的侵害，需要HITL（人在回路之中），更需要零信任，并且要跟原来针对人类的零信任有所区别：底层的最小访问权限控制变成了最小行为控制。

具体来说，把智能体作为一种劳动力进行安全治理的时候，需要做好三方面工作：盘清所有的智能体，每个行动都要获得授权，实时适应风险变化。

盘清智能体的关键是Agentic IAM (智能体身份管理）。其中一个很重要的步骤就是建立人类与智能体之间的责任关系

行为授权的关键是建立三个原则：按需（及时）、最小化（够用即可）、及时收回（时间够用即可，及时撤回授权）。

实时动态风险自适应的关键就是智能体交互过程中要充分理解威胁上下文和行为上下文，根据面临的动态威胁和实施的动态行为（也可以认为是“意图”）去评估风险，并及时采取恰当防护措施。

第三：用AI对抗AI，否则将被AI击败。而这个环节的核心是Agentic SOC——具备超大规模、自主化响应、强化学习持续进步。人类借助Agentic SOC操纵各种智能体去进行安全防御。

SentinelOne：可验证的智能体

SentinelOne 首席执行官兼联合创始人 Tomer Weingarten 《在Agentic AI时代保障人类潜能与自由》的主题讲演中表示，AI是当今世界最具变革性的力量，它加速了一切，并增加了对抗性攻击的复杂性、攻击范围和精细程度。当前被动的安全模式存在巨大问题。人类对智能基础设施和数据的依赖使得安全防护成为生存的必要条件。

AI时代，人的技能在退化，人的判断力可能也在不断丧失。被动的安全无法掌控一个机器高速运转世界。Tomer Weingarten 提出了“可验证智能体”的概念。

可验证智能体包括6个方面的可验证：速度（能以机器速度即时工作）、证据（工作过程可解释）、自主性（能做出自主决策）、边界（范围和权限受控）、归因（授权可追踪）、问责（可审计到人）。

Tomer Weingarten表示，人类已经花了数万亿美元来提升AI，但在AI安全方面的投入相形见绌。要让AI更安全，不仅是技术问题，还需要提升人类的智力水平。未来属于一种新的范式，机器高速执行任务，证据可追溯，但人类仍需对结果负责。人也需要训练，需要维护，我们要训练我们的员工。在AI时代，需要更聪明的人，而不是迷失在AI中的人。

【参考资料】

从RSAC2024看SOC发展趋势

从RSAC2023看安全运营的技术发展趋势

是时候重新定义安全运营平台了

仅靠AI不足以重新定义安全运营平台

以自动化优先和实战化为设计理念的新一代安全运营平台

迈向AI赋能的SOC4.0时代

2024年安全运营技术趋势回顾

跳转微信打开

AI SOC的成功钥匙不在AI算法，而在数据平台的重构。

毫无疑问，我们已经进入了全新的AI SOC时代，这里的AI特指Agentic AI以及其所代表智能体（AI Agents）。智能体正迅速蔓延至网络安全的各种产品中，“几乎每个安全产品都值得用智能体去重构一次”。

回归AI SOC的技术本质

笔者丝毫不怀疑AI对SOC带来的巨大革新，并对AI应用于SOC的未来充满信心，亦就此写过许多文章。但AI SOC平台终究还是SOC平台，作为支撑安全运营的平台，其技术本质并未改变，就是数据驱动。因此，当我们讨论AI SOC平台的时候，不要把所有目光都聚焦到AI上，而更应该关注数据，关注数据就绪度（Data Readiness），数据和数据平台才是AI SOC平台成功的关键，是AI SOC隐秘的“死穴”。

对SOC而言，如果说AI是SOC能效的倍增器（“0 / 00 / 000”，十倍/百倍/千倍），那么数据和数据平台就是决定SOC成败的那个“1”。

而从AI（尤其是智能体）视角来看，数据问题将成为AI扩展的最大瓶颈，数据不再只是AI的输入，而是企业智能的基石。在智能体时代，问题已不再是“是否拥有数据”，而是：现有的数据架构、治理方式和组织能力，是否足以支撑智能体的实时决策、自主行动与持续智能（参见《IDC FutureScape：全球数据与分析2026年预测》）。

在《IDC FutureScape：全球 Agentic AI 2026 年预测——中国启示》（2026年1月）中，IDC 系统地刻画了未来五年中国企业在智能体发展过程中将面临的十个关键转折点。 报告第一个预测就是针对数据就绪度的。

“到2027年，如果企业没有优先构建高质量的AI就绪数据，在扩展AI解决方案时将面临幻觉频发、错误率高的问题，导致生产力下降15%。”

——IDC FutureScape：全球 Agentic AI 2026 年预测——中国启示

业内知名SOC专家Anton Chuvakin表示，判断SOC是否AI就绪的五个支柱中，第一个就是数据，包括数据的可用性（譬如上下文是否充分）、可访问性（是否可以机读，譬如API；是否AI友好，譬如支持MCP等）、可靠性，以及数据质量，等。

笔者在去年的文章《仅靠AI不足以重新定义安全运营平台》中，就明确指出“GenAI本身就是建立在数据之上的，没有好的数据，GenAI也难以奏效”。

为什么数据是AI SOC平台的死穴

“巧妇难为无米之炊”，AI 的推理能力高度依赖于“语义事实”。再强大的AI，如果面对残缺的、甚至是错误的数据，只会诱发智能体产生严重的“幻觉”，导致AI在错误数据上“加速跑”，让运营陷入“一本正经的胡说八道”中。

正如IDC《全球 Agentic AI 2026 年预测》报告所述：“数据质量不再只是IT部门的KPI，而是企业的生存红线。如果投喂给智能体的数据是脏的、乱的、没有经过治理的，那么企业得到的将不是效率提升，而是需要耗费更多人力去修正错误的负生产力”。

因此，“数据就绪度”（Data Readniess）是AI SOC平台落地最隐秘的“死穴”。数据不仅是燃料，更是约束 AI 行为的边界。

数据不就绪的典型智能体“翻车现场”

下面列举几个典型场景，感受一下数据不就绪造成的危害。

典型场景1：语义缺失

在智能体进行告警研判的时候，由于缺乏实时富化的资产权重和威胁情报上下文，仅凭告警自身的信息，无法快速准确判断攻击者意图和攻击危害，导致研判失准。有的智能体虽然可以通过工具或者技能（skills）调用资产和情报数据库进行碰撞比对，但性能难以保证，且耗费大量Token。

根因分析：数据质量低，缺少富化，缺乏上下文。

典型场景2：格式耗散

同种异构数据格式不一（如不同厂家的入侵告警描述各异），迫使智能体耗费海量Token进行格式对齐，耗散了宝贵的推理算力，增加了运营成本。

根因分析：数据质量低，数据格式不统一，缺乏统一语义。

典型场景3：冗余耗散

将存在大量冗余、且可能明显属于误报的告警推给智能体去研判，导致其在重复的噪音中反复研判，造成算力与 Token 的巨大浪费，虚高运营成本。

根因分析：数据质量低，数据冗余。

旧架构的倒塌：为何它无法支撑“数据就绪”？

通过前面的分析，我们了解到了数据就绪之于智能体发挥效用的重要性。但现在的SOC平台数据架构能担当数据就绪的重任吗？

当前大部分基于大数据的SOC平台架构都被笔者归入SOC3.0架构（参见文章《迈向AI赋能的SOC4.0时代》2.4小节）。这些架构的数据平台底座都是为“存储与检索”设计的，而非为“智能体推理”设计，无法支撑未来面向AI的数据就绪。

• 数据引力与时延：数据引力（Data Gravity）引发数据分散，而SOC3.0数据架构强制进行数据的物理集中，大幅提升了数据移动和存储的成本，也可能导致分析时效性变差。

• 建模能力缺失：缺乏安全数据统一建模和灵活调整模型的能力，无法根据 AI 运营需求动态定义安全实体逻辑。

• 质量治理困局：缺少有效的流式清洗管道和实时质量度量，导致“数据沼泽”污染AI的推理空间。

新架构尝试：“智能体直连”是解药吗？

既然存在数据引力，数据集中存在诸多弊端，数据平台需要深度数据治理，那么，可否去掉数据平台？

最近，有不少人提出了“智能体直连数据源”的解决方案：彻底消灭旧的数据平台，用一种纯分布式的、智能编排的机制将分散的数据源连接起来。他们表示，未来的AI SOC平台将是一个纯粹的多智能体系统。

尤其是随着专项检测能力（譬如EDR、NDR等）不断增强，且其自身能够存储上下文数据和告警，自然容易让人产生这个遐想。而这种故事，其实在Agentic AI出现之前就发生过。笔者作为国内最早的一批SOAR（安全编排自动化响应）从业者，早在2020年就参与过当时兴起的“安全能力中台”、“安全能力原子化”的工作。在那个时候，我们也曾想象过通过编排技术和剧本将分散的安全能力（包括数据查询/比对）协同起来。

在笔者看来，“智能体直连”方案过于理想化，尽管有很多安全运营场景可以这么做，但最终还是需要一个数据平台。

必须指出的是，即便是“智能体直连”方案也是建立在数据基础之上的，至少与数据驱动的安全运营是吻合的。分歧在于是否需要一个专门的数据平台，以及这个数据平台长什么样（肯定不是现在这样）。

“智能体直连”忽视了数据就绪这个命门，无法消除数据平台的必要性。

• 连接不等于就绪：直连获得的原始数据缺乏标准化，智能体必须充当低效的“翻译官”，耗费大量Token去理解原始数据。

• 性能与信噪比：若无数据平台在前置环节进行“去重降噪”，智能体将直接暴露在高EPS的冗余洪流中 。不仅算力成本不可接受，智能体分秒级的推理速度也根本无法支撑实时对抗。

