从安全工具到智能体系统：网络安全智能体化的五维分类框架

过去几年，人工智能在网络安全中的角色，已经悄然发生了变化。

早期的安全 AI 更多承担“检测器”的职责：识别恶意流量、判别钓鱼邮件、发现异常行为。

到了生成式 AI 时代，模型开始承担“分析助手”的职责，能够解释漏洞、总结日志、辅助研判告警。

但这类系统大多仍然是被动响应式的：你问一句，它答一句，缺乏持续规划、长期记忆、工具调用和协同执行能力。

论文《From Generative AI to Agentic Cyber Defence》指出，真正值得关注的新阶段，是 AI 正在从“生成式助手”迈向“智能体化系统”，也就是具备感知、规划、推理、记忆、工具使用与协同执行能力的 Agentic AI，并进一步在网络安全场景中演化为多智能体协同的自主防御体系。

这篇论文最值得关注之处，不在于提出了某一种全新的攻击检测算法，而在于它试图回答一个更基础的问题：

当网络安全系统不再只是“调用一个大模型”，而是逐渐演化为“由多个智能体组成、能够自主分工协作的系统”时，我们该如何理解它、分类它、评估它？

围绕这个问题，作者提出了一个面向智能体化网络安全的五维分类框架，并据此梳理了这一方向的主要架构、能力边界、应用场景和开放挑战。

从“检测”到“行动”：网络安全 AI 的范式迁移

如果把网络安全与 AI 的结合过程压缩成一条演进主线，可以大致概括为：传统 AI
↓
生成式 AI
↓
智能体化 AI。

论文用一个很简洁的对比表说明了这种变化：传统 AI 的目标是 Predict，即做预测和分类；生成式 AI 的目标是 Generate，即生成解释、报告和建议；而 Agentic AI 的目标则是 Act，即围绕任务目标自主采取行动。

与此同时，系统的知识来源也从“训练数据”扩展到了“基础模型 + 外部知识”，能力重心从低水平推理与单轮交互，走向了高水平规划、持久记忆、广泛工具调用以及多智能体协作。

这意味着，网络安全领域关注的重点正在变化。

过去，我们更关心模型能否识别恶意样本、能否提高检测准确率；而现在，一个更重要的问题是：系统能否围绕一个安全目标，拆解任务、检索知识、调度工具、综合证据，并在必要时执行防御动作。

这种变化看似只是从“模型能力”走向“系统能力”，但本质上是在把 AI 从一个分析组件，推向一个真正参与安全运营流程的角色。

网络安全智能体化，不只是“把大模型接上工具”

很多人第一次看到 Agentic Cybersecurity，会把它理解为“大模型 + RAG + 若干安全工具”。

但论文真正强调的是：智能体化不是给模型外挂几个工具，而是让整个安全系统具备任务分解、角色分工、持续记忆、协同推理和反馈学习能力。

这正是“从安全工具到智能体系统”的关键转变。

论文在架构上给出了一个比较典型的多智能体安全系统：

• 首先由 Planner Agent 负责理解总体安全目标并拆分子任务
• 再由 Coordinator Agent 完成任务分配和信息协调
• 随后，Memory Agent 持久化保存历史调查记录、上下文和中间推理结果

