可易

智能体 AI 用例：编排安全运营工作流

可易团队阅读约 14 分钟

本文描述在安全运营中心用多智能体编排调查与分诊：跨 SIEM、威胁情报、CSPM 和 EDR 取数，并给出安全控制、费用取舍和部署顺序。

目录

上次审阅时间：2026-04-08 UTC

本文描述一种高层架构，用于在安全运营中心（security operations center，SOC）中编排复杂调查与分诊过程的多智能体人工智能系统。该智能体系统跨彼此分离的安全系统编排工作流，例如安全信息与事件管理（security information and event management，SIEM）系统、威胁情报源、云安全态势管理（cloud security posture management，CSPM）平台，以及端点检测与响应（endpoint detection and response，EDR）方案。该智能体系统可以执行以下动作：

  • 从Google Security Operations查找关键告警。
  • 使用Google Threat Intelligence充实告警。
  • 从第三方 CSPM 工具查找资产错误配置。
  • 实现人在回路（human-in-the-loop）审批。
  • 从第三方 EDR 工具获取详细的端点遥测和进程执行历史，以调查已被攻破或可疑的端点。

此架构通过减少上下文切换，并让操作员使用单一界面执行复杂的多阶段调查，帮助提高操作员效率。

本文的目标读者包括负责设计、构建和实现智能体人工智能应用，并把这些应用与云环境中现有安全系统集成的架构师和开发者。目标读者还包括监督安全运营、使用威胁情报进行主动防御，以及管理用于事件检测、调查和响应的稳健安全运营（SecOps）工作流的 SOC 分析师和系统管理员。本文假定你对智能体人工智能概念有基础理解，包括多智能体系统、智能体工具使用和智能体编排。本文还假定你熟悉威胁情报用例、安全运营工作流和常见安全工具。关于威胁情报和常见安全工具的信息，见威胁情报用例与示例。

架构

根据你的要求，你可以选择以下部署模型：

一种无服务器平台，让你无需管理底层基础设施，就能把整个智能体应用、各个组件或自定义工具部署为可扩展的 HTTP 端点。

一种全托管、带明确主张的运行时，你可以用它以最小的运维开销部署、运行并扩展智能体应用。

关于如何选择智能体运行时的信息，见选择你的智能体人工智能架构组件。

以下标签页提供架构图，分别展示 Cloud Run 部署，以及带 Gemini Enterprise 的 Agent Runtime 部署。

Cloud Run

下图展示部署在 Cloud Run 上的 SOC 智能体系统的详细架构：

部署在 Cloud Run 上的 SOC 智能体系统的详细架构。

该架构展示以下组件：

Cloud Load Balancing

应用负载均衡器（Application Load Balancer）把来自安全分析师的入站推理请求路由到智能体系统。

Google Cloud Armor

根据已配置的 Web 应用防火墙（web application firewall，WAF）规则执行安全策略。

身份感知代理（Identity-Aware Proxy，IAP）

执行零信任安全模型并核验用户身份。

Model Armor

Model Armor 让你检查并净化提示、工具交互和响应。它为任何底层人工智能模型提供灵活的安全控制。对于在 Cloud Run 上运行的自定义智能体，通过 Model Armor API 集成 Model Armor。

智能体构成

智能体开发套件（Agent Development Kit，ADK）是一个智能体开发框架，帮助你构建智能体，并把它部署为无服务器 Cloud Run 服务。关于此智能体系统内部架构的细节，见本文后面的智能体系统架构一节。

人工智能模型

为提供推理，此架构中的智能体使用 Gemini Enterprise Agent Platform 上的人工智能模型。

MCP 服务器

模型上下文协议（Model Context Protocol，MCP）便于访问工具，并标准化智能体与工具之间的交互。该智能体系统使用以下 MCP 服务器：

#### 使用的产品

此示例架构使用以下 Google Cloud 产品和工具：

带 Gemini Enterprise 的 Agent Runtime

下图展示部署在带 Gemini Enterprise 的 Agent Runtime 上的 SOC 智能体人工智能系统的详细架构：

部署在带 Gemini Enterprise 的 Agent Runtime 上的 SOC 智能体人工智能系统的详细架构。

架构图展示以下组件：

Gemini Enterprise

用户通过 Gemini Enterprise 提供的聊天助手与智能体系统交互。

智能体构成

智能体开发套件（Agent Development Kit，ADK）是一个智能体开发框架，帮助你创建自定义智能体，把智能体部署到 Agent Runtime，并把智能体注册到 Gemini Enterprise。关于此智能体系统内部架构的细节，见本文后面的智能体系统架构一节。

人工智能模型

此架构中的智能体使用 Agent Platform Model Garden 中的人工智能模型来执行推理。

Model Armor

为执行企业安全与合规策略，Model Armor 直接与 Google Cloud 服务集成，对用户提示和模型响应提供内联检查与净化。通过与 Gemini Enterprise 和 Agent Platform 的内置集成，Model Armor 自动筛查用户与托管智能体之间的交互。更多信息见 Model Armor 与 Google Cloud 服务的集成。

