Anwendungsfall für agentische KI: Workflows für Sicherheitsvorgänge orchestrieren

Last reviewed 2026-04-08 UTC

In diesem Dokument wird eine allgemeine Architektur für ein KI-System mit mehreren Agenten beschrieben, das komplexe Untersuchungs- und Triageprozesse in einem Security Operations Center (SOC) orchestriert. Das Agentsystem orchestriert Workflows in verschiedenen Sicherheitssystemen wie Security Information and Event Management (SIEM)-Systemen, Threat Intelligence-Feeds, Cloud-Sicherheitsstatus-Management (CSPM)-Plattformen und Endpoint Detection and Response (EDR)-Lösungen. Das Agent-System kann folgende Aktionen ausführen:

  • Kritische Warnungen aus Google Security Operations aufrufen
  • Benachrichtigungen mit Google Threat Intelligence anreichern
  • Falsch konfigurierte Assets in einem CSPM-Tool eines Drittanbieters suchen
  • Human-in-the-Loop-Genehmigung implementieren
  • Rufen Sie detaillierte Endpunkttelemetrie und den Prozessausführungsverlauf aus einem EDR-Drittanbietertool ab, um einen kompromittierten oder verdächtigen Endpunkt zu untersuchen.

Diese Architektur trägt dazu bei, die Effizienz der Analysten zu steigern, da der Kontextwechsel reduziert wird und sie komplexe, mehrstufige Untersuchungen über eine einzige Oberfläche durchführen können.

Dieses Dokument richtet sich an Architekten und Entwickler, die für das Design, die Entwicklung und die Implementierung von agentischer KI-Anwendungen sowie für die Integration dieser Anwendungen in bestehende Sicherheitssysteme in Cloud-Umgebungen verantwortlich sind. Die Zielgruppe umfasst auch SOC-Analysten und Systemadministratoren, die für die Sicherheitsvorgänge zuständig sind, Threat Intelligence zur proaktiven Abwehr nutzen und robuste SecOps-Workflows für die Erkennung, Untersuchung und Reaktion auf Vorfälle verwalten. In diesem Dokument wird davon ausgegangen, dass Sie ein grundlegendes Verständnis von agentenbasierter KI haben, einschließlich Systemen mit mehreren KI-Agenten, der Verwendung von agentenbasierten Tools und der Orchestrierung von KI-Agenten. Außerdem wird davon ausgegangen, dass Sie mit Anwendungsfällen für Threat Intelligence, Workflows für Sicherheitsvorgänge und gängigen Sicherheitstools vertraut sind. Informationen zu Threat Intelligence und gängigen Sicherheitstools finden Sie unter Anwendungsfälle und Beispiele für Threat Intelligence.

Architektur

Je nach Ihren Anforderungen können Sie die folgenden Bereitstellungsmodelle auswählen:

  • Cloud Run-Bereitstellung: Eine vollständig verwaltete, serverlose Plattform, mit der Sie die gesamte Agent-Anwendung, einzelne Komponenten oder benutzerdefinierte Tools als skalierbare HTTP-Endpunkte bereitstellen können, ohne die zugrunde liegende Infrastruktur verwalten zu müssen.
  • Agent Runtime on Gemini Enterprise Agent Platform: Eine vollständig verwaltete, meinungsstarke Laufzeitumgebung, mit der Sie agentische Anwendungen mit minimalem Betriebsaufwand bereitstellen, betreiben und skalieren können.

Informationen zum Auswählen einer Agent-Laufzeit finden Sie unter Komponenten für die Architektur von agentischer KI auswählen.

Auf den folgenden Tabs finden Sie Architekturdiagramme, die eine Cloud Run-Bereitstellung und eine Agent Runtime-Bereitstellung mit Gemini Enterprise zeigen.

Cloud Run

Das folgende Diagramm zeigt eine detaillierte Architektur für ein SOC-Agentsystem, das in Cloud Run bereitgestellt wird:

Eine detaillierte Architektur für ein SOC-Agentsystem, das in Cloud Run bereitgestellt wird.

Die Architektur umfasst die folgenden Komponenten:

Cloud Load Balancing
Ein Application Load Balancer leitet eingehende Inferenzanfragen vom Sicherheitsanalysten an das Agentsystem weiter.
Google Cloud Armor
Erzwingt Sicherheitsrichtlinien basierend auf konfigurierten WAF-Regeln (Web Application Firewall).
Identity-Aware Proxy (IAP)
Erzwingt ein Zero-Trust-Sicherheitsmodell und überprüft die Nutzeridentität.
Model Armor
Mit Model Armor können Sie Prompts, Tool-Interaktionen und Antworten prüfen und bereinigen. Es bietet flexible Sicherheitskontrollen für jedes zugrunde liegende KI-Modell. Für benutzerdefinierte KI-Agents, die in Cloud Run ausgeführt werden, können Sie Model Armor über die Model Armor API einbinden.
Agent-Zusammensetzung
Agent Development Kit (ADK) ist ein Framework für die Entwicklung von Agenten, mit dem Sie den Agenten erstellen und als serverlosen Cloud Run-Dienst bereitstellen können. Details zur internen Architektur dieses Agentsystems finden Sie weiter unten in diesem Dokument im Abschnitt Architektur des Agentsystems.
KI-Modell
Für die Bereitstellung von Inferenz verwenden die Agents in dieser Architektur KI-Modelle auf der Gemini Enterprise Agent Platform.
MCP-Server

Das Model Context Protocol (MCP) erleichtert den Zugriff auf Tools und standardisiert die Interaktion zwischen Agenten und Tools. Das Agent-System verwendet die folgenden MCP-Server:

Verwendete Produkte

In dieser Beispielarchitektur werden die folgenden Google Cloud Produkte und ‑Tools verwendet:

Laufzeit für KI-Agenten mit Gemini Enterprise

Das folgende Diagramm zeigt eine detaillierte Architektur für ein KI-System für SOC-Agents, das mit Gemini Enterprise in der Agent Runtime bereitgestellt wird:

Eine detaillierte Architektur für ein SOC-Agenten-KI-System, das in der Laufzeit für KI-Agenten mit Gemini Enterprise bereitgestellt wird.

Das Architekturdiagramm zeigt die folgenden Komponenten:

Gemini Enterprise
Nutzer interagieren über den Chat-Assistenten, den Gemini Enterprise bereitstellt, mit dem Agent-System.
Agent-Zusammensetzung
Agent Development Kit (ADK) ist ein Framework für die Entwicklung von Agenten, mit dem Sie einen benutzerdefinierten Agenten erstellen, den Agenten in der Agent Runtime bereitstellen und den Agenten bei Gemini Enterprise registrieren können. Details zur internen Architektur dieses Agentsystems finden Sie weiter unten in diesem Dokument im Abschnitt Architektur des Agentsystems.
KI-Modell
Die Agents in dieser Architektur verwenden KI-Modelle aus dem Agent Platform Model Garden, um Inferenzen auszuführen.
Model Armor
Um die Sicherheits- und Compliance-Richtlinien von Unternehmen durchzusetzen, wird Model Armor direkt in Google Cloud Dienste eingebunden, um Nutzer-Prompts und Modellantworten inline zu prüfen und zu bereinigen. Durch die integrierte Integration mit Gemini Enterprise und der Agent Platform werden die Interaktionen zwischen Nutzern und den verwalteten Agents automatisch von Model Armor geprüft. Weitere Informationen finden Sie unter Model Armor-Integration in Google Cloud-Dienste.
MCP-Server

Das Model Context Protocol (MCP) erleichtert den Zugriff auf Tools und standardisiert die Interaktion zwischen Agenten und Tools. Das Agent-System verwendet die folgenden MCP-Server:

  • Google SecOps-MCP-Server: Ein von Google verwalteter MCP-Server, der Zugriff auf Google SecOps SIEM- und Google SecOps SOAR-Daten bietet, einschließlich Ereignissen, Entitäten, Rohlogs und Falldetails.
  • Google Threat Intelligence-MCP-Server: Ein lokaler MCP-Server, der Zugriff auf Google Threat Intelligence bietet. Google Threat Intelligence korreliert interne Benachrichtigungen mit globalen Daten zu Angreifern und optimiert die Identifizierung bekannter schädlicher Indikatoren im SOC-Workflow.
  • MCP-Server von Drittanbietern: Ein Connector, der von Drittanbietern verwaltet wird und mit dem Sie mit externen Sicherheitstools interagieren können.

Verwendete Produkte

In dieser Beispielarchitektur werden die folgenden Google Cloud Produkte und Tools verwendet:

Architektur des Agentensystems

In diesem Abschnitt wird die Architektur des benutzerdefinierten SOC-Agentsystems für die vorherigen Cloud Run- oder Gemini Enterprise-Bereitstellungen beschrieben. Um komplexe Sicherheits-Workflows zu orchestrieren, verwendet der Agent ein hierarchisches Muster zur Aufgabenzerlegung. Die Zusammensetzung des Agents bleibt unabhängig von der gewählten Bereitstellungsmethode gleich.

Das folgende Diagramm zeigt eine detaillierte Ansicht der Agentensystemarchitektur: Eine detaillierte KI-Systemarchitektur für einen agentischen SecOps-Workflow.

Die Architektur umfasst die folgenden Komponenten:

Anwendung
Eine Frontend-Anwendung, z. B. eine Chatoberfläche, die mit dem Nutzer interagiert. Sie können Ihre Anwendung mit Cloud Run oder Agent Runtime mit Gemini Enterprise bereitstellen.
KI-Agenten

In dieser Architektur werden die folgenden Agents verwendet:

  • Root-Agent: Ein Coordinator-Agent, der Anfragen vom Nutzer empfängt. Der Stamm-Agent interpretiert die Anfrage des Nutzers und versucht, sie selbst zu beantworten. Wenn für die Aufgabe spezielle Tools erforderlich sind, leitet der Root-Agent die Anfrage an den entsprechenden spezialisierten Agenten weiter.
  • Spezialisierte Agenten: Der Root-Agent ruft die folgenden spezialisierten Agenten auf:
    • Analyst der Stufe 1: Ruft Benachrichtigungsdetails ab, identifiziert betroffene Assets und extrahiert den Nutzerkontext, wenn er Google SecOps und zugehörige Telemetriequellen abfragt.
    • Cyber Threat Intelligence (CTI) researcher (CTI-Analyst): Untersucht die Taktiken von Bedrohungsakteuren, die sich auf die jeweilige Benachrichtigung beziehen. Dieser Agent führt eine Risikobewertung der Aktivität durch, indem er Threat Intelligence-Plattformen abfragt, um interne Indicators of Compromise (IOCs) mit bekannten Bedrohungsakteurgruppen und dokumentierten Taktiken, Techniken und Verfahren (Tactics, Techniques and Procedures, TTPs) in Beziehung zu setzen.

Das Architekturdiagramm des Agent-Systems zeigt ein Beispiel für eine Architektur, in der zwei SOC-Personas verwendet werden. Je nach Anwendungsfall können Sie andere SOC-Personas bereitstellen oder eigene benutzerdefinierte Personas erstellen. Eine umfassendere Liste von SOC-Personas, die dazu beitragen können, Ihre Sicherheitsabläufe robuster zu machen, finden Sie unter SOC-Personas.

RAG-Wissensdatenbank
Diese Datenbank dient als Fundierungsquelle für Retrieval Augmented Generation (RAG). Die Datenbank wird verwendet, um die Agents mit Incident Response-Plänen und KI-Runbooks zu versorgen. KI-Runbooks sind präskriptive Workflows in Form von Agent-Skills.
Artefaktdienst
Ein verwalteter Dienst, in dem Untersuchungsberichte und Beweismittel in Cloud Storage gespeichert werden.
Memory Bank
Ein System zur persistenten Statusverwaltung, in dem benutzerdefinierte Memory-Themen gespeichert werden und mit dem KI-Agenten den Kontext zu Umgebungs- und Bedrohungsaspekten sitzungsübergreifend beibehalten können.
KI-Modelle
Für die Inferenz verwenden die Agents in dieser Architektur das neueste Gemini-Modell auf der Agent Platform.
MCP-Server
Die MCP-Server erleichtern den Zugriff auf Tools und standardisieren die Interaktion zwischen Agents und Tools. Für jedes Agent-Tool-Paar sendet ein MCP-Client Anfragen an einen MCP-Server, über den der Agent auf ein Tool wie eine Datenbank, ein Dateisystem oder eine API zugreift.
Tools von KI-Agenten
Mit diesen Tools können Kundenservicemitarbeiter Fundierungsdaten wie entsprechende KI-Runbooks, Incident Response-Pläne, frühere Berichte, interne Dokumentation und Playbooks abrufen.
ADK
ADK bietet Tools und ein Framework zum Entwickeln, Testen und Bereitstellen von Agenten. Das ADK abstrahiert die Komplexität der Agentenerstellung und ermöglicht es KI-Entwicklern, sich auf die Logik und Funktionen des Agenten zu konzentrieren.

Die Architektur zeigt den folgenden Datenfluss:

  1. Ein Sicherheitsanalyst sendet eine Anfrage an den SOC-Manager, der ein Coordinator-Kundenservicemitarbeiter ist. Ein Analyst sendet beispielsweise eine Anfrage zur Untersuchung von Fall 37.
  2. Die Anwendung, die in Cloud Run oder in Gemini Enterprise bereitgestellt wird, leitet die Anfrage an den SOC-Manager weiter.
  3. Der SOC-Manager verwendet Gemini, um die Anfrage des Nutzers zu interpretieren.
  4. Der SOC-Manager führt die folgenden Aufgaben aus, um Kontext zum Antrag zu sammeln:
    1. Sendet eine Anfrage an die RAG-Wissensdatenbank, um die entsprechenden KI-Runbooks, präskriptiven Workflows in Form von KI-Skills und den Incident Response Plan abzurufen.
    2. Ruft frühere Erinnerungen ab, um festzustellen, ob das Agent-System ähnliche Vorfälle analysiert hat.
    3. Prüft den Artifact Service auf vorhandene Berichte oder Beweise, die sich auf die Anfrage beziehen.
  5. Der SOC-Manager verwendet Gemini und den abgerufenen Kontext, um die Anfrage in eine Reihe von untergeordneten Aufgaben zu unterteilen und die geeigneten Tools zu identifizieren.
  6. Der SOC-Manager leitet Unteraufgaben dynamisch an spezialisierte Unter-Agents weiter, z. B. an den Tier 1-Analysten und den CTI-Researcher (Cyber Threat Intelligence).
  7. Jeder untergeordnete Agent führt die folgenden Aktionen aus, um die ihm zugewiesenen untergeordneten Aufgaben auszuführen:
    1. Gemini wird verwendet, um die Aufgabenziele zu interpretieren.
    2. Ruft relevanten Kontext aus der RAG-Wissensdatenbank, gemerkten Informationen und Artefakten ab.
    3. MCP-Server werden verwendet, um den folgenden zusätzlichen Kontext für die Fundierung von Antworten zu erfassen:
      • Wissensdokumentation wie frühere Berichte, interne Dokumentation und Playbooks.
      • Sicherheitsinformationen und Telemetrie, die Daten aus Google SecOps und Google Threat Intelligence verwenden.
    4. Verwendet Gemini und den abgerufenen Kontext, um Ergebnisse zu generieren.
    5. Die Ergebnisse werden in einer strukturierten Zusammenfassung dargestellt.
    6. Leitet die Zwischenantwort an den SOC-Manager weiter.
  8. Der SOC-Manager erhält die Zwischenantworten von den untergeordneten Agenten und bewertet die Ergebnisse anhand der Anforderungen des KI-Runbooks.
    1. Wenn die Ergebnisse die Bewertungskriterien nicht erfüllen, wiederholt der SOC-Manager die Analyse der Anfrage des Nutzers und delegiert Unteraufgaben an untergeordnete Kundenservicemitarbeiter, um zusätzliche Daten zu erfassen. Während dieses iterativen Ablaufs behält der SOC-Manager die vorherige Kontextkette bei, um nachfolgende Tool-Aufrufe und Subagent-Delegierungen zu informieren und zu erweitern. Der SOC-Manager setzt diesen Zyklus fort, bis die Ergebnisse den Bewertungskriterien entsprechen.
    2. Wenn die Ergebnisse die Bewertungskriterien oder eine Beendigungsbedingung wie „Maximale Anzahl von Iterationen“ erfüllen, führt der SOC-Manager die folgenden Aktionen aus:
      1. Verwendet Gemini, um alle Ergebnisse der untergeordneten Agents in einem Untersuchungsbericht zusammenzufassen, und speichert den Bericht im Artifact Service.
      2. Verwendet den Google SecOps-MCP-Server, um Ergebnisse in der Fallübersicht zu posten.
      3. Speichert neue Erinnerungen in der Memory Bank der Agent Platform.
  9. Der SOC-Manager sendet den Artefaktlink und die Berichtszusammenfassung an den Sicherheitsanalysten zurück.

Verwendete Produkte

Die Agent-Systemarchitektur in diesem Dokument verwendet die folgenden Produkte und Tools: Google Cloud

  • Google Security Operations: Eine Plattform für Security Operations, mit der Sicherheitsteams Cyberbedrohungen erkennen, untersuchen und darauf reagieren können.
  • Google Threat Intelligence: Eine Sicherheitslösung, die einen umfassenden und proaktiven Ansatz zur Identifizierung, Analyse und Eindämmung von Sicherheitsbedrohungen bietet.
  • Google Cloud-MCP-Server: Von Google verwaltete Remotedienste, die das Model Context Protocol (MCP) implementieren, um KI-Anwendungen Zugriff auf Google- und Google Cloud Produkte und -Dienste zu ermöglichen.
  • Gemini: Eine Reihe multimodaler KI-Modelle, die von Google entwickelt wurden.
  • Gemini Enterprise Agent Platform: Eine umfassende Plattform, mit der Sie KI‑Agenten auf Unternehmensniveau erstellen, skalieren, verwalten und optimieren können.
  • Agent Development Kit (ADK): Eine Sammlung von Tools und Bibliotheken zum Entwickeln, Testen und Bereitstellen von KI-Agenten.
  • Model Armor: Ein Dienst, der Ihre Ressourcen für generative und agentenbasierte KI vor Prompt Injections, Lecks sensibler Daten und schädlichen Inhalten schützt.
  • Memory Bank: Ein nichtflüchtiger Speicherdienst, der auf Grundlage der Unterhaltungen eines Nutzers mit einem Agent langfristige Erinnerungen generiert, verfeinert, verwaltet und abruft.
  • Cloud Storage: Ein kostengünstiger, unbegrenzter Objektspeicher für verschiedene Datentypen. Auf Daten kann von innerhalb und außerhalb von Google Cloudzugegriffen werden. Sie werden zu Redundanzzwecken über Standorte hinweg repliziert.

Informationen zum Auswählen alternativer Komponenten für Ihr agentