从人工智能实验到自主运营
– Christophe Briguet，Stellar Cyber 人工智能与安全分析产品管理高级总监
加州圣何塞 – 2026年4月28日
2026年初，情况发生了变化。不是逐渐变化，更像是突然按下了开关。
多年来，我们一直在谈论人工智能。 SOC 我们过去谈论自动驾驶汽车的方式总是：永远说还需要五年，永远说需要“更多数据”。然后，模型上下文协议（MCP）出现了。然后，智能体框架不再是演示，而是变成了工具。突然间，问题不再是“人工智能能否帮助安全团队？”，而是“我们应该首先让它做什么？”
我知道，因为我一直在运营一个。
无人预料的代理技术突破
改变的是：人工智能代理不再是具有 API 访问权限的聊天机器人，而是真正的同事，它们会记住昨天发生的事情，知道如何使用你的工具，并且可以自己拨打电话。
MCP 最初由 Anthropic 公司开发，现在归 Linux 基金会所有，它为我们带来了一项前所未有的功能：一种通用的 AI 代理连接到真实系统的方式。无需依赖脆弱的集成或自定义代码，而是通过标准化的协议，让任何 AI 代理都能与任何工具、任何 API 和任何平台进行通信。你可以把它想象成 AI 版的 USB：插入新功能，代理即可直接使用。
At 恒星网络我们在平台中加入了 MCP 支持。现在，AI 代理可以连接到 Stellar Cyber 实例，并立即访问案件管理功能：列出案件、提取包含 MITRE 映射和可观测值的完整调查详情、更新状态、分配分析师。一次 API 调用即可完成以前需要点击八次和打开三个标签页才能完成的操作。
但MCP只是连接器。真正的突破在于它之上：能够记住上下文、规划多步骤工作流程并在会话之间代表你执行操作的智能AI。
我运行人工智能代理一周的经验
- 撰写了两封关于功能特性的客户邮件。我从十封邮件的对话中提取了上下文信息，参考了知识库，确保技术细节准确无误。
- 提交了一个 Jira 工单。必填字段填错了两次，后来研究了一下 API，第三次就成功了。
- 查看了每个人的日程安排，安排了一场四人会议。找到周三上午唯一一个空档。
- 在 Confluence 上审查了流程文档和相应的 Figma 看板。发现了五个无人注意到的漏洞。
- 一次调用就从我们的 Stellar Cyber MCP 服务器提取了 30,000 个案例。完整的 MITRE 映射、可观测数据等等，应有尽有。
- 设置一个定时任务，监控 Google 表单的新提交，自动创建工单，并在收到新内容时通知我。无需编写任何代码。大约花了十分钟。
这另一面
接下来就有点棘手了。我刚才描述的一切？对手也能做到。
如果人工智能代理能够连接到你的工单系统，读取你的升级工单，交叉引用你的知识库，并了解你的检测漏洞，那么它就相当于为你提供了一张免费的路线图，让你能够攻克所有你防御能力薄弱的环节。然而，正是这些能够提升防御速度的代理能力，也使得攻击者能够更加系统地进行攻击。
MCP是一把双刃剑。 CrowdStrike 已有研究发表，探讨如何保护智能体人工智能部署免受快速注入和权限提升攻击。攻击面并非理论上的，而是与智能体实际应用所需的集成点完全相同。
威胁格局的变化在于：速度优势 SOC 团队过度依赖脚本攻击的时代正在消退。拥有智能体工具的对手现在可以：
- 比分析师更快地枚举您的环境，以便他们能够更快地处理警报。
- 生成与贵组织相关的、具有上下文意识的社交工程内容
- 像自动化分诊决策一样，自动化横向调动决策。
- 根据实际效果实时调整策略
许多自动化机会
1. 以机器速度进行警报和病例分诊
这是最显而易见的，也是Stellar Cyber的警报自动分类功能已经实现的功能。该代理会对每个关键案例运行判定信号检查：IP信誉、行为异常、实体关系和设备漏洞。然后，它会给出判定结果：真阳性、良性、假阳性或不确定。
新的之处在于反馈循环。当分析师推翻之前的判断时，这种推翻会成为一个训练信号。并非那种模糊的“我们以后再重新训练模型”式的训练信号，而是“下次出现这种模式时，系统会参考你的判断”式的训练信号。特斯拉的FSD会从人类接管车辆的过程中学习，这个系统也是如此。
智能解锁：与 MCP 连接的智能体现在可以提取案件详情，与外部威胁情报进行关联，检查类似模式的历史判决，并提供完全可解释的分类决策，而无需人工点击五个标签页。
2. 入职和培训自动化
