什麼是代理式 SOC？安全營運中的 AI 代理程式

什麼是代理式 SOC？

2025 年 11 月，AI 開發商 Anthropic 揭露 其所稱的首起經通報、由 AI 策動的網路間諜行動。Anthropic 高度確信，某個受中國政府支持的組織操控其 Claude Code 工具，讓該工具對約 30 個目標執行了 80 至 90% 的行動。在高峰期，AI 發出數千次請求，每秒往往達數次，Anthropic 表示人類駭客無法達到這種速度。Anthropic 建議資安團隊嘗試將 AI 用於防禦，包括安全營運中心 (SOC) 自動化、威脅偵測和事件應變。

這項建議直指代理式 SOC。代理式 SOC 是一種 安全營運中心，其中 AI 代理程式在明確的規範範圍內規劃並執行多步驟警示與事件處理工作，人工分析師則監督決策並處理需要判斷的事項。代理程式接手您目前仰賴人工串接的工作：擷取主機歷史紀錄、關聯身分日誌與端點遙測資料、驗證假設，並在人工開啟案件前整合證據，形成判斷結果。

「代理式」一詞在此有明確意涵。在 ISACA 的部落格中， QA 的 Richard Beck 以開放原始碼平台 OpenClaw 為例。其代理程式會呼叫 AI 模型、拆解複雜任務、將部分工作交給子代理程式、連接內外部工具，還能在夜間無人監督的情況下運作。您已在使用的兩項技術，清楚界定了代理程式為 SOC 營運模式增添的能力：

• 生成式 AI 副駕駛等待您的提示詞，並將決策權交還給您： 代理程式則在規範範圍內自行啟動並完成工作。
• 安全協作、自動化與回應（SOAR）應變手冊會執行您預先定義的步驟：代理程式則能分析應變手冊未預見的警示、因應情境調整做法，並在無法確定時上報。

副駕駛加快分析師的工作，應變手冊加快回應。代理程式則承擔中間的調查工作：自行規劃步驟、因應情境調整做法，並產出可供人工稽核的判斷結果。

Gartner 預測， 40% 的企業應用程式將在 2026 年底前納入特定任務的 AI 代理程式，高於 2025 年的不到 5%。安全工具也循著相同趨勢發展。因此，無論您是否做好規劃，代理程式都將進入您的 SOC。本指南說明代理式 SOC 如何運作、在哪些方面發揮效益、在哪些環節可能失效，以及如何透過治理確保代理程式受到問責。

代理式 SOC 與網路安全的關係

在 SANS Cloud Security Exchange Summit 2026 上，Microsoft 的 Wesley Kuzma 與 SANS 的 Chris Cochran 直言這項轉變。數十年來，安全框架都假設「人類做決策，機器負責執行」，代理式系統則顛倒了這個模式。在代理式 SOC 中，您的分析師不再埋首處理一級警示佇列，而是轉向監督與協調角色：驗證代理程式的判斷結果、納入業務情境、獵捕威脅，並治理代理程式本身。

代理式 SOC 是一種營運模式。SentinelOne 的 Autonomous SOC頁面描述了這種模式的發展方向：在單一平台上執行偵測、代理式調查與回應，同時由分析師負責重大決策。這篇代理式 SOC 策略文章則指出，調查量能已成為 SOC 的主要瓶頸。

代理式 SOC 的核心組成

這套 AgentSOC 框架由一篇 2026 年的研究論文提出，將代理式 SOC 劃分為形成閉環的三個層次：感知、代理式推理，以及行動與應變手冊。高影響性的回應會交由分析師核准。以下各節以此模型為基礎，說明代理程式能感知什麼、如何推理，以及由誰掌握控制權。

資料與推理層

基礎層決定代理程式能看見什麼，以及如何將這些資訊化為行動。每一層都會向上一層提供結構化輸出：

• 感知層： 將安全工具、雲端控制措施及作業系統的警示與日誌標準化，再加入資產與身分資訊，形成結構化事件物件。
• 代理式推理層： 使用大型語言模型（LLM）提出攻擊假設，再依照您環境的拓撲與權限路徑檢驗假設，並依風險為可能的回應方式排序。
• 行動與應變手冊層： 建立應變作業手冊, 將影響重大的行動交由分析師核准, 並讓風險較低的行動自動執行.

這些層級共同形成作業循環, 將原始遙測資料轉化為可解釋的安全工作: 結構化輸入, 經驗證的假設, 以及附帶佐證的應變步驟.

協調與控制層

您可以定義代理程式如何協作, 保留哪些脈絡, 以及何時將決策交由人員處理, 藉此掌握多代理程式系統的作業控制權:

1. 專業代理程式各司其職: 個別代理程式處理 端點遙測資料, 身分分析, 以及 雲端日誌關聯分析, 並由監督型協調器統籌工作.
2. 共用脈絡與記憶: 代理程式透過記憶層或知識圖譜交換結構化調查結果, 讓調查狀態在工作交接後得以保留.
3. 人員參與決策的控制機制: 核准檢查點讓分析師掌握重大決策的主導權, 如 LanG, 這個 2026 年的研究平台會在 SOC 流程中的兩道強制分析師核准關卡暫停.
4. 互通性模式: 這些模式規範代理程式在委派工作時如何連接工具並共用脈絡.

這種共用狀態讓多代理程式安全工作流程可供稽核. 應將 SOC 中的 AI 代理程式視為受治理的作業者, 因為這些元件如何協同運作, 決定了代理程式能否贏得信任.

代理式 SOC 如何運作

代理式 AI 在安全營運中遵循從接收警示到應變的決策循環. 分流代理程式接收每則警示, 篩除誤報, 補充脈絡, 並動態設定優先順序. 不會有警示留在佇列中等待夜班分析師.

接著, 可使用工具的調查代理程式會平行執行多步驟調查: 擷取警示脈絡, 查詢主機與使用者歷史紀錄, 在隔離環境中執行可疑檔案, 以及 威脅情報 關聯分析. Forrester 分析師 Allie Mellen 概述了這類流程可能如何運作. 網路釣魚分流代理程式確認警示並非誤報, 端點分流與調查代理程式檢查攻擊是否得逞及是否提升權限, 再由端點應變代理程式將脈絡交給分析師作出決策.

接著, 應變代理程式從建議行動轉為在政策範圍內執行已核准的行動, 並接受監控. 遇到不確定情況或政策例外時, 則交由人員處理. 在人員參與決策的安全營運工作流程中, 分析師會審查並核准代理程式的重大決策, 確保自主運作符合政策.

人員監督應納入架構設計. Cloud Security Alliance (CSA) 的實作指南草案建議, 對涉及特權帳戶及關鍵基礎設施的警示, 環境中首次出現的關聯模式, 高信心度的惡意判定, 以及低於既定門檻的信心分數, 應立即進行人工審查. 在此模式下, 代理程式負責調查與提出建議, 分析師則審查佐證, 並核准任何會對外部產生影響的行動.

當安全營運中的代理式 AI 在每個階段都產生可供下一階段重複使用的佐證時, 才能在整個循環中展現價值.

代理式 SOC 的主要效益

代理式 SOC 的效益分為兩類: 警示佇列內涵蓋範圍與一致性的提升, 以及可在報告中呈現的分析師與業務成果.

涵蓋範圍與一致性的提升

代理式涵蓋範圍從現有工作流程遺漏的警示開始, 因為代理式 SOC 會調查每則警示. 傳統 SOAR 只涵蓋已編寫作業手冊的警示類別. 代理程式能推理分析作業手冊未涵蓋的警示, 而遭遺漏的入侵往往藏在其中.

一致性也能以機器速度維持: 無論下午 2 點或凌晨 2 點, 代理程式都遵循相同的佐證蒐集準則, 不會因夜班疲勞而省略步驟.

分析師與業務成果

涵蓋範圍與一致性的提升, 直接轉化為管理層追蹤的成果: 釋出分析師工時, 讓資淺人員展現超越年資的能力, 並在資料外洩成本方面取得可衡量的進展.

• 釋出分析師工時: 代理程式處理資訊補充與關聯分析後, 您的資深人員就能將時間投入重大決策與威脅獵捕.
• 資淺人員展現超越年資的能力: AI 產生的脈絡與有推理依據的建議, 讓第一線人員能作出過去需要多年模式辨識經驗才能作出的判斷. 在 ISC2 的 2025 年網路安全人力研究指出網路安全技能需求持續增加的市場中, 這是真正的優勢.
• 資料外洩成本: IBM 的 《2026 年資料外洩成本報告》發現，廣泛使用安全 AI 與自動化的組織，相較於完全未使用的組織，每起資料外洩事件平均節省 193 萬美元。