MCP 服务器

模型上下文协议（Model Context Protocol，MCP）便于访问工具，并标准化智能体与工具之间的交互。该智能体系统使用以下 MCP 服务器：

  • Google SecOps MCP 服务器：由 Google 托管的 MCP 服务器，提供对 Google SecOps SIEM 和 Google SecOps SOAR 数据的访问，包括事件、实体、原始日志和案例详情。
  • Google Threat Intelligence MCP 服务器：一个本地 MCP 服务器，提供对 Google Threat Intelligence 的访问。Google Threat Intelligence 把内部告警与全球对手数据关联起来，并简化在 SOC 工作流中识别已知恶意指标的过程。
  • 第三方 MCP 服务器：由第三方供应商管理的连接器，让你与外部安全工具交互。

#### 使用的产品

此示例架构使用以下 Google Cloud 产品和工具：

智能体系统架构

本节描述前述 Cloud Run 或 Gemini Enterprise 部署所使用的自定义 SOC 智能体系统的架构。为编排复杂的安全工作流，该智能体使用分层任务分解模式（hierarchical task decomposition pattern）。无论你选择哪种部署方法，智能体的构成保持一致。

下图展示智能体系统架构的详细视图：

智能体化安全运营工作流的详细智能体人工智能系统架构。

该架构展示以下组件：

应用

一个前端应用，例如与用户交互的聊天界面。你可以选择用 Cloud Run，或用带 Gemini Enterprise 的 Agent Runtime 部署你的应用。

智能体

此架构使用以下智能体：

  • 根智能体：一个协调智能体，接收来自用户的请求。根智能体解释用户请求，并尝试自行解决该请求。如果任务需要专门工具，根智能体就把请求委托给适当的专门智能体。
  • 专门智能体：根智能体调用以下专门智能体：

智能体系统架构图展示了一个使用两种 SOC 角色的示例架构。根据你的具体用例，你可以部署其他 SOC 角色，或创建自己的自定义角色。关于有助于使安全运营更稳健的更广 SOC 角色列表，见 SOC 角色。

RAG 知识库

此数据库为检索增强生成（retrieval-augmented generation，RAG）提供依据来源。该数据库用于向智能体提供事件响应计划和 AI 运行手册。AI 运行手册是智能体技能（Agent Skills）形式的规定性工作流。

产物服务

一种托管服务，把调查报告和证据存储在 Cloud Storage 中。

Memory Bank

一种持久状态管理系统，存储自定义记忆主题，并让智能体在会话之间维持关于环境和威胁上下文的上下文。

人工智能模型

为提供推理，此架构中的智能体使用 Agent Platform 上最新的 Gemini 模型。

MCP 服务器

MCP 服务器便于访问工具，并标准化智能体与工具之间的交互。对于每一对智能体与工具，MCP 客户端通过 MCP 服务器发送请求，智能体经由该服务器访问工具，例如数据库、文件系统或 API。

智能体工具

这些工具使智能体能获取依据数据，例如相应的 AI 运行手册、事件响应计划、以往报告、内部文档和行动手册。

ADK

ADK提供用于开发、测试和部署智能体的工具与框架。ADK 抽象了创建智能体的复杂性，让人工智能开发者专注于智能体的逻辑和能力。

该架构展示以下数据流：

  1. 安全分析师向SOC 经理提交请求。SOC 经理是一个协调智能体。例如，分析师提交调查案例 #37 的请求。
  2. 部署在 Cloud Run 或 Gemini Enterprise 上的应用把请求路由到 SOC 经理。
  3. SOC 经理使用 Gemini 解释用户请求。
  4. SOC 经理执行以下任务，以收集关于该请求的上下文：
  5. 向 RAG 知识库发送查询，以获取相应的 AI 运行手册、AI 技能（AI Skills）形式的规定性工作流，以及事件响应计划。
  6. 获取以往记忆，以确认智能体系统是否分析过类似事件。
  7. 检查产物服务（Artifact Service），查找与该请求相关的已有报告或证据。
  8. SOC 经理使用 Gemini 及其检索到的上下文，把请求拆成一系列子任务，并识别适当的工具。
  9. SOC 经理把子任务动态导向专门子智能体，例如一线分析师和网络威胁情报（Cyber Threat Intelligence，CTI）研究员。
  10. 每个子智能体执行以下动作以完成被分配的子任务：
  11. 使用 Gemini 解释任务目标。
  12. 从 RAG 知识库、记忆和产物中获取相关上下文。
  13. 使用 MCP 服务器收集以下额外上下文，以为响应提供依据：
  • 知识文档，例如以往报告、内部文档和行动手册。
  • 使用来自 Google SecOps 和 Google Threat Intelligence 的数据的安全情报与遥测。
  1. 使用 Gemini 及其检索到的上下文生成发现。
  2. 把发现打包成结构化摘要。
  3. 把中间响应转发回 SOC 经理。
  4. SOC 经理接收来自子智能体的中间响应，并对照 AI 运行手册要求评估这些发现。
  5. 如果发现不满足评估标准，SOC 经理就重复分析用户请求，并把子任务委托给子智能体以收集更多数据。在这个迭代循环中，SOC 经理保留先前的上下文链，以便为后续工具调用和子智能体委托提供信息并加以补充。SOC 经理持续此循环，直到发现满足评估标准。
  6. 如果发现满足评估标准，或达到退出条件（例如最大迭代次数），SOC 经理就执行以下动作：
  7. 使用 Gemini 把所有子智能体发现综合成一份调查报告，并把报告保存到产物服务（Artifact Service）。
  8. 使用 Google SecOps MCP 服务器把结果发布到案例墙（case wall）。
  9. 把新的记忆保存到 Agent Platform Memory Bank。
  10. SOC 经理把产物链接和报告摘要发回给安全分析师。

