网络安全领域采用 AI 的速度，在那些将 AI 视为聊天机器人的人与将其视为架构的人之间造成了巨大的战略鸿沟。此前，安全负责人根据大语言模型（LLM）回答问题或编写脚本的能力对其进行评估。而现在的运营现实是，像 Claude 和 Cursor 这样的通用 AI 平台，与运行高通量安全运营中心（SOC）所需的专业基础设施是截然不同的。
安全团队面临的威胁环境是：攻击者利用 AI 自动化杀伤链（Kill Chain）的侦察和利用阶段。依赖人力速度来拦截机器速度攻击的传统威胁模型已从根本上失效。为了解决这一问题，企业必须超越 AI 助手的基本集成，建立一种分层智能架构，将高通量的自主分拣与高价值的人类认知区分开来。
认知与通量的分离
现代安全运营分为三个不同的层级。在底层，现有的安全工具（如 EDR、SIEM 和云身份平台）生成原始遥测数据和告警。这一层是数据的主要来源，但缺乏区分复杂攻击与配置错误的管理脚本的推理能力。
中间层是自主 AI SOC 层。这并非聊天机器人界面，而是一个代理系统，它持续调查每一个告警，关联互不相连的工具中的证据，并应用组织上下文来确定风险。这一层通过在无需人工干预的情况下解决良性告警来减少噪音。
顶层是认知层，Claude、Codex 和 Cursor 等平台在此运行。这是高级分析师和事件响应人员与前沿模型协作解决专门问题的交互空间。在顶层使用这些模型非常有效，因为它们是为推理而设计的，而不是为了重复摄取数以千计的遥测流。每一层都有特定的工作，将认知层与自主层混淆会导致运营效率低下。
安全推理的代币经济学（Tokenomics）
架构往往是经济学的副产品。与大语言模型的每一次交互都会产生成本，通常以代币（Token）衡量。单次安全调查并非简单的文本提示，它需要摄取终端遥测、进程树、身份验证日志和威胁情报源。这些上下文在每个事件中会迅速消耗数千个代币。
此前，企业假设单一的 AI 许可就能解决所有调查需求。现在，数学计算表明，使用通用 LLM 来调查每一个信息类告警在财务上是不可能的。如果一个 SOC 每天接收 5,000 条告警，并将每一条都发送给前沿模型进行完整的取证分析，每年的 API 成本将超过整个安全部门的预算。
自主 AI SOC 平台通过使用缓存上下文和选择性推理来解决这一问题。它们不会将每个告警都视为与昂贵模型的一次全新对话。相反，它们对常规数据收集使用确定性工作流，仅在需要特定推理任务时才调用 LLM。这种架构方法使得调查 100% 的告警成为可能，同时保持成本可控。使用 Claude 来调查每个良性日志就像用手术激光来清理森林；工具很精准，但应用场景在架构上不匹配。
数据引力与 MDR 摩擦点
许多企业依靠托管检测和响应（MDR）服务商来管理其安全监控。这造成了数据访问的不对称。MDR 服务商通常拥有调查工作流和增强的遥测数据。客户只能看到最终升级的事件，这限制了内部 AI 平台的有效性。
如果分析师尝试使用 Claude 调查告警，他们往往缺乏为模型提供充足上下文所需的原始数据。LLM 无法对其看不见的数据进行推理。这就是为什么本地自主 AI SOC 层正成为企业技术栈的关键组件。它与安全工具并存，捕获调查历史，并构建本地知识库。
这种架构允许组织保留制度性知识，而不是将其留在第三方 MDR 门户中。它确保当高级分析师确实使用 Claude 等工具时，必要的证据已经结构化并准备好进行分析。自主层充当了原始、分散的日志与高层级认知工作之间的桥梁。
信息类告警的隐性风险
大多数 SOC 会忽略低严重性告警，因为他们缺乏人力去审查。这种优先级排序在以人为中心的模型中是必然的，但也是一种系统性漏洞。对 2025 年 2500 万条告警的分析表明，大约 1% 的已确认安全事件始于低严重性或信息类日志。
攻击者经常使用隐蔽的横向移动技术，这些技术不会触发高严重性警报。单次登录失败或可疑但非恶意的 PowerShell 命令很容易被忽视。自主 AI SOC 通过提供调查一切的能力改变了这种现状。因为机器不会疲劳，且通过专门架构最小化了单次调查成本，告警的“严重程度”不再决定其是否受到关注。每个告警都会被调查，只有真正的威胁才会到达人类认知层。
前沿模型交付最高投资回报率（ROI）的场景
当自主层处理重复的分拣工作时，像 Claude 这样的 AI 平台会变得更加强大。分析师不再将它们用于基础数据收集，而是专注于高影响力的战略工作。
明确而言，认知层最适合用于：
- 根据新兴威胁情报开发和测试新的检测逻辑。
- 对复杂的、多阶段事件进行深入的取证分析。
- 为高管层和监管机构总结技术调查报告。
- 通过在多个数据湖中生成复杂查询来进行威胁狩猎。
- 将旧的检测规则翻译成现代查询语言，如 Sigma 或 KQL。
在这种模型中，人类和 LLM 在需要细微差别和判断的问题上协同工作。自主系统确保他们的时间永远不会浪费在 99% 的良性告警上。
行动计划：构建分层 AI 架构
为了从“AI 焦虑（FOMO）”转向弹性防御，首席信息安全官（CISO）应遵循以下为期 6-12 个月的路线图来重构其安全运营。
- 审计遥测管道（第 1-2 个月）： 映射所有数据源并确定遥测数据的存储位置。确定您的 MDR 服务商是否允许实时 API 访问原始日志和调查产物。
- 分层 AI 支出（第 3-4 个月）： 将认知工具（Claude, Cursor）的预算与自主基础设施的预算分开。不要试图强迫一个工具完成这两项工作。
- 实施自主分拣层（第 5-8 个月）： 部署一个能够自动化取证收集过程的系统。首先专注于缩短低严重性告警的分拣时间，以验证概念。
- 编纂组织上下文（第 9-10 个月）： 构建内部文档、网络图和策略文件的库，供自主系统用于区分授权的管理活动与攻击者行为。
- 优化分析师工作流（第 11-12 个月）： 将一级（Tier 1）和二级（Tier 2）分析师转向检测工程和威胁狩猎。使用认知 AI 平台通过自动化编写新规则和报告来支持这一转型。
这种架构的目标不是将人类从 SOC 中剔除，而是确保不会因为人类忙于分拣噪音而看不见信号，从而导致安全失陷演变成灾难。在当前的威胁环境中生存取决于架构和速度，而不仅仅是更好的工具。
来源：
- CISA (Cybersecurity and Infrastructure Security Agency) - Guidelines on AI Security and Triage.
- NIST (National Institute of Standards and Technology) - AI Risk Management Framework 1.0.
- Anthropic - Claude Enterprise and API Documentation.
- Internal analysis of telemetry trends and tokenomics in enterprise security operations (2025-2026).
免责声明：本文仅用于信息和教育目的，不能替代专业的网络安全审计或事件响应服务。