请求通过表单提交。以往的做法是，有人阅读提交的内容，创建跟踪工单，检查前提条件，然后发送确认邮件。这涉及到四个系统、三次上下文切换，以及一个人手动录入数据。
代理会按计划监控信息源。当出现新条目时，它会创建包含完整结构化描述的工单，将引用信息写回源，并发送包含摘要的通知。全程无需人工操作。
代理解锁：这种模式适用于任何接收流程，例如试用申请、合规性调查、漏洞披露、客户升级路由等。任何涉及“从源 A 读取数据、在系统 B 中创建数据、通过渠道 C 通知”的工作流程都属于此类。
3. 检测质量反馈回路
这一点最让我兴奋。安全厂商积压了大量“检测功能异常”的工单。这些工单的描述往往晦涩难懂，上下文信息也隐藏在冗长的邮件往来和支持工单中。负责分诊的人员需要具备深厚的产品知识才能理解用户的需求。
一个拥有访问权限的AI代理可以访问您的工单系统、知识库和安全平台，它可以读取检测反馈工单，提取实际的警报数据，与文档进行交叉核对，并生成清晰的摘要：“这是一个由规则X中的子字符串匹配引起的误报。报告者已提供修复方案。以下是更正后的查询。”
智能解锁：通过 MCP 将智能体连接到报告环境（需获得权限），它即可根据实时数据验证所报告的问题。无需再问“你能发个截图吗？”，也无需再经历长达三周的来回沟通。智能体可以看到报告者所看到的内容。
4. 连接不同工具中的点
安全运营主管的工作是将各个系统中的信息串联起来。例如，关于合作伙伴互动的邮件往来、关于检测漏洞的工单、关于流程的维基页面、关于工作流程的设计板、销售讨论中的定价信息等等，这些信息分散在不同的工具中，彼此之间没有自动关联。
人工智能代理会遍历所有这些信息。你问它“这位合作伙伴的试验状态如何？”，它会调出邮件往来记录，查看跟踪工单，读取登记表，并综合出一个答案。无需切换标签页，也无需说“让我查一下”。
代理解锁：这正是 MCP 的优势所在。每个系统都是一个 MCP 服务器。代理程序并不关心数据存储在电子邮件、Jira 还是 Stellar Cyber 中，它对所有系统都使用相同的协议。
5. 主动监控，避免警报疲劳
传统的监控方式要么是“持续不断地检查一切”（成本高昂、噪音大），要么是“等待有人发现”（速度慢、风险高）。人工智能代理提供了第三种途径：定时进行智能检查，并具备人类级别的判断力，能够决定哪些问题值得升级处理。
我的代理会定期检查通信渠道，但它不会仅仅报告“您有 15 条未读消息”。它会按紧急程度分类，识别待办事项，过滤无关信息，并且只在真正需要处理时才发出警报。同样的模式也适用于安全监控：检查案例队列，标记检测覆盖范围的异常情况，监控服务级别协议 (SLA) 违规情况。一切正常时则保持沉默。
智能体解锁：定时运行智能体，并进行模型层级优化。使用轻量级模型进行例行检查，在需要判断的情况下升级到功能更强大的模型。实现成本感知型自动化。
6. 文档和知识获取
安全团队积累了大量从未被记录下来的机构知识。例如，分析师如果知道某个特定防火墙厂商的日志条目行为与预期不同，这些知识就只会存在于他们的脑海中，直到他们离职。
人工智能代理可以实时捕获并构建这些知识。每一次工单分诊、每一次交互、每一个决策都会成为持久知识库中的一个结构化条目。代理会每日记录信息，用提炼出的洞见更新其长期记忆，并将新信息与已知信息进行交叉比对。
智能体解锁：智能体工作越多，了解得就越多。处理过一批检测工单的智能体现在已经了解了特定厂商的日志特性、集成边缘情况以及身份关联方面的差异。下次遇到相关工单时，它会从这些基础出发，而不是从零开始。
这对安全团队意味着什么
过去十年，安防行业致力于研发检测技术。未来十年，关键在于决策。谁来判定什么是真实情况？谁来决定如何应对？这些决策又该以多快的速度做出？
智能体人工智能并不会取代分析师，而是增强分析师的能力。以前每天手动处理 20 个案例的分析师，现在可以审查 200 个由智能体分拣的案例，从而将他们的专业知识集中在真正重要的地方：边缘案例、新型攻击以及机器目前尚无法做出的判断。
那些仍然躲在封闭API和一次性AI摘要背后的供应商终将被淘汰。最终的赢家将是那些通过MCP等协议开放API、构建能够真正从人类决策中学习的反馈循环，并将AI自动化视为一种产品，并配备准确率指标、成本控制和治理机制的平台。
我们在Stellar Cyber公司正在构建这个系统。MCP服务器已经上线。警报自动分类系统也已投入生产。而且，我还有一个AI代理，它刚刚帮我撰写了这篇博文。
嗯，大部分是这样。
