案例名称

多AI Agent协同安全运营管控

案例简介

依托既有安全运营平台，围绕告警研判、攻击溯源和处置建议，构建专业智能体分工、统一编排与安全管控相结合的应用体系，将结构化交互、风险评估、决策仲裁、最小权限、异常监控、人工审核和审计追溯融入安全事件处理流程。已上线能力覆盖研判、溯源和处置建议，安全设备动作由人员按行内流程执行，形成智能分析与人工决策相结合的运营模式。实测告警检测平均10.21秒，攻击溯源平均13.10秒，风险评估平均13.16秒，处置建议14.35秒，较人工小时级处理降低98%以上，MTTR缩短至分钟级，研判自动化率超90%。项目数据在行内私有化处理，高风险操作保留人工审批，整体运行平稳。

创新技术/模式应用

（一）面向完整事件的多Agent协同

将专业分工落到业务流程中，使不同Agent围绕同一事件分别完成研判、溯源和处置建议。各环节的输入、证据和结果具有明确关系，分析工作不再停留在若干相互独立的模型问答，后续任务能够沿用前序证据，减少信息传递中的遗漏和重复整理。与既有安全运营中心侧重告警汇聚、处置流转和态势呈现相比，增加面向事件的分析协作层。创新重点在于把模型能力嵌入日常调查过程，并明确各专业节点如何衔接，而不是单纯增加一个对话入口。

（二）以统一仲裁处理结论分歧

通过编排器汇聚证据与置信信息，避免将单一Agent的结论直接作为最终执行依据。保留不同结论的形成依据，使安全人员能够检查争议源于哪些事实或条件，仲裁结果与任务状态一并记录，便于复盘时区分模型判断、策略约束和人工决策各自的作用，为持续优化提供更具体的问题定位。

（三）把智能体行为纳入安全运营管理

在实际场景中，研判质量与操作安全需要同时考虑，权限不能由模型自行扩张，平台需明确智能体操作权限范围。故既需分析外部安全事件，也需对智能体自身的数据访问、任务运行、交互和工具调用进行约束。通过权限校验、异常监控与任务状态联动，对智能体行为进行全面记录，使安全人员能够沿着业务链路进行审计，将模型应用风险从事后人工发现前移到事中任务运行过程。

（四）模型能力与规则控制分层管理

规则负责明确的告警与事件判断条件，大模型负责理解与辅助推理，剧本负责自动处置步骤，工具接口承担负责外部交互。各层通过约定结构衔接，安全人员可以同时查看模型结论及规则匹配情况，结合模型结论共同决定后续流程。分层设计使规则变化不需同步改造Agent，模型替换也不改变外部授权规则，降低功能模块耦合度，方便后续功能模块优化升级。

项目效果评估

截止10月20日，平台已在行内环境形成告警接入、研判、溯源、风险评估和处置建议的实际运行记录。10月排除SYN Flood等传统网络层攻击及通过威胁情报封堵的攻击后，实际接入待分析告警6404条，日均接收告警320条左右；10月以来，告警检测平均耗时10.21秒，攻击溯源平均耗时13.10秒，风险评估平均耗时13.16秒，处置建议平均14.35秒。相较于人工进行研判、溯源及处置所需的小时级的情况，通过AI的研判分析、攻击溯源并生成处置建议目前平均在50.82秒左右，所需耗时降低98%以上。

通过引入多AI Agent协同机制，推动安全运营从“人工主导”向“人机协同”转型，取得以下阶段性成效：

一是告警研判效率大幅提升。告警研判智能体基于大语言模型对已有的大量告警进行分析与分级，告警研判自动化率达到90%以上，安全分析师从日均数百条告警中解放出来，聚焦于高价值威胁的深度分析。安全事件平均响应时间（MTTR）由小时级缩短至分钟级，缩短幅度超过98%。

二是威胁发现能力显著增强。 通过多智能体协同关联分析，高风险事件发现率提升30%以上，有效弥补了传统规则引擎对未知威胁和高级持续性攻击的检测盲区。

三是安全运营人力成本有效优化。 多AI Agent配合传统规则引擎承担告警初筛、事件研判、标准化处置等重复性工作，预计可替代70%以上的基础安全运营人力投入，使有限的安全团队能够聚焦于安全策略优化与高级威胁狩猎。

四是形成智能化运营模式。 项目构建的“智能体矩阵+协同调度”架构，覆盖监测、研判、处置、溯源全流程，为我行后续深化AI安全应用奠定了技术基础。

责任编辑：佟桃梨