• 数据集中有时更高效：数据是否集中并不绝对，关键是看数据就绪，“该搬还得搬”。经典的例子就是多源数据的实时关联分析，这时集中分析所需数据是性价比最高的选择。再比如，如果让智能体直接去多个数据源中获取原始资产信息，然后自己进行复杂的合并去重与纳管，而不借助数据平台，几乎是不可能的。

当然，在某些场景下，直连方案也有其合理性。譬如针对数量较低的告警和事件进行深度调查，或者进行对时效性不高的威胁猎捕的时候，智能体可以采用直连方式，去相关的检测系统上调取相关的上下文信息，进行推理决策。例如，在事件调查阶段，按需直连 EDR 等数据源获取特定瞬时的端点运行信息（Telemetry）是极具性价比的。因此，需要一种全新的数据平台架构思维去兼容这种直连方案。

【注释：需要厘清的是，很多时候，国外不少人所说的“智能体直连”AI SOC是一个基于数据平台之上的产物（更接近 AI SOAR），而非去掉数据平台。这时候的AI SOC更应该称作AI SOC Agents（参见Gartner定义）。因为这里的AI SOC并不是完整意义上的SOC平台。】

我们需要从安全运营的业务视角去判断什么数据需要集中，什么数据不需要集中。

我们不能用 AI 的“可能性”去对抗数据处理的“确定性”。那些认为不需要数据平台、仅靠智能体就能闭环的观点，本质上是把数据治理的重担，从廉价高效的代码层过度转移到了昂贵缓慢的AI推理层。我们需要做好平衡。

AI SOC平台的命门在于：只有在“逻辑统一、语义就绪”的数据编织架构之上，智能体才能从繁琐的数据搬砖中解脱出来，成为真正的决策指挥官。

破局之道：基于“数据编织”构建新一代数据平台

新一代数据平台的核心思路是从数据的“物理集中”转向“逻辑统一”，从数据的“硬连接”变为“软编织”。

• 元数据驱动：作为神经中枢，统一数据模型与治理规则。

• 智能数据管道：在数据流动中实时完成标准化、富化、关联分析，实现“入库即就绪”。

• 数据虚拟化：支持按需直连分散的数据源，无需搬迁即可实现逻辑融合。

如果说旧SOC平台数据架构是构建一个传统重量级数据中台的话，那么基于安全数据编织的SOC平台数据架构则旨在建立一个轻量级的数据中台。

总结

AI SOC的“死穴”在于数据，AI SOC的成功钥匙不在AI算法，而在数据平台的重构。做好数据就绪，构建逻辑统一、按需流转的新一代数据平台底座，是实现自主化安全运营的唯一路径。

最后，引用《IDC FutureScape：全球数据与分析2026年预测——中国启示》报告中的话结束本文。

【参考】

迈向AI赋能的SOC4.0时代

仅靠AI不足以重新定义安全运营平台

2024年安全运营技术趋势回顾

自主化安全运营平台技术解析与实践

阅读原文

跳转微信打开

三种AI SOP，三类AI SOC，您选择哪一种？

AI SOC、AI SOP、AI助理、SOC智能体概念厘清

AI SOC是一个很通泛的术语，其实很早就有了。

广义上的AI SOC泛指AI赋能的SOC，这不是一个技术术语，也不是一个产品类别（注意：SOC不是产品），而是特指一种安全运营中心。这里的AI也泛指各种AI技术，包括传统AI和GenAI。可以说，从第一代SOC开始，AI技术就有应用，譬如基于规则推理的关联分析引擎。

2015年，Gartner发表了一份智能SOC的报告，指出要利用高级安全分析来落地智能化SOC，采用机器学习（ML）算法识别未知威胁的异常检测技术开始盛行。此后，还出现了其它用于提升暴露评估、告警研判、态势评估与预测等关键能力的AI和ML算法。

安全运营是一个过程，是一系列流程、规程和操作的集合。传统AI虽然解决了安全运营过程中的一些关键难题，但却不能将整个运营过程串起来，对整体运营帮助有限，还需要安全运营人员的大量工作。

最近两年，GenAI/LLM迅速兴起，已经成为了AI的代名词。GenAI和Agentic AI具备普适性、普惠性、自主性、协作性、知识快速激活等超越传统AI的优秀特性，能够很好地提升安全运营工作过程的效能，正在重塑SOC。

随着GenAI/LLM在安全运营领域的深化应用，我们现在经常谈及的AI SOC通常是指采用GenAI（尤其是LLM）赋能/增强的SOC。而事实上，AI SOC中的AI必定是传统AI和GenAI兼备的复合式AI（Composite AI）。

GenAI/LLM赋能的AI SOC核心在于有一个GenAI/LLM赋能的安全运营平台（AI Security Operations Platform，简称AI SOP，有的也叫AI SOC平台）。因此，当下我们讨论AI SOC，核心是要讨论AI SOP的关键技术。

当前，Gartner定义了两个具体的AI SOP技术概念：早期的“网络安全AI助理”（Cybersecurity AI Assisants），以及当下最火的“SOC智能体”（AI SOC Agents，也可以称作“安全运营智能体”）。目前，几乎所有SOP都应用了“网络安全AI助理”技术，而“SOC智能体”则迅速成为AI SOP的主要技术发展方向。

“网络安全AI助理/助手/副驾”借助GenAI技术，挖掘网络安全工具中的既有知识，生成相关内容或代码，为安全团队的日常工作提供辅助。

“SOC智能体”解决方案借助GenAI和智能体技术，增强安全运营中的多项日常活动。它可通过自然语言查询、减少误报、丰富告警信息、明确攻击路径背景、汇总报告、提供下一步操作建议等方式辅助调查。 

SOC智能体在业界有时候也称作“AI SOC分析师”（AI SOC Analyst），显得更加拟人化、具象化，譬如DropZone.AI、Gurucul、Prophet Security、Simbian、Torq等公司。

AI SOP市场细分

从产品角度，AI 安全运营平台（AI SOP）市场可以划分为“自带AI助理的SOP”、“SOC智能体”、“自带SOC智能体的SOP”三个细分市场/产品。

自带AI助理的SOP

目前大部分SOP（包括SIEM、XDR等）都扩充了AI助理功能，借助（通用或安全专用）LLM的基本内容生成能力，有的还进一步应用RAG技术，采用嵌入到应用后台或者专门提供聊天对话UI的方式，为安全运营人员提供基本的运营辅助，譬如撰写告警或安全事件摘要、生成查询语句、生成脚本代码、解读威胁情报、安全知识检索、提供安全操作（调查/处置等）建议，等等。

目前来看，AI助理是最基础的LLM应用，帮助安全运营人员打些“零工”，运营的主要工作还是人在干，其自主化程度（L2）还比较低。随着Agentic AI和智能体技术的应用，AI助理逐渐成为AI SOC的普通能力。

尽管比较基础，但自带AI助理的SOP可以称作“AI SOP”或“AI SOC平台”。

SOC智能体

这是当前的热门产品赛道，聚集了大量（40+）的初创公司。SOC智能体并不是一个完整的SOP，而是作为一款独立的产品/组件，通过叠加部署【注1】的方式，跟现有SOP对接，实现现有SOP的安全运营工作的智能化、自动化、自主化。SOC智能体没有去清洗现有巨大的SOP存量市场，受到存量SOP客户的青睐。

【注1：有关叠加部署的更多信息，可以参见《国外Agentic SOC平台落地实践经验》中的“智能体的集成部署模式”小节】

当前，业界经常把这类产品用“AI SOC”来指代，笔者认为是不严谨的。因为首先“AI SOC”不是产品而是系统，其次这类产品也不是完整的安全运营平台。因此，Gartner称呼为“AI SOC Agent"(SOC智能体）是可以的，表示是SOC系统的智能体产品。虽然SOC智能体不是完整的SOP，但可以归属于AI SOP市场之下。

目前，这个细分市场十分火爆，很多第三方机构都密切追踪这个赛道，不仅Gartner对此进行了专门的定义和研究，其它如Software Analyst Cyber Research也对此做过深入研究，可参见《万字报告｜2025 AI SOC 2025市场格局解读》。IDC中国近期也发布了多份该领域的报告。

SOC智能体最主要的功能集中在给L1安全分析师提供自动告警分诊功能，减轻甚至消除L1安全分析师的工作，有的也提供HITL/HOTL（分析师审核/监督）机制。这里的分诊可不是基于LLM的文本分类【注：有的人用预训练或微调的LLM做这个，还不如用判别式AI】，而是一整个告警分诊流程，包括告警富化、告警分类分级、告警升级/安全事件提交等。

同时，很多SOC智能体开始面向L2/L3级别的安全分析师提供能力，譬如安全事件调查、安全事件响应、安全事件处置报告生成、威胁猎捕、团队协作辅助等。

除了面向各级分析师，SOC智能体系统还开发出了面向运营经理、安全内容工程师等不同岗位人员的智能体，譬如：

• 面向运营经理：风险评估分析智能体、安全运营绩效评估智能体，安全内容有效性评估智能体，等。

• 面向安全内容工程师：安全内容（如关联分析规则、剧本、黑白名单等）生成和优化智能体、威胁情报提取智能体，等。

此外，还有面向漏洞运营、资产运营的SOC智能体系统。

需要注意的是，目前SOC智能体系统的整体自主化程度（L3）还不是很高，人的参与还比较多，但比“AI助理”的自主化程度提升了一个等级。

自带SOC智能体的SOP

现在，部分厂商开始提供自带SOC智能体的SOP，也即笔者称呼的“Agentic SOP”（自主式安全运营平台）。

Agentic SOP是指Agentic AI赋能的SOP，在SOP功能的基础上，以LLM作为思考中枢，具有自主推理、规划和决策能力，能够调用各种工具自动完成预定的安全运营任务，并通过人机协作，共同实现常态化安全运营目标。

这些SOP的目标显然是要替代现有的SOP，他们一方面具备完整的SOP功能，另一方面又内置了SOC智能体功能。这些厂商主要包括大型综合性厂商（如Splunk、PANW、CrowdStrike）、综合性技术巨头（如微软、Google等）、创新型公司（如Exaforce、Radiant Security等）【注2】。在《国外Agentic SOC最新进展（2025Q3）》一文中有对前两类典型公司的最新产品进展介绍。

【注2：就创新型公司而言，主要还是集中在SOC智能体领域，有超过40家，而做完整的Agentic SOP的创新公司并不多，因为这既涉及到智能体技术，又涉及到下一代SOP技术架构，比较复杂】

值得注意的是，自带SOC智能体的SOP都具备AI助理功能，覆盖了自带AI助理的SOP，反之则不然。不过，随着SOC智能体技术路线越发清晰，仅具备AI助理功能的SOP正纷纷进军SOC智能体。

自带SOC智能体的SOP开启了AI原生安全运营平台之路。不过当前这些SOP的AI原生程度还较低。

AI SOC类型划分

对使用者（如甲方用户、安全运营服务商等）而言，AI SOC是指他们利用AI SOP搭建的一套AI安全运营体系。根据AI SOC使用的AI SOP产品不同，可以分为三种类型【注3】。

【注3：需要指出的是，由于SOC智能体技术的迅速发展，几乎所有的AI SOC都采用了该技术，笔者认为研究仅采用AI助理技术构建的AI SOC意义不大，故不纳入分类之中】

基于“自带SOC智能体的SOP”构建的AI SOC

这是最清晰的一种AI SOC，采用全新的技术架构，原生的AI能力和智能体，此时AI的效果发挥最佳。但这种AI SOC对用户的整个运营体系提出了较高的挑战。因为AI SOC还涉及到组织、流程的重新适配。

基于“传统SOP+SOC智能体”构建的AI SOC

这种AI SOC可能更受现有SOC用户青睐，因为它总体上维持了现有的安全运营体系，叠加了一个智能自动化的运营调度层。这种AI SOC对客户的组织、流程影响更加可控，成本也更低。目前，由于国外SOC部署率已经十分高，因而大部分AI SOP产品都集中在SOC智能体这个赛道。

不过，这种模式下，往往由于现有SOC的数据平台存在诸多缺陷，而制约了AI的发挥。可以参见笔者《国外Agentic SOC平台落地实践经验》文中的“智能体的集成部署模式”小节，了解更多。

基于“传统SOP+通用智能体平台+智能体开发”构建的AI SOC

这种类型的AI SOC往往见于大型的、先进的、具备AI开发能力的企业。他们通过调研，会基于现有SOP，采购（或者部署开源）一套通用智能体平台（譬如n8n、Akira、Beam、Coze、Dify等），基于该通用智能体平台自行开发安全运营所需智能体，并与现有SOP对接，实现安全运营工作的智能化、自动化、自主化。目前，这类通用智能体平台也比较多，也是一个竞争激烈的细分市场。

这种模式对客户自身的开发能力和对安全运营业务理解的能力要求比较高，往往这类企业的现有SOC也是自己搭建的。还有一些安全运营服务商会采用这种模式，但他们的挑战反而不在智能体，而在于SOP整体技术架构的协调性和有效性。

结尾

在研究所有AI SOC / AI SOP的时候，还有一个很重要的设施就是LLM。目前，AI SOP跟LLM存在多种组合模式：内嵌或者外接、封闭或者开放。

• 内嵌：指LLM嵌入在AI SOP产品中，整体打包提供给客户。

• 外接：指AI SOP自身不带LLM，而是通过接口与外部独立的LLM对接。

• 封闭：是指AI SOP内嵌（或外接）的LLM系统是固定的，用户在选择AI SOP的时候无法自行选择。

• 开放：是指AI SOP外接（或内嵌）的LLM系统是开放的，支持多种第三方商业、开源或用户自有的LLM，用户可以自行选择。

目前，业界主流的趋势是AI SOP多采用外接LLM模式，并采用开放接口，支持多种LLM。

最后，举个实际的例子。笔者所在睿安致远（metasec.com.cn）的MetaSec-SOP是一款集成了SOC智能体技术的、采用了全新数据架构和流程架构的AI SOP，同时其SOC智能体子系统也可以作为独立组件跟用户现有SOP对接，实现现有SOP的自主化。Metasec-SOP可以外接多种LLM，用户可以自由选择。欢迎了解。

【附录】AI SOP的自主化水平划分

L0表示非自主化SOP。这时，安全运营工作完全依赖人类，各种安全运营工作都采用人工操作来完成，人类分析师手工配置和操作各种安全运营工具。

L1表示具备初步自主性的SOP。这时，安全运营工作实现了对重复性工作的自动化，采用基于规则的专家系统（如SOAR）自动执行，流程和工作步骤都是预先定义好的，各种安全运营工具的调用也是提前编排好的。

L2表示引入LLM并具备了一定的自主性的SOP。这时，安全运营工作以人为主，LLM充当人类的辅助工具，安全运营工作的流程和步骤依然是预先定义好的，工具调用也依然是预先编排好的，但运营的部分流程节点调用了LLM，实现了部分工作的自主化。

L3表示以LLM为思考中枢的真正具备自主规划和决策的SOP（也称作SOC4.0或Agentic SOP）。这时，LLM成为了人类的伙伴而非简单工具，但人类仍需要参与到运营的各个环节（包括配置、监督、决策、优化等），安全运营工作基于LLM进行规划和决策，自主生成达成任务目标的流程和步骤，并能够自主地调用安全运营工具（包括LLM和基于传统AI的工具），但这些工具需要提前准备好。

L4表示高度自主化的SOP。这时，AI将自主开展大部分安全运营工作，人类更多行使监督和指导的角色，主要运营工作的流程和步骤都是自主生成、自主决策、自主优化的，并且能够自主创造新的安全运营工具并按需使用。

图中没有绘制L5（完全自主化）级别的SOP，因为在可以预见的未来，这个级别是无法达成的，并且可能永远也无法达成。

【参考】

国外Agentic SOC平台落地实践经验

浅析SecOps中的AI Agent和Agentic AI，以及SOC自主化水平模型

Gartner分析师谈AI Agent和Agentic AI

国外Agentic SOC最新进展（2025Q3）

迈向AI赋能的SOC4.0时代

从Gartner2025年北美安全峰会看安全运营的发展趋势

从RSAC2025看安全运营技术发展趋势

2024年安全运营技术趋势回顾

自主化安全运营平台技术解析与实践

阅读原文

跳转微信打开

深度分析Gartner SIEM魔力象限，掌握未来SIEM/SOC平台发展趋势

【注：本文不是译文，结合了大量笔者自己的体会和判断，请勿将此文观点等同于Gartner观点】

【关键摘要】

1）SIEM市场已经成熟，2024年规模达68亿美元，年增长率达17%。

2）SIEM市场竞争激烈，17个厂商入选2025年魔力象限，领导者象限两强格局已经形成，综合性大厂纷纷入局，多年的SIEM老牌厂商黯然退场，而纯SIEM玩家也在严峻压力中奋力拼搏，还有很多新兴技术厂商凭借突破性技术正在底下虎视眈眈。

3）SIEM产品更加看重细节——易用性、可定制性和扩展性、安全内容的丰富程度和围绕产品打造的生态系统。

4）Gartner的最终客户调查表明AI能力并非当前采购SIEM的主要考量因素。笔者认为当前AI（特指GenAI和Agentic AI，智能体等）还处于初级阶段，AI赋能的SIEM功能是特色，是未来发展方向，但还不能成为SIEM的关键成功因素。

5）XDR与SIEM的战争已经结束，成为SIEM和融入WSP可能是XDR的最终归宿。

6）SOAR已经成为SIEM的一部分，但独立SOAR还将继续存在。笔者认为国内尤其需要SOAR。

7）SIEM需要重新考虑数据管理问题，引入新的技术（如数据管道、数据湖等）。

8）SIEM必须是云原生的，但中国市场已经分叉。

2025年10月8日，Gartner发布了新一期SIEM市场魔力象限（MQ）报告。该报告基于2024年至2025年2月25日期间的调研做出，不能完全反映当前最新的SIEM市场状况，但仍然具有较高的参考价值。本次报告的主笔分析师依然是Andrew Davies。

注意：严格来说，Event的中文称呼是“事态”，而Incident称作“事件”，这也是所有国标中所定义的。

SIEM市场定义

今年的定义跟去年的定义基本保持一致，但功能组成和要求有所变化，简言之，就是可涵盖功能更多了。 

安全信息和事态管理（SIEM）是一种可配置的记录系统，能够收集、聚合并分析来自本地环境和云环境的安全事态数据，用于威胁检测、调查与响应。其原生支持数据标准化，提供用户可配置的检测内容与报告功能，以实现编排威胁缓解工作并满足合规要求。此类解决方案（通常）通过软件即服务（SaaS）平台交付，或由客户在本地环境及私有云中自行部署。

SIEM is a configurable system of record that collects, aggregates and analyzes security event data from on-premises and cloud environments. SIEM processes security event data for the purposes of threat detection, investigation and response.

 It natively supports data normalization and offers userconfigurable detection content and reporting to orchestrate threat mitigation and satisfy compliance requirements.  These solutions are delivered via a SaaS platform or clienthosted on-premises or private cloud.