Retrieval Agent 从 MITRE ATT&CK、CVE、NVD、内部知识库和情报平台中检索相关知识；

Reasoning Agent 综合各方证据，判断攻击场景、置信度与应对策略；

最后由 Execution Agent 执行检测规则更新、自动响应、策略下发等动作，并将执行结果反馈回记忆模块，形成持续学习闭环。

这个设计非常像一个数字化的 SOC。

过去的安全运营中心由不同角色的分析师协同工作：有人看日志，有人做情报关联，有人进行恶意代码分析，有人负责响应和处置。

现在，这种人类团队的分工方式，正在被映射成由多个智能体构成的系统流程。

也正因此，Agentic Cybersecurity 的重点从来不只是“模型更聪明”，而是系统更像一个真正会工作的安全团队。

五维分类框架

论文最核心的理论贡献，是提出了一个面向 Agentic AI for Cybersecurity 的五维分类框架。

作者认为，过去对相关工作的分类，往往只关注架构设计或单一应用场景，缺乏一个能够同时描述系统组织方式、认知能力、协同机制、应用领域和底层支撑技术的统一视角。

为此，论文将智能体化网络安全划分为以下五个维度。

1. 架构组织（Architectural Organization）

第一个维度关注的是：这些智能体是如何组织起来的。

论文将其划分为单智能体、层级式多智能体、协作式多智能体、群体式多智能体以及混合架构。

• 单智能体结构实现简单，但在复杂安全任务中往往面临上下文拥塞、能力耦合和扩展性不足的问题
• 层级式结构由高层 Agent 负责规划，低层 Agent 负责执行，更接近传统组织中的管理链条
• 协作式结构强调平级 Agent 之间的信息交换和联合决策
• 而混合架构则结合集中式编排与分布式执行，在可控性和灵活性之间取得平衡，因此在当前研究中较为常见

2. 认知能力（Cognitive Capabilities）

第二个维度关注的是：这些系统到底具备哪些“像智能体”的能力。

论文列举了感知、规划、推理、记忆管理、决策、学习和工具使用等核心能力。

与生成式 AI 只是在当前上下文中生成一次回答不同，智能体化系统强调围绕目标持续运行，能够拆解问题、记住过去、调用资源，并根据环境反馈不断调整策略。

也正是这些能力，使它们不再只是对话模型，而更接近一个面向任务的行动系统。

3. 协作机制（Collaboration Mechanisms）

第三个维度关注的是：多个智能体之间如何协作。

论文总结的协作机制包括中央协调、分布式合作、点对点通信、共享记忆空间和动态任务分配。

对于网络安全这样高度复杂、证据异构且响应链条长的任务而言，单一模型往往难以覆盖全流程；只有当多个专业化智能体能够共享中间结果、互相补足视角、动态调配工作时，系统才可能真正具备“协同防御”的能力。

4. 安全应用领域（Cybersecurity Application Domains）

第四个维度回答的是：智能体化网络安全究竟可以落在哪些场景。

论文将其应用范围概括为威胁情报、入侵检测、威胁狩猎、恶意软件分析、漏洞评估、SOC 自动化、事件响应、数字取证、钓鱼检测与网络风险管理等方向。

这一点很重要，因为它说明 Agentic AI 并不是一个狭义的“安全 Copilot”，而是在逐渐向安全运营全链条扩展。

5. 使能技术（Enabling Technologies）

第五个维度关注的是：这类系统建立在什么技术底座之上。

作者将大语言模型、检索增强生成、知识图谱、图神经网络、强化学习、长时记忆模块、外部安全工具包、编排器和 API 等都纳入其中。

换句话说，智能体化网络安全不是单一技术的结果，而是多种技术的叠加：大模型提供自然语言理解和推理能力，RAG 负责连接外部知识，记忆模块负责跨任务保持状态，工具与编排系统负责把“会分析”变成“能执行”。

五维框架的三个现实意义

很多“框架型文章”会给出一个好看的分类图，但真正有价值的框架，必须能帮助我们回答现实中的问题。我认为，这个五维框架至少有三个现实意义。

首先，它提供了一个理解产品形态的视角。过去我们评估一个安全 AI 产品时，经常只问两个问题：用了什么模型、支持哪些场景。但当系统开始智能体化，仅靠这两个问题已经不够。我们还需要问：它是单智能体还是多智能体？有没有长期记忆？如何协同？能否调用真实工具？能否从外部知识源持续更新？这时，五维框架就能成为一种系统化分析模板。

其次，它提供了一个理解能力边界的视角。很多系统表面上宣称“自主安全分析”或“自动化调查”，但真正拆开来看，可能只是“单模型 + 检索 + 报告生成”。而按照五维框架去看，就能更容易区分哪些系统只是增强型助手，哪些系统已经初步具备智能体特征，哪些系统则更接近多智能体的自治体系。

再次，它也提供了一个连接研究与工程实现的视角。学术论文往往偏重架构和能力描述，产业产品更关注集成与落地，而五维框架刚好处于两者中间：既能概括论文，也能映射产品。这一点对于今天仍在快速演化中的 Agentic Cybersecurity 方向来说，尤其重要。

智能体化网络安全正在覆盖的核心场景

论文在应用部分梳理得相当系统。作者指出，智能体化网络安全并不是停留在概念层面，而是已经开始渗透多个关键环节。

在威胁情报与态势感知场景中，Agentic AI 可以自动从情报源、漏洞库、恶意软件知识库和安全报告中检索信息，并通过推理 Agent 对攻击指标与威胁活动进行关联，从而提升情报利用效率。

在入侵检测与威胁狩猎场景中，多智能体可以同时分析网络、终端、认证和行为数据，再结合外部情报进行交叉验证，相比传统单点检测器更适合发现复杂、隐蔽和新型攻击。

在恶意软件分析与逆向场景中，不同 Agent 可以分别负责静态分析、动态行为监测、行为画像构建和知识检索，最后由推理 Agent 综合判断家族归属、攻击目的与缓解措施。这种分工式分析，也比单一分类器更具有可解释性。

在漏洞评估与风险分析场景中，系统不仅可以收集漏洞条目，还能把可利用性、业务影响和资产上下文一起纳入评估，从而帮助组织完成更贴近实战的优先级排序。

在SOC 自动化、事件响应与数字取证场景中，Agentic AI 的价值更为直接：它可以自动完成日志分析、告警归并、证据总结、事件分类和处置建议，甚至在受控范围内执行部分预定义响应动作，从而降低分析师负担并缩短响应时间。

真正的难点，在“能不能可信地行动”

如果说这篇论文搭建了一个很好的分类框架，那么它也同时提示了一个更深的问题：网络安全系统一旦从“分析工具”变成“行动系统”，安全要求就会发生质变。论文在讨论部分明确指出，当前 Agentic AI 仍面临幻觉、提示注入、不可靠检索、记忆污染、协作失效、隐私问题和评测标准不足等挑战。

这其中最关键的变化在于，过去我们主要担心模型“说错了”；而现在，我们越来越需要担心系统“做错了”。

一个只能生成报告的安全助手，即使犯错，代价通常也局限于误导分析师；但一个真正能改写防火墙策略、隔离终端、更新检测规则、执行自动化处置的系统，一旦发生错误，影响就会直接进入生产环境。

这意味着，Agentic Cybersecurity 的下一个核心问题，不只是“如何提升能力”，更是“如何约束自治权、建立可信边界、确保可审计和可回退”。这一点虽然不是论文的展开重点，却是它所指向的下一阶段实践问题。

网络安全正在从“AI 工具化”走向“系统智能体化”

如果要用一句话概括这篇论文的启发，我会说：网络安全中的 AI，正在从“一个会分析的工具”，走向“一个会分工、会协作、会调用资源、会持续学习的系统”。

这正是“网络安全智能体化”的真实含义。

在这个意义上，论文提出的五维分类框架并不是一个终点，而更像一个起点。

它告诉我们，未来讨论 Agentic Cybersecurity 时，不能只盯着模型大小、提示词工程或单项能力，而需要把目光放到更完整的系统层面：架构如何组织、能力如何构成、协同如何发生、场景如何落地、技术如何支撑。

只有在这个层面上，网络安全智能体化才不再只是一个热门标签，而会逐步演化为下一代安全运营体系的设计语言。

写在最后

从规则与特征工程，到机器学习与深度学习，再到生成式 AI 与 Agentic AI，网络安全领域的 AI 应用正在经历一次深刻的范式迁移。

过去，AI 的任务是帮助我们“看懂告警”；现在，它开始尝试帮助我们“完成工作”。

而这也意味着，我们需要新的方法来理解这种系统。

论文给出的五维分类框架，正是一个值得借鉴的起点：它让“网络安全智能体化”不再只是笼统的趋势判断，而成为一个可以分析、比较和设计的系统问题。

对于今天正在关注安全 Agent、自动化 SOC、智能编排与自主防御的人来说，这个框架至少提供了一张清晰的地图：

未来的竞争，可能不再只是“谁的模型更强”，而是“谁能构建出更可靠、更可控、更能协作的智能体化安全系统”。