使用的产品

本文中的智能体系统架构使用以下 Google Cloud 产品和工具：

关于如何为你的智能体人工智能系统选择替代组件（包括框架、智能体运行时、工具、记忆和设计模式）的信息，见选择你的智能体人工智能架构组件。

设计考量

本节描述在使用此参考架构开发拓扑时需要考虑的设计因素、最佳实践和建议，以便满足你对安全、可靠性和费用的具体要求。

本节中的指导并不穷尽。关于设计因素和最佳实践的更多信息，以及关于构建和部署多智能体人工智能系统的建议，见 Google Cloud 中的多智能体人工智能系统。

安全、隐私与合规

为帮助应对人工智能智能体的独特安全风险，Google 建议采用一种方法，把确定性安全控制与基于推理的动态防御结合起来：

  • 人工监督：在业务关键系统中纳入人在回路流程，以便人工主管可以审阅输出，并批准、覆盖或暂停智能体动作。
  • 智能体身份（Agent Identity）：为每个智能体分配绑定到工作负载的身份，以执行最小权限访问控制，并集中管理外部工具的凭据。
  • 智能体网关（Agent Gateway）：执行入站和出站流量治理、默认拒绝的访问策略，以及使用 Model Armor 对提示和工具进行内联检查。
  • 智能体注册表（Agent Registry）：核验智能体只连接到已批准的子智能体和 MCP 工具。
  • 认证环境：为帮助确保跨环境的认证顺畅，配置部署流水线以管理从开发认证策略的过渡。例如，你可能需要从本地执行中的应用默认凭据（Application Default Credentials，ADC）过渡到由身份与访问管理（Identity and Access Management，IAM）管理的服务账号，以用于生产中的托管远程 MCP 服务器。

可靠性

为帮助确保你的智能体配置满足可靠性要求，请考虑以下建议：

  • 智能体范围：为提高模型准确性，限定每个智能体的运行手册和系统指令的范围。
  • MCP 模式兼容性：为防止人工智能模型误解工具定义并做出错误的工具调用，净化工具模式。为 JSON Schema 的 $ref 和 $defs 创建自包含构造，并把大写的类型字符串规范化。

费用优化

为帮助确保你的智能体配置满足费用要求，请考虑以下建议：

  • 智能体工具访问：为减少 token 消耗并执行最小权限原则（principle of least privilege），按需要向不同智能体提供工具子集。
  • 上下文窗口管理：为尽量减少 token 消耗，把提示和工具输出设计得简洁。使用 RAG 仓库，并使用智能体技能预加载上下文、汇总大型工具响应。
  • 提示缓存：为降低输入 token 费用，缓存静态的智能体内容，例如系统指令、角色、运行手册和工具模式。
  • 模型选择：你为人工智能应用选择的模型会直接影响费用和性能。根据不同的智能体角色和任务要求，在智能体系统中选择不同模型。对于复杂推理和任务分解，使用 Gemini Pro 这类思考模型。对于小型、直接的任务，使用 Gemini Flash 这类快速、低成本模型。

部署

要部署提供自定义 SOC 智能体的此架构示例实现，请使用 GitHub 上的 Agentic SOC Gemini Enterprise 代码示例。

我们建议你按以下顺序迭代你的智能体：

  1. 使用 ADK web 在本地部署：加快原型制作，并快速迭代智能体逻辑。
  2. 部署到本地容器：确保环境可移植、不可变，并且依赖一致。
  3. 把容器部署到 Cloud Run 或 Agent Runtime：为有效的安全运营扩展你的智能体，并把应用从开发推进到生产。

PRIMARY_SOURCE: https://docs.cloud.google.com/architecture/agentic-ai-orchestrate-security-ops-workflows

  • #SOC
  • #安全运营
  • #多智能体
  • #MCP
  • #Google Cloud

继续阅读