注意，从2022年开始，Gartner就认为云部署和SaaS化已经成为SIEM的主要交付方式，入选的产品必须支持该部署方式，这反映了Gartner对全球SIEM部署形态的客户侧观察。譬如，IBM因为将其QRadar的SIEM SaaS业务出售给了Palo Alto Neteworks（派拓网络）仅保留本地化部署SIEM业务就被Gartner排除在今年分析报告之外。但据笔者观察，在中国本土市场，情况却大不相同。

SIEM的“根本、核心、一般”（must, mandatory, common）三种功能要求列举如下。对比最近两年的报告对功能要求的表述，可以看到对SIEM的品类定义锚定到了OT数据采集、近实时分析和响应功能上，而对SIEM的其它功能要求则弱化了。

值得注意的是，Gartner并未将生成式AI和自主式AI（Agentic AI）能力列为SIEM的关键能力，而只是在一般性功能中有所提及。笔者认为，一方面是因为该报告考察的时间是2024年，彼时GenAI（尤其是Agentic AI）刚刚开始炒作；另一方面则是即便时至今日GenAI和Agentic AI在SIEM乃至安全运营中的实战化应用还处于探索和试点阶段，尚未真正形成规模。Gartner的最终客户调查表明这些AI能力并非当前采购SIEM的主要考量因素。

厂商产品分析

今年入围的厂商有17家，比去年减少了5家。如笔者去年所言，今年派拓网络（PANW）和CrowdStrike果然上榜。而由于更多大厂参加打榜，Gartner进一步提升了业绩要求和国际化要求。

1. 业绩要求：2024年全年，要么有8500万美元产品及订阅但不含托管服务的收入，或者直签500个独立SaaS客户。

2. 国际化要求：必须在全球7个大区（欧、北美、亚、非、拉美、中东、日本）中至少3个开展实质性业务。

很多公司由于上述限制未能上榜或者下榜。

先看今年的魔力象限：

对照去年的：

可以发现，领导者象限两强格局已经形成（微软和Splunk），综合性大厂纷纷入局（PANW、CS、DataDog）重塑市场格局，多年的SIEM老牌厂商黯然退场（IBM、ArcSight / MicroFocus / OpenText、LogRhythm），而纯SIEM玩家也在严峻压力中奋力拼搏（如Securonix、Exabeam、Gurucul），还有很多新兴技术厂商凭借突破性技术正在底下虎视眈眈。

头部两强格局形成：微软和Splunk

微软已经连续多年成为领导者阵营中的强中强，其聚焦纯SaaS模式，持续技术创新。微软在2025年9月份发布了全新的基于Agentic AI赋能的Sentinel 和 Security Copilot版本。但微软成为魔力象限强中强的关键原因并非AI，而是出色的易用性和灵活定制能力。此外，微软紧密围绕自身生态打造SIEM的战略既是优势也是劣势。

Splunk虽然在2024年被思科收购，但似乎并未出现波动，持续保持强中强地位。Splunk成功的秘诀在于强大的定制化能力，以及多年来形成的良好生态和丰富的安全内容/应用市场。尽管Gartner认为Splunk近来的AI赋能战略和执行明显落后竞争对手，但尚不影响其强中强位置。笔者在《国外Agentic SOC最新进展（2025Q3）》一文中分析过微软和Splunk在Agentic SOC方面的最新进展，二者进度差距可见一斑。

综合性大厂密集入局，SIEM市场渐成“大玩家俱乐部”

继去年Google首次上榜后，大张旗鼓进入SIEM领域的PANW和CrowdStrike（简称CS）也顺理成章进入MQ。尽管第一次未能登陆领导者象限，但仅是时间问题。譬如Google今年就已经跃居领导者象限。

PANW早在2022年就高调进入SOP（安全运营平台）市场，推出融合式安全运营平台XSIAM，但在2024年的Gartner SIEM MQ入围时被判定为不符合评选技术功能要求。当时Gartner要求SIEM必须具备“混合数据收集”和“第三方数据收集”等关键功能，而XSIAM则更像是一个PANW全家桶。

不过，接下来PANW强势收购了IBM的QRadar SIEM SaaS业务，并凭借其“融合式平台”战略在安全运营领域大杀四方，业绩突飞猛进，成为SIEM领域不可忽视的一股力量。尽管Garnter并不认同XSIAM模式就是SIEM的未来，但已然成为一个流派，尤其适合中型客户。笔者在《从Gartner2025年北美安全峰会看安全运营的发展趋势》一文中的“最佳单品与生态（平台）之争”小节对此有详细介绍。

为此，Gartner也修订了今年SIEM的核心功能描述，去掉了“混合数据收集”和“第三方数据收集”，转而放到“一般功能”（可选功能）要求中去了，为XSIAM的入选铺平了道路。

Gartner报告认为PANW XSIAM的亮点包括：整合XSOAR后带来的强大自动化编排、案例管理和作战室功能。另一方面，XSIAM的易用性还有待提升，且支持第三方设备的成本明显偏高。

CrowdStrike也是一样的问题，其Next-Gen SIEM俨然就是围绕其EDR为核心打造的融合型平台。Gartner认为CS的Next-Gen SIEM易用性强、事件管理功能强，并且产品路线图清晰、AI能力出色。而问题同样在于仅在使用CS全家桶时才能获得较好价值。

进一步分析，可以发现，包括PANW和CS在内，此次上榜的17家厂商有9家都是大型综合性厂商，占比过半。SIEM主要市场正逐步被大型厂商占据。笔者认为，这表明SIEM市场已经趋于成熟，且市场规模和未来增量都足够大。

老牌SIEM厂商黯然退场，一个时代结束

与一些综合性大厂大张旗鼓挺进SIEM市场相对的，是老牌SIEM厂商们纷纷下线。

首当其冲就是ArcSight终于离榜，一个时代终于结束。而著名SIEM专家Anton Chuvakin则说，ArcSight时代早在2017-2018年就结束了，只是因为惯性拖到了现在而已。

从2004年Garnter首次推出SIEM（当时叫TI安全管理）MQ开始到2024年，不论是叫ArcSight，还是HPE、MicroFocus，或者OpenText【笔者注：ArcSight从被HP收购后沾上了HP的霉运开始了颠沛流离】，ArcSight每年的MQ都没有落下过，并且直到2016年都一直位居领导者象限。

上图是2004年的SIEM MQ，如今已经完全更迭完毕。

ArcSight堪称SIEM领域的一个传奇。笔者所在团队也有幸将其引入中国。从引进，到吸收，到自研，笔者从ArcSight受益匪浅，其花费数年时间所做的调研和业务模型设计奠定了此后的辉煌，至今其《101》文档依然堪称经典。此外，ArcSight也可称得上是SIEM领域的“黄埔军校”，从Splunk研发负责人、Sumo Logic创始人，到Abstract Security、Amonali、AirMDR等创新SIEM/SecOps厂商的创始人，都打上了ArcSight的烙印。

不过，ArcSight的现任东家OpenText还在继续SIEM产品，只是不再满足Gartner的SIEM MQ入选的功能与商业条件了。笔者估计，应该是SaaS功能的缺失，以及市场业绩不达标。ArcSight还有东山再起的机会吗？不得而知。

同样悲催的还有IBM和LogRhythm。

IBM在2024年将自己的QRadar SIEM SaaS业务卖给了PANW，仅象征性保留本地化部署的SIEM业务。可以预见，这么做就是为了让本地部署的客户有时间稳妥迁移到其它SIEM平台。现在可以说，IBM还有SIEM业务，但估计仅限于本地化部署的留存客户（还会有新增客户吗？够呛）。如此，自然也无法达到Gartner SIEM MQ的评估标准而无法继续上榜了。

IBM的SIEM业务也是一个传奇。从2004年第一次SIEM MQ开始就有IBM，但那时的IBM拿出来的是Tivoli产品系列。笔者当时还安装过，仅光盘就有十几张，Tivoli的Framework就装了一天，太费劲了。如果说ArcSight是一个产品不停的换牌子，那么IBM就是一块牌子不停的换产品。IBM的SIEM业务特点是“收购”战略。Tivoli不行，那就买。为了争夺SIEM的领导者地位，IBM在2006年一口气收购了两个SIEM厂商——Micromuse（GuardedNet）和Consul，同年还收购了ISS获得了其MSS运营平台。未见起色后，又在2011年买入了Q1 Labs，获得了QRadar SIEM，并成立了专门的IBM Security部，由此将IBM SIEM带入了一个黄金时代。也是在2011年，HP收购了ArcSight，Splunk首次登陆MQ，笔者所在团队加盟了启明星辰。从2004年到2024年，IBM的霸榜时间跟ArcSight一样长。

LogRhythm也在2024年将自己与Exabeam合并了。并入Exabeam之后，其主打的SaaS SIEM业务由Exabeam NewScale担纲，而LogRhythm 的SIEM系列产品则变身为本地化部署版本。可以预见，在欧美SIEM业务SaaS化的大势之下，LogRhythm未来不可能获得太大投入，砍掉是迟早的事儿。

作为中生代SIEM产品的代表，LogRhythm于2007年首次登陆SIEM MQ，期间一度替代ArcSight成为领导者阵营的三强之一。

纯SIEM玩家面临严峻挑战

在综合性大厂的混战中，纯SIEM玩家也面临越来越大的压力。

好基友Securonix和Exabeam逆水行舟不进则退，Gurucul虽将将踏入领导者阵营，但也压力山大。Gartner认为，Exabeam整合LogRhythm进行时，结果仍待观察；Securonix和Gurucul的客户增长速度慢于头部厂商，AI能力不足。

前Gartner分析师Augusto Barros表示，上述三家公司在抢占市场方面表现乏力，面对激烈竞争，他们都更多将自己的产品定位为微软和Splunk产品的补充（附加组件），以避免正面硬杠。