關鍵在於時間：代理縮短從警示到判定所需的時間，組織便能將省下的時間用於研判、威脅獵捕及更重要的決策。

代理式 SOC 的風險

代理式自主運作也帶來新的風險類別：可靠性與可解釋性風險存在於調查流程中，代理安全與人力風險則圍繞著這個流程。

可靠性與可解釋性風險

當一個代理的錯誤成為另一個代理的輸入，可靠性風險便會升高。在 2026 年 SANS Cloud Security Exchange Summit 上， Graphistry 執行長 Leo Meyerovich 展示了單項任務的錯誤會多快累積。若 AI 在一項包含 10 個任務的調查中，每一步的準確率都是 70%，就有 97% 的案件無法完成。這說明了為何必須先確保各項任務達到高準確率，才能合理地信任端到端的結果。

無法呈現推理過程的代理會帶來合規風險，也讓錯誤行為難以修正。NIST AI 風險管理框架 (AI RMF)強調在 AI 系統的整個生命週期中落實治理、問責與透明度；無法解釋的判定會損害這三者。

資料基礎架構與品質問題會阻礙代理式 AI 計畫：代理若依據不完整或未經標準化的遙測資料推理，就會自信地給出錯誤答案。

代理安全與人力風險

代理的自主運作帶來實際效益，但也讓攻擊者和操作失誤有了新的危害途徑。風險從代理本身開始：

1. 針對代理的攻擊： OWASP 十大風險（2026 年代理式應用程式版）是由 Open Worldwide Application Security Project (OWASP) 發布、經同儕審查的清單，列出自主與代理式 AI 系統最關鍵的安全風險。其中包括 AI 具備執行動作能力後才會出現的威脅，例如代理目標劫持 (ASI01)、工具濫用 (ASI02) 及身分與權限濫用 (ASI03)。代理式 AI 安全也意味著保護代理本身，防止對抗性操弄。
2. 營運與治理風險： CISA、NSA 及其五眼聯盟夥伴機構在 2026 年的聯合指引中警告，代理式系統可能帶來「擴大的攻擊面、權限蔓延、行為偏離預期，以及難以查明的事件紀錄」。 Gartner 另行警告，對所有 AI 代理採用一致的治理方式將導致失敗，並建議依各代理的自主程度設定控制措施。
3. 技能流失： 如果代理接手所有 Tier-1 和 Tier-2 工作，初階分析師就無法累積成為資深分析師所需的直覺。

代理式 AI 安全也要求您以監控使用者、工作負載和端點的同等嚴謹程度，監控代理的行為，因為遭到操弄的代理會繼承您授予它的所有權限。您可以在代理接觸正式環境前，為每項風險部署相應的控制措施。

導入代理式 SOC 的常見錯誤

導入失敗通常有跡可循：以下治理錯誤源於自主權限缺乏界限，而資料與威脅建模錯誤則源於代理所依賴的基礎薄弱。

治理錯誤

代價最高的治理錯誤，是部署時未設定升級處理界限，讓代理在權責不明的領域採取行動，或做出不可逆的決策，卻沒有留下事後可用於重建過程的稽核軌跡。從第一天起就應定義信任區域與升級處理門檻。另一種常見錯誤是不加區分地提高自主程度：讓代理處理大量、重複性的工作，並由人員負責需要判斷的決策。

資料與威脅建模錯誤

以薄弱的遙測資料為基礎，會放大其他所有錯誤：部署在低品質資料上的代理會加劇幻覺與錯誤，因此應先完成資料標準化。跳過威脅建模，則會讓正式環境中的代理缺乏威脅對應圖譜。CSA 的 MAESTRO（多代理環境、安全、威脅、風險與結果）框架透過七個層次對應代理式 AI 威脅，從基礎模型延伸至更廣泛的代理生態系，彌補了這項缺口。將人在迴路中視為可選項，忽略了主要框架的共同要求。 NIST AI RMF要求定義、評估並記錄人工監督流程。《謹慎導入代理式 AI 服務》指引則將何時需要人工核准的決定交由系統設計者與操作人員。OWASP 的《代理式 AI 威脅與緩解措施》指南建議對影響重大的代理動作實施人工監督。讓正式環境伺服器離線等不可逆的動作，仍須經過人工核准。最後，忽視分析師的變革管理會阻礙導入：代理需要導入訓練，分析師也需要新的監督技能。