不过，笔者认为，他们也并非没有机会，三家都都在重构其SIEM的底层数据架构，纷纷引入数据管道/编织和联邦搜索技术。

新兴技术厂商虎视眈眈

除了17家上榜的厂商，Gartner还在报告中荣誉提及了几家创新型公司（AnviLogic、Panther、Hunters），以及SentinelOne。他们虽然现在达不到报告的业绩要求门槛，但凭借创新的技术，正在悄然突破表面成熟的SIEM市场。无一例外的，他们（包括还有其它一些新兴SIEM厂商）都正在用新一代数据架构（数据湖、数据编织等）重塑SIEM平台。

厂商小结

如下表所示，笔者利用AI技术生成了一份各厂商的主要能力对比分析报告，并进行了核对和修订【注：不能完全相信AI，需要评审】。

看似平稳的SIEM市场之下，暗流涌动。

市场和技术分析

概述

Gartner报告指出，SIEM 技术是安全运营的核心支柱，已处于 “生产力成熟期”，“2023-2024年，SIEM市场增长17%，规模达68亿美元。SIEM 市场不仅在增长，还在不断演进：采购方选择 SIEM 的核心原因仍为执行 TDIR 操作及满足合规与报告需求，而次要选择因素正是 SIEM 的演进方向 —— 采购方寻求操作更简便、数据管理更优、云环境支持更好的 SIEM 平台。这些次要因素推动 SIEM 供应商创新——AI 驱动的工作流程增强【笔者注：即‘Agentic SOP’】、TDIR 生态系统【笔者注：即‘融合型SOP’】解决方案、改进的数据管理选项【笔者注：即‘新一代安全数据架构’】及更完善的云环境支持等功能”。

Gartner认为当今的SIEM面临两大挑战：第一个是产品使用太复杂，第二个是数据处理和存储成本高企【注：国内客户似乎还没有感受到】。

关于AI赋能

针对上述第一个挑战，国外厂商采取两条路径：1）采用“融合型安全运营”解决方案，其最大特点就是将自家的SIEM、EDR、NDR、TIP、SOAR甚至ASM融合到一个平台之下，提供一体化的功能和统一的用户界面，大幅降低平台部署实施和运营的复杂度，提升运营体验。笔者在《从Gartner2025年北美安全峰会看安全运营的发展趋势》一文中有详细介绍。2）借助安全自动化和自主化（Agentic）技术，让AI增强现有的工作流程，从而“降低运营复杂度，引导用户获得更可预测的成果”。

在笔者看来，两种方式需要综合使用，并且要适应中国国情，进而提出了“生态型安全运营平台”的思路和Agentic SOP（SOC4.0）的理念。

简言之，Agentic SOP是指Agentic AI赋能的SOP，在SOP功能的基础上，以LLM作为思考中枢，具有自主推理、规划和决策能力，能够调用各种工具自动完成预定的安全运营任务，并通过人机协作，共同实现常态化安全运营目标。

此前，笔者已经梳理过SOC从手工化到自动化再到自主化的演进过程和SOC的自主化水平划分，也详细阐述了Agentic SOP的五大关键技术特征，并介绍过Gartner对Agentic AI的释义，还分析过国外主要Agentic SOC平台厂商最新的发展动态，以及国外Agentic SOC的落地经验剖析。简言之，Agentic SOP的建设不是一蹴而就的，需要循序渐进，当前Agentic AI和智能体赋能安全运营还处于早期和试点阶段。

回到报告，Gartner将AI赋能的安全运营称作“AI增强的工作流程”。Gartner表示，“AI技术正逐步应用于 SIEM 中的日志收集、检测、数据丰富化与工作流增强等领域。采购方期望 SIEM 解决方案提供可靠的自然语言查询、建议的修复措施与高级趋势识别功能，实现数据上下文关联、解答特定问题，并在所有这些领域提供建议的自动化操作。”

Gartner进一步警告称：“这一变革并不意味着 SOC 团队的工作量会减少或复杂度会降低。实际上，随着自动化处理简单问题并降低部分攻击类型的可行性，SOC 将能专注于应对更复杂的威胁。”

Gartner建议采购者“评估 AI 能力时，需将其影响与手动流程对比，并跟踪性能变化；准确性与透明度至关重要 —— 若 AI 出现故障或 SOC 对其失去信任，团队必须能在不依赖 AI 的情况下有效运营。”

如前所述，报告还隐含了一个细节，就是Garnter修改了SIEM功能要求，将AI能力从核心能力将为了可选的一般能力。也就是说，当前AI不是SIEM好坏的关键因素，因为Gartner的最终客户调查表明这些AI能力并非当前采购SIEM的主要考量因素。笔者认为，当前AI（特指GenAI和Agentic AI，智能体等）还处于初级阶段，AI赋能的SIEM功能是特色，是未来发展方向，但还不能成为SIEM的关键成功因素。而为了迎接AI时代的到来，首先需要练好SIEM/SOC平台的架构，做好平台的数据架构和流程架构。

关于数据架构

针对上述第二个挑战，Gartner观察到厂商纷纷提供更优的数据管理功能，从数据湖到数据管道，以及更优的大规模数据摄取方案。但笔者认为，数据架构的变革不仅是为了应对数据成本，也是为了提升数据质量，并给后续的AI应用提供AI就绪的数据。

笔者认为，现有SIEM/SOC平台的数据技术架构已经完全基于大数据技术，但随着安全建设的不断深入，尤其是数据驱动的GenAI的引入，现有的安全数据技术架构再次遇到瓶颈，数据驱动正在变成垃圾驱动。新一代的SIEM/SOC平台必须基于“安全数据编织”的思想，采用现代数据栈的最佳实践，摒弃旧的大数据架构，构建新一代安全数据架构。新一代安全数据架构应包括数据治理、数据编排、数据集成、数据存算、数据分析、数据呈现、数据分发7个构件。基于新一代安全数据架构，实现按需集成数据，简化数据管理，释放数据价值，为安全运营平台的AI化和自动化提供坚实的数据底座，以实现高效的数据驱动的安全运营。

关于XDR

从2021年开始，有关XDR与SIEM关系的争论就一直不断，笔者在《2022年Gartner SIEM市场分析》和《SIEM的未来（2022版）》等文章中持续分析过这个问题。

时至今日，XDR与SIEM的争论可以结束了。XDR无法取代SIEM，XDR自身面临终结。摆在XDR面前有四条路：1）继续做好中低位能力，为SIEM或其它高位平台供数；2）升级为SIEM，成为SIEM的一个用例，因为SIEM才是SecOps的核心支柱（好吧，也许XDR们会说他们以另一种方式替代了SIEM ）；3）回归EDR的初心，成为一个更强大的EDR，最终还是给SIEM供数；4）成为工作空间安全平台（Workspace Security Platform）的一部分，去打造新的应用场景。Gartner表示，成为SIEM和融入WSP可能是XDR的最终归宿。

Gartner将工作空间安全平台（WSP）定义为一款旨在识别和阻止针对数字员工终端、身份、应用和数据的威胁的产品。其功能包括攻击面缩减、行为分析、威胁防护和数据防泄漏。工作空间安全平台还支持受保护终端和认证基础设施的威胁检测、调查与响应（TDIR）。该平台基于云原生服务架构构建，提供统一终端代理和集中化安全管理，支持工作空间安全平台设置与策略配置、报告和事件响应的全生命周期管理。

事实上，PANW为了进入安全运营平台市场推出了XSIAM，而不是用它的XDR产品，而EDR/XDR厂商SentinelOne也推出了SIEM产品，再比如CrowdStrike也把XDR放一边而推出了专门SIEM产品。这表明，XDR不是SIEM，取代不了SIEM，安全运营的核心支柱还是SIEM（或者说是安全运营平台SOP）。在《SIEM的未来》（2022版）一文中，笔者画过一幅SIEM厂商纷纷推出XDR的图画。如今，包括Exabeam，Securonix，Sumo Logic，Rapid7等在内的公司已经不再提XDR了。

回到MQ本身，Gartner修改SIEM功能要求，显然是为了将升级版XDR纳入到SIEM体系之下，犹如将PANW和CrowdStrike纳入MQ。而PANW和CrowdStrike也通过大张旗鼓的发布融合型SIEM产品，以跟其原来的XDR产品进行切割。简言之，在SecOps领域，SIEM吃掉了XDR。

关于SOAR

2024年Garnter Hype Cycle报告将SOAR标记为“过时”，引发轩然大波。笔者当时在《SOAR的未来》一文中进行了详细探讨。对于“SOAR成为SIEM的一部分”这个结论毋庸置疑，但“独立SIEM就此消亡”却不见得。当前，独立的SOAR产品甚至厂商依然存在，一些AI SOC / Agentic SOC厂做的其实就是下一代SOAR，而Gartner最新发布的“AI SOC Agents”（SOC智能体）也可以看作是SOAR的一个升级，因为从Agentic AI的自主化程度谱系来看，SOAR是一种初级的智能体。

有趣的是，可能是“独立SOAR消亡”的争议太大，在2025年的Gartner Hype Cycle报告中，再次出现了SOAR。尽管依然被标记为“过时”，但还是对SOAR技术进行了专门的阐述，供读者参考。正常情况下，一种技术在某年“过时”后，就不会出现在次年的Hype Cycle中了（没有意义啊）。Gartner如此操作，说明还有必要给大家介绍一下SOAR，里面还列举了多个独立SOAR厂商/产品（包括Splunk SOAR和PANW的XSOAR，以及一些Agentic SOAR公司）。笔者可否这样理解：SOAR过时需要一段较长的时间。

此外，笔者认为，对于中国市场而言，用户将存量SIEM/SOP全部升级到内置SOAR功能的下一代版本还有较长的一个时期，独立（或者模块化的）SOAR在中国依然大有可为。

关于云原生

在欧美，“SIEM是云原生的”已经成为共识。一方面是他们的IT基础设施大都上云了，应用也都云原生了；其次，云技术可以较好地解决分布式计算和大规模数据存储的问题。

Gartner 将 “云原生” 定义为 “为利用云特性而设计的技术”。这些云特性属于云计算的原始定义范畴，核心是服务化交付能力，具备可扩展性、弹性、按使用计量、服务化、基于互联网技术的泛在访问及共享特性。

深入分析，欧美用户认为“把数据存到云上”比存放到本地更安全。而国内却不是这样看的。这不仅是技术问题，也是体制问题。从这里开始，国内外的应用发展出现了分叉。诚然国内肯定还是存在SaaS SIEM（如阿里云的Agentic SOC）市场，但更多的还是本地部署的SIEM/SOC平台，此外就是专有云环境中的SIEM/SOC平台（这个类别很可能最终还是会分解到SaaS和本地两种技术架构中去）。

总结

纵览Gartner SIEM MQ及相关报告，可以发现，SIEM整体而言属于成熟市场，更加看重细节——易用性、可定制性和扩展性、安全内容的丰富程度和围绕产品打造的生态系统。但SIEM的背面也暗潮涌动，新的技术和业务模式正在悄然兴起，成为搅动市场的关键力量。

我们不能被动等待，要主动求变，迎接AI时代的到来。

笔者目前也在这个大潮中拼搏，无论技术还是商务领域，都欢迎与我们联系。

【参考】

Gartner：2024年SIEM（安全信息与事件管理）市场分析

Gartner：2022年SIEM（安全信息与事件管理）市场分析

Gartner：2021年SIEM（安全信息与事件管理）市场分析

Gartner：2019年SIEM（安全信息与事件管理）市场分析

Gartner：2018年SIEM（安全信息与事件管理）市场分析

Gartner：2017年SIEM（安全信息与事件管理）市场分析

迈向AI赋能的SOC4.0时代

从Gartner2025年北美安全峰会看安全运营的发展趋势

从RSAC2025看安全运营技术发展趋势

2024年安全运营技术趋势回顾

从Gartner2024年北美安全峰会看安全运营的技术趋势

从RSAC2024看SOC发展趋势

再见！爱因斯坦计划，网安态势感知迎来转型

从Gartner2023年北美安全与风险管理峰会看SIEM和SOC的发展趋势

从RSAC2023看安全运营的技术发展趋势

从Gartner2022年魔力象限看SIEM未来发展

SIEM的未来

阅读原文

跳转微信打开

探讨自主式SOC平台的优势、局限、部署模式、治理变革、风险、价值评估。

【引言】就在2025年10月28日，新修订的《网络安全法》颁布。新增的第20条明确指出“国家支持创新网络安全管理方式，运用人工智能等新技术，提升网络安全保护水平”。以Agentic AI为代表的最新型AI赋能安全运营，顺应了《网络安全法》的要求。

当前，Agentic AI赋能的Agentic SOC（自主式SOC）平台（即Agentic SOP）正发展得如火如荼，不断攀上炒作的高峰。Agentic SOC平台以LLM作为思考中枢，具有自主推理、规划和决策能力，能够调用各种工具自动完成预定的安全运营任务，并通过人机协作，共同实现常态化安全运营目标。

此前，笔者已经梳理过SOC从手工化到自动化再到自主化的演进过程和SOC的自主化水平划分，也详细阐述了Agentic SOP的五大关键技术特征，并介绍过Gartner对Agentic AI的释义，还分析过国外主要Agentic SOC平台厂商最新的发展动态。

本文将分享一篇发表于CSO在线网站的讨论Agentic SOC平台落地实践的文章【注1】。通过对正在试点和部署Agentic AI赋能的安全运营项目，或为相关项目提供咨询的安全高管、产品负责人和研究人员进行调研访谈，让我我们更清晰的认识Agentic SOC的现状。同时，本文也包括笔者对该访谈信息的评论。

访谈内容涉及6个议题。

自主式 AI 的优势与局限

通过专家的表述，可以发现，尽管Agentic AI有N个优势，但在当前的具体实践上，主要还是针对L1分析师的告警研判过程有显著的效果。当前的实战应用程度表明，大多数企业仍将Agentic AI作为人类分析师的辅助工具，而非替代品。

正如Gartner所言，生成式AI在安全运营中的价值依然严重依赖SOC分析师的先验技能水平。要么，在预训练和微调的时候，该LLM灌输大量的高质量先验安全运营知识，得到所谓的安全垂域模型（Gartner将此类模型称作DSLM），并应用于Agentic AI；要么，在使用LLM思考的时候给智能体丰富的先验安全运营知识，并结合上下文工程让LLM思考得更加像一名老练的分析师。

与此同时，当前Agentic AI还存在诸多局限，但也正在快速发展演进。Gartner警告，到 2027 年，30% 的 SOC 领导者将因输出不准确和幻觉而无法将生成式AI整合到生产流程中。

智能体的集成部署模式：附加式VS独立式（叠加型VS替代型）

• 附加模式：将智能体视为SOP、SIEM、SOAR或其他安全工具的扩展，能以最小干扰实现快速见效。

• 独立模式：此时智能体位于一个独立的编排层，虽具备更高灵活性，但需更严格的治理、更复杂的集成工作与更全面的变革管理。

SOC平台是一个复杂的、迭代演进的平台，对于已有SOC平台的用户而言，如何逐步演进到新的Agentic SOP阶段，需要根据自身目标和具体情况做好路径规划。因此，当前Agentic SOP可以分为两种部署模式：叠加型部署和替代型部署。

叠加型部署相当于上文提到的“附加模式”，也就是在现有SOP基础之上部署一个叠加型Agentic SOP，获取现有SOP的告警、事件等信息，结合可以得到的上下文信息，基于Agentic AI进行分析、研判、调查、响应、报告，再将结果返回给现有SOP。此时，用户的安全运营组织和流程基本维持不变，Agentic AI就是在现有SOP基础上进行赋能。叠加型Agentic SOP可以认为是一个裁剪版的SOP，聚焦于安全运营任务的自主化，其技术架构更接近于一个智能体管理与运行平台。

叠加型Agentic SOP可以分为两类。一类是专门的产品，在国外经常被称作“AI SOC分析师”（Gartner称之为“AI SOC Agent”，即“SOC智能体”），主要用于实现L1分析师（有的也针对L2/L3分析师）的工作自动化和自主化，多采用SaaS模式交付。另一类则是作为完整的Agentic SOP产品的一个可拆分功能组件（子系统）。

替代型部署相当于上文提到的“独立模式”。替代型Agentic SOP架构和功能更加完整，具有跨域多源数据采集、归一、存储、分析等能力，具备较为完善的安全数据中心和较为完整的原生AI安全运营功能，并将多智能体管理与运行子系统内置于平台中。采用替代型部署时，Agentic SOP通常完全或者部分替代现有的SOP。此时，用户的安全运营平台面临较大的升级，可能涉及组织结构和流程的调整，数据的迁移，等等。

两种模式各有利弊。如果用户对自身现有SOP比较满意，可以优先采用叠加型Agentic SOP，如果对现有SOP的某些部分（甚至全部）不满意，则可以考虑采用替代型Agentic SOP。当然，如果用户要新建SOP，则应该优先考虑替代型Agentic SOP。

目前来看，国内外很多用户都对现有SOP的安全数据中心部分存在不满，这也是导致告警疲劳的根源。这个问题仅靠Agentic AI不足以消除（在低质量数据之上加载AI依然难以得到理想效果），需要对安全数据中心的技术架构进行调整。也就是说，如果不调整现有SOP数据架构，Agentic AI赋能作用有限。现在主流的Agentic SOP都采用了新一代数据驱动架构。因此，现在越来越多的用户优先采用替代型Agentic SOP去优化现有的安全运营数据中心架构，并在此基础上扩展Agentic AI能力。

治理与组织变革

实践表明，用户更倾向于在不影响现有运营的前提下，逐步叠加新功能，因此试点成为常见的第一步。

Agentic AI在SecOps的应用，不是一个简单的工具或者功能的应用，而是一个体系的应用，必然涉及到安全运营体系的变革，以及相应带来的运营组织变革。正如笔者在《迈向AI赋能的SOC4.0时代》一文的5.4小节所述，未来的安全运营一定是自动化和智能化优先的，这就必然引发安全运营过程中人与机器之间协作关系的重新适配，进而需要我们重塑运营的治理体系、组织结构、流程规范。

在《从Gartner2025年北美安全峰会看安全运营的发展趋势》一文中，笔者介绍过一幅Gartner的分析师运营工作迁移图，也体现了运营组织的变化。

一些旧的岗位消失或者弱化了，一些新的岗位职责产生了。当然，这个过程不是一蹴而就的，而应该是渐进式的，随着Agentic AI应用深入而持续深化。

信任、监督与人机协作

自主式 AI 的核心优势在于自主性，但这也成为其落地的主要障碍：许多组织不愿让智能体在生产环境中自主运行。

文章认为，当前Agentic AI的问题在于“透明度”不够，需在 AI 工作流程中建立 “可见性” 与 “责任制”，以提升“透明度”。与此同时，人在运营回路之中（Human in the operations loop，即“人机协作”）也十分关键，这既是当下AI能力不足的体现，也是未来人类维持主导的必然。此外，笔者认为，需要建立AI失效的机制和预案，关键的运营工作能够在AI失效后维持运转。

显然，为了建立AI的“透明度”，需要针对AI进行额外的投资。在考虑Agentic SOP的投入时，还应该考虑到围绕Agentic AI建立“可见性”与“责任制”的附带投入。而这不能仅靠Agentic SOP自身的安全与可靠性（Security & Saftey）机制，也不能仅依靠第三方的AI安全与可靠性产品或解决方案，还需要组织自身的治理结构的调整。这也是当前阻碍Agentic AI在客户侧落地的重要阻碍之一。从这个意义上而言，建立Agentic SOP，投资不小，可以将Agentic SOP的安全与可靠性投资与企业整体的AI投资进行统筹考虑。

新一代人才培养

若智能体接管了一级分析师的工作，安全运营中心的新成员该如何成长？

笔者认为，Vinod Goje是比较乐观的，反观Gartner，则预测“到2030年，由于过度依赖自动化和AI，75%的SOC团队的基础安全分析技能将会退化”【注：该条目入选Gartner2025年8大网络安全预测】。如何不退化？这就需要重新考虑人才培养的方式。如Vinod Goje所言，初级安全分析师的成长路径在AI时代发生了变化，需要保持学习能力，从AI中去学习，从可解释性AI研判的结果和过程中去学习。此外，要明确哪些运营工作应保持人类主导，哪些工作需要人机协作（HITL）以及如何人机分工。

定价、价值与方案设计

自主式 AI 的能力与治理固然重要，但推动其在安全领域落地的核心动力之一仍是 “经济性”。安全负责人最关心的问题是：它能为我们节省多少时间与成本？而答案往往并不简单。

文章认为，这个问题可能将决定自主式 AI 在网络安全领域的未来。尽管技术正快速成熟，但其能否长期立足，最终取决于企业是否将其视为 “重塑安全运营中心运作模式的可持续方案”。

安全运营平台的定价越来越需要跟价值挂钩，但这并非易事。Agentic SOP具体发挥多大的价值，不是厂商标称的，也跟各个用户具体环境和应用水平相关。

在评估投资回报率的时候，一方面在计算投资时，要涵盖“冰山水面之下的部分”，不仅包括Agentic SOP软件系统的投资，还包括LLM（软硬件和算力消耗）的投资，AI安全与可靠性方面的投资，以及配套的安全运营组织人员（包括自有和外包）方面的投资。另一方面在计算回报（价值）的时候，可以采用指标体系去评估。而指标体系跟项目建设的目标密切相关，并没有统一标准，不能简单的采取“拿来主义”。

总结

这里，笔者想借用另一篇文章【注2】的结尾作为本文的总结。

Agentic AI从根本上改变了我们对安全自动化的认知 —— 从僵化的 “规则驱动系统”，转向具备适应能力与推理能力的 “合作伙伴”。但与所有强大工具一样，其价值完全取决于部署方式的审慎性与责任感。

那些能在 SOC 中成功应用Agentic AI的企业，往往能抵制 “将其视为解决所有安全问题的万能方案” 的诱惑。相反，它们会将其视为 “需要精心集成、持续监督与不断优化的复杂能力”。

未来的发展路径并非 “在人类分析师与智能体之间二选一”，而是 “构建人机混合团队”—— 让两者发挥各自独特优势。智能体带来速度、稳定性与海量信息并行处理能力；人类分析师则贡献创造力、上下文理解、伦理判断，以及应对 “无法被预定义” 的模糊场景的能力。

SOC运营的未来在于这种协作 —— 但前提是，我们能构建必要的治理、安全与监控框架，确保其可靠、安全地运行。Agentic AI并非解决网络安全挑战的 “银弹”，但如果部署得当，它将成为构建 “更具韧性、响应更快、效率更高的安全运营” 的强大工具。

如今，问题已不再是 “Agentic AI是否会改变SOC运营”—— 它已然在改变。真正的问题是：企业能否足够快地调整 AI 部署策略，在抓住机遇的同时规避风险？那些平衡好这一点的企业，将在持续的网络威胁对抗中获得显著竞争优势；而那些急于拥抱安全自动化未来、却忽视风险的企业，则可能为自身埋下新的漏洞。

【注1】文中涉及的受访信息源自文章：Agentic AI in IT security: Where expectations meet reality，链接：

https://www.csoonline.com/article/4064158/agentic-ai-in-it-security-where-expectations-meet-reality.html

浅析SecOps中的AI Agent和Agentic AI，以及SOC自主化水平模型

Gartner分析师谈AI Agent和Agentic AI

国外Agentic SOC最新进展（2025Q3）

迈向AI赋能的SOC4.0时代

从Gartner2025年北美安全峰会看安全运营的发展趋势

从RSAC2025看安全运营技术发展趋势

2024年安全运营技术趋势回顾

自主化安全运营平台技术解析与实践

阅读原文

跳转微信打开

Agentic AI和AI Agent的关系，智能体开发原则和应用风险

此前笔者在《浅析SecOps中的AI Agent和Agentic AI，以及SOC自主化水平模型》一文中对相关概念进行了梳理，并给出了Agentic SOP/SOC的定义，以及SOP/SOC的自主化水平划分，并在《迈向AI赋能的SOC4.0时代》一文中讨论了Agentic SOP的五大关键技术特征。

本文主要整理自一篇对Gartner负责Agentic AI研究的分析师Tom Coshow的访谈【注1】，并结合Gartner的一份Agentic AI概览报告【注2】，帮助大家进一步厘清AI Agent和Agentic AI的关系，以及开发Agentic AI应用系统的基本原则。此外，本文最后还转载了另一份Gartner报告【注3】中对Agentic AI带来的风险方面的说明。

AI Agent和Agentic AI关系

智能体（AI Agents）是具备自主或半自主能力的软件实体，它们运用人工智能技术感知环境、制定决策、采取行动，并在数字或物理环境中实现目标。这类智能体拥有自主决策权，能规划如何推进目标达成，还具备在数字环境中实际采取行动的工具支持。

而Agentic AI（笔者翻译为“自主式AI”）的定义则稍显复杂 —— 市面上很多定义会让它看起来与智能体截然不同，但在高德纳看来，自主式AI是一个包含智能体（AI Agent）的 “umbrella term”（即“涵盖性术语”）。

【笔者注】Gartner在Agentic AI概述报告中指出：“自主式 AI（Agentic AI）是一种构建 AI 解决方案的方法，其核心是使用一个或多个软件实体 —— 这些实体全部或至少部分符合（Gartner定义的）AI 智能体（AI Agent）特征，且这些实体还可能与其他非 AI 元素相结合。”

“Agentic AI is an approach to building AI solutions that are based on the use of one or multiple software entities that classify completely or at least partially as an AI agent (as defined by Gartner), possibly combined with other non-AI elements.”

下图展示了Agentic AI和AI Agent之间的关系：

其中，AI助手（AI assistants）是一类专用应用程序，或大型系统中的模块组件。这类工具会整合人工智能技术，通过（对话式）交互界面，按照外部（人类）操作者的要求、指令和引导，提供任务支持或直接执行任务。并不是所有的AI助手都属于Agentic AI。

此外，笔者在《浅析SecOps中的AI Agent和Agentic AI，以及SOC自主化水平模型》一文中，也系统性的阐述了Agentic AI和AI Agent的关系。

构建智能体的关键组件

如下图所示，单个智能体拥有自身的 “记忆”，具备规划、执行任务和使用工具的能力，同时包含 “系统提示（system prompt）”，并借助大语言模型（LLM）在环境中推进目标实现。

智能体（AI Agents）的核心构建要素

当前已投入实际应用的智能体大多 “限制严格”，原因在于构建 “系统提示” 时必须追求极致精准。每个智能体中都包含 “系统提示”，它需要向大型语言模型明确指令 —— 例如，告知智能体需在四个 API 中选择调用哪一个。我们不能让 “系统提示” 过于开放，否则大语言模型可能会产生混淆。

在多智能体系统（MAS）中，智能体需 “为特定目的定制”—— 比如专门负责撰写内容的智能体、专门负责调研的智能体等。譬如有一个 “药房智能体”，它的唯一功能就是查询用户的用药历史。将任务拆分给专门的智能体来完成，操作会更简便。再举个例子：假设我开发了一个功能完善的 “信用卡智能体”，它可以被嵌入多个工作流程中；但我绝不会开发一个 “全能智能体”—— 既要回答物流问题、产品问题、政策问题，同时还要承担 “协调智能体（orchestrator agent）” 的角色。更合理的方案是单独设置一个 “协调智能体”，由它判断 “你需要的服务是什么”（无论需求来自人类还是其他智能体），然后引导你对接 “信用卡智能体”。

此外，数据质量直接决定智能体的性能。我们发现，一些原本专注于帮助企业提升数据质量的小型公司，如今也进入了智能体领域 —— 因为它们对数据有深入理解。这一点在生成式人工智能早期应用中就有体现：有人曾基于 20 年前的、存在矛盾的客服文档开发客服聊天机器人，最终效果自然很差。未来，“数据质量提升” 以及 “通过数据预推理驱动智能体行为”，有望成为显著趋势。

“效率” 在 “GenAI助手领域” 与 “主动式AI领域” 中的含义不同

在智能体领域，“效率” 意味着直接执行人类原本需要完成的任务；而人工智能助手的作用，仅仅是建议人类该做什么。

智能体的成本与人类完成相同工作的成本进行对比

智能体与人类的成本对比，很大程度上取决于智能体调用大型语言模型的次数，以及涉及的 “tokens”（即语言模型处理的基本语义单位）数量，因此很难直接与人类活动成本对标。

智能体的成本还与它使用的模型相关：如果使用的是最新、最先进但成本高昂的模型，其成本可能会显著高于 “针对特定领域微调后的小型语言模型”—— 使用后者的成本会大幅降低。

预计今年（2025 年）会出现更多 “小型微调语言模型” 的应用案例。若智能体设计合理，“系统提示” 会明确告知语言模型需要返回什么结果；如果有一个性能足够的小型语言模型，且智能体能为其提供清晰的指令和优质数据，那么这个小型语言模型就足以驱动智能体的运行。

企业构建主动式AI平台需要哪些条件

多数企业都在寻求某种形式的 “平台”—— 无论是小型独立平台，还是与超大规模云计算厂商（hyperscaler）相关的平台，但最终可能会采用 “混合模式”。

大型企业担心最终会陷入 “拥有 30 个不同智能体平台” 的困境，但同时也不愿被单一平台绑定。因此，目前他们对 “同时使用 3-4 个平台” 的方案接受度较高。

智能体平台的创业领域非常活跃，市场对这类创业公司的关注度也很高。当前的平台主要分为两类：一类是 “横向平台”，可用于开发任何类型的智能体；另一类是 “垂直平台”，专注于特定行业，甚至聚焦于某一特定软件平台。

如何设置约束机制，确保智能体在特定规则内运行

关键在于通过 “系统提示” 向智能体传递准确指令，且不要给智能体过多选择。这也是多智能体系统越来越受欢迎的原因之一。

举个例子：有一家大型跨国公司，他们为北美市场开发了一款生成式人工智能助手，反响很好；随后将其推广到日本和欧洲市场时，智能体却开始给出混乱答案。原因是他们让大型语言模型从 “5 个选项中做决策” 变成了 “1000 个选项中做决策”—— 这是典型的设计失误。智能体必须 “为特定目的而生”。

构建和部署智能体解决方案时，存在哪些风险或挑战

很多人在开发第一个智能体时，会惊讶地发现它很容易 “失控”；当开发包含两个智能体的系统时，问题会更严重。智能体的开发难度，远低于市场宣传的 “轻松实现”。

在多智能体系统中，智能体之间需要相互通信，且这种通信必须绝对精准 —— 否则工作流程中会出现信息损耗，导致整体效率下降。

智能体之间的通信方式可能不同，以 “通过 API 相互发送提示” 为例：必须确保 “提示内容” 能完美适配工作流程的下一步，就像小时候玩过的 “电话游戏”（多人依次传递信息，最终信息失真）—— 多智能体系统中绝对要避免这种 “信息失真问题”。

智能体中的“记忆”概念解析

通常来说，“记忆” 指的是 “短期记忆”，它能帮助智能体按顺序执行任务 —— 相当于智能体的 “实时状态记忆”，让智能体清楚自己当前所处的流程节点和正在执行的操作。

但市场对 “记忆” 的定义存在一些混淆：

• 有人认为 “记忆” 是存储在客户关系管理系统（CRM）或知识图谱中的信息，这些信息会驱动智能体行为，可称之为 “长期记忆”；

• 还有一种 “记忆” 概念：将智能体的所有活动记录 “单独存储”，通过分析这些记录来优化智能体 —— 目前已有团队在研发 “自动化优化方案”，目标是让智能体具备 “学习能力”。

不过这一话题比较复杂：比如在机器人领域（如波士顿动力的步行机器人）或视频游戏领域，会通过 “强化学习” 提升系统性能，但在商业领域，目前尚未看到类似应用。

当前商业场景中的 “记忆”，要么是指从数据中提取的特定信息，要么是支持智能体按顺序执行任务的 “短期记忆”，也可能是用于后续优化智能体的 “活动记录”。

此外，还有一种思路：若能构建 “智能体记忆”，或许可以利用这些信息微调模型，让智能体更 “聪明”；也可以通过分析这些信息调整智能体的 “系统提示”—— 比如观察智能体的执行结果后，发现 “系统提示” 需要优化。但目前这些思路仍处于 “概念讨论阶段”，尚未大规模落地。

目前，即使是创业公司提供的平台，大多也会配备 “操作面板”，能清晰展示智能体的所有行为；如果是多智能体系统，还能查看智能体之间的通信记录 —— 通过这些记录，通常能精准定位 “哪里出了问题” 或 “哪里运行正常”。

“系统提示” 可否由智能体自主编写

每个智能体的 “系统提示” 都由人类编写，要求精准且明确 —— 既要告知智能体 “该做什么”，也要在发现智能体出现 “异常行为” 时，约束其不要再犯。

需要注意的是，这里存在一个区别。如下图所示，“代理智能体”（proxy agent）中的 “系统提示”与向 “协调智能体” （orchestrator agent）发送的 “提示”是不同的。

为 “协调智能体” 编写的 “提示” 至关重要，因为它会决定诸多关键参数 —— 比如大语言模型的 “温度值（temperature）”（用于控制输出内容的创造性与事实性平衡）、可调用的 CRM 系统、可访问的功能或其他工具。事实上，“系统提示” 存在于每个智能体中，其重要性与 “协调智能体的提示” 相当。

至于 “智能体自行编写提示”，最初有人认为 “系统提示只能由人类编写”，但现在观点已发生变化 —— 目前主流方案是 “人类编写 1.0 版本提示”，之后由智能体借助大语言模型生成后续版本，且智能体编写的 “系统提示” 质量，往往优于人类编写的版本。

上图中，“代理智能体（proxy agent）”负责协助用户或其他智能体通信。 “协调智能体（orchestrator agent）” 定义为 “控制工作流程的智能体”—— 它了解工作流程中其他智能体的能力，负责协调各智能体的工作，还可能对其他智能体的成果进行检查。此外，上图展示了一个多智能体系统，其中可使用多个大型语言模型。

多智能体系统目前是否已落地应用

多智能体系统目前已落地，但 2025 年它会变得更普及、更常见。预计2025年还会出现 “测试中心”—— 通过在智能体流程中运行 5000 个示例，快速判断流程是否 “通过” 或 “失败”。此外，“自我反思（self-reflection）” 功能的应用也会增多。

根据Garnter的定义，“自我反思” 或 “自我批判” 是智能体的常见要素。在前面的例子中，“批判智能体（critic agent）” 会对成果提供反馈，帮助人类查看其他内容建议。

“自我反思” 是否意味着智能体具备 “自学能力”

目前还不能这么说。更准确的描述是：工作流程中会加入 “自我反思环节”—— 该环节会检查已完成的工作，判断是否存在问题。若发现问题，会将工作成果与 “优缺点记录” 一同反馈给协调智能体，由协调智能体重新分配任务；若再次返回的结果仍不达标，任务会转交给人类处理。

预计2025 年，“自我反思” 会被广泛应用于多智能体工作流程，用于跟踪、双重检查和改进智能体的工作成果。

Agentic AI带来的风险

Gartner在 2025年7 月发布的报告《新兴技术：企业应用中自主式 AI 的未来》（Emerging Tech: The Future of Agentic AI in Enterprise Applications）中指出，Agentic AI 虽为自动化带来新可能，但也存在固有风险。

1. 安全与合规

在未充分理解Agentic AI 的情况下盲目采用，可能导致项目失败，并威胁安全与合规。由于智能体具备自主性，其设计必须遵循 “安全优先” 原则 —— 从初始阶段就将安全纳入考量。若缺乏保障措施，智能体系统可能采取违反法律法规的行动。

2. 集成复杂性

除 API 连接外，Agentic AI 集成的核心挑战在于 “让决策逻辑与企业战略、风险容忍度对齐”。由于缺乏标准化与互操作性协议，这一过程可能尤为复杂。

3. 信任与治理

Agentic  AI 的 “黑箱” 特性是主要障碍。若缺乏透明度与可解释性，其决策难以审计。Gartner建议部署 “人机协同控制” 与 “审计跟踪系统”，确保智能体在安全、合规的边界内运行，同时让人类对高风险决策承担最终责任。

4. 技能迭代

Agentic AI 接管低价值任务后，传统 “通过基础工作培养新员工” 的模式被打破，企业可能面临人才断层风险。Gartner建议，应调整培训方向 —— 教会新员工如何治理、协作智能体，而非重复机械任务。

【注1】原文链接：

https://www.nojitter.com/ai-automation/conversations-in-collaboration-gartner-tom-coshow-on-ai-agents-and-agentic-ai

【注2】Gartner报告：《Executive Briefing on Emerging Technology: Agentic AI》

【注3】Gartner报告：《Emerging Tech: The Future of Agentic AI in Enterprise Applications》

【参考】

浅析SecOps中的AI Agent和Agentic AI，以及SOC自主化水平模型

国外Agentic SOC最新进展（2025Q3）

阅读原文

跳转微信打开

分析微软、CrowdStrike、Splunk、Google等15个Agentic SOC最新发展动态

从笔者提出用Agentic AI重塑SOC平台，并在5月21日正式发布了AI赋能+数据与流程双轮驱动的SOC4.0理念和国内首个Agentic SOP产品，已经过去了半年。Agentic SOC或者Agentic SOP的概念正在盛行，今年以来，全球范围内Agentic SOP / SOC如雨后春笋般不断涌现。无论是5月份的RSAC大会上，还是6月份的Gartner安全峰会上，AI赋能下的自主化安全运营（Agentic SecOps）都是热点议题。

笔者在《浅析SecOps中的AI Agent和Agentic AI，以及SOC自主化水平模型》一文中对相关概念进行了梳理，并给出了Agentic SOP/SOC的定义，以及SOP/SOC的自主化水平划分。

简单来说，Agentic SOP/SOC就是指Agentic AI赋能的SOP/SOC，而这里的Agentic AI又主要指采用LLM作为思考中枢的，具有自主推理、规划和决策能力，能够调用各种工具自动完成预定目标的中高级智能体及多智能体协作集群。但深入研究，Agentic SOP/SOC的关键特点还不止于此。让我们看看国际同行都是如何做的。

概览

下图展示了今年以来主要的一些Agentic SOC厂商的进展情况（截至10月初）。

上图对应表格如下：