代理式 SOC 最佳實務

健全的實務結合分階段、設有審核關卡的部署與以證據為基礎的治理：前者控制代理能做什麼，後者證明其決策值得信任。

部署與核准控制

嚴謹的部署方式決定代理能否贏得分析師信任：先從小範圍開始，對任何有重大影響的動作設置審核關卡，並依各類警示已驗證的表現設定自主程度。

• 分階段部署： 遵循 五眼聯盟機構的漸進式做法. 從範圍明確、低風險且不涉及敏感資訊的使用案例著手，在擴大範圍前逐階段驗證管控措施。
• 為高影響力行動設置審批關卡: 對任何無法復原、受法規規範或對客戶有重大影響的行動，在明確的決策點設置人工核准程序。
• 依警示類別調整自主程度: 一般的網路釣魚警示與特權帳戶異常，需要不同程度的人工參與，但都應採用一致的稽核格式。

分階段擴大範圍、設置人工審批關卡，並依類別調整自主程度，讓早期部署仍可復原: 當代理判斷失誤時，影響範圍有限，修正途徑也清晰明確。

以證據為基礎的治理與衡量

衡量成效與威脅建模能讓治理長期經得起檢驗，並留下稽核人員、董事會及您的分析師所需的證據紀錄。

• 要求附有引證的推論: 代理的每項判定都應包含證據及引證。在 SOC 中，無法解釋的結論不可接受。
• 針對代理進行威脅建模: 參照 MAESTRO 檢視您的代理架構，並在正式上線前依據 CSA 關於 NIST AI 代理紅隊測試指引的研究說明以及 NIST 生成式 AI 概要 (NIST AI 600-1) 中的紅隊測試措施進行測試。
• 先建立治理機制: 部署前，依據 NIST AI RMF 的 GOVERN 功能，制定代理存取、自主運作條件及持續監控的政策。
• 衡量成果，而非活動量: 將成功指標從警示數量轉向平均偵測時間 (MTTD)和平均回應時間 (MTTR)，並像指導新進人員一樣，持續檢視代理的決策。

當您在 SOC 中導入 AI 代理時，這些做法讓人機協作的安全營運從第一天起就成為設計原則。這也需要一個專為受治理的代理式運作而建構的平台，而 SentinelOne 正是依照這項需求設計其架構。

運用 SentinelOne 建立代理式 SOC

此 Singularity™ Platform透過共用資料層與 Behavioral AI 引擎，在單一主控台整合端點、身分、雲端及 AI 安全工具的遙測資料。代理根據依 Open Cybersecurity Schema Framework (OCSF) 標準化的遙測資料進行推論，解決代理式專案經常停滯的資料品質先決條件。

Purple AI™是 SentinelOne 的代理式 AI 安全分析師。其 Agentic Investigation 功能無須人工調查，就能將警示從接收推進至判定: 蒐集跨技術環境的證據、綜合威脅資料、即時建立攻擊時間軸，並在分析師參與的治理機制下提出可解釋的判定。過程中，它會在 Investigation Notebooks 記錄警示背景、摘要及後續步驟，讓每項判定都附有證據紀錄。IDC 於 2025 年 4 月發布的 SentinelOne Purple AI 商業價值報告指出，Purple AI 客戶的威脅識別速度提升 63%，修復速度提升 55%。

Singularity Hyperautomation是 SentinelOne 專為 Singularity 環境打造的無程式碼回應工作流程工具，內建針對高影響力決策的人員參與步驟。Hyperautomation 隨 Singularity AI SIEM提供，也可作為其他 SentinelOne 產品的附加功能。Purple AI 提供調查判定，Hyperautomation 則依預先核准的政策執行回應。兩者都運用您的團隊既有的警示與背景資訊。

專注於安全營運的獨立研究與顧問公司 Latio，在其 2026 年安全營運市場報告中，將 SentinelOne 評為 SOC 平台領導者。

如果您管理的 SOC 正面臨大量警示，或是負責向董事會說明 AI 在安全營運中的應用，請求 SentinelOne 產品示範，了解受治理的代理式調查如何處理您實際面對的警示量。

The Industry’s Leading AI SIEM

Target threats in real time and streamline day-to-day operations with the world’s most advanced AI SIEM from SentinelOne.

Get a Demo

結論

代理式 SOC 讓 AI 代理負責從警示分流到應變的工作, 由人員從監督迴路的最上層把關。代理能跳脫劇本進行推理, 但錯誤可能層層累積, 黑箱式判定也使升級處理界線、稽核軌跡與分階段部署不可或缺。

團隊結合受治理的自主作業與穩固的資料基礎, 就能顯著縮短調查與修復時間。分析師得以重新專注於只有人能完成的工作: 判斷、威脅獵捕, 以及最關鍵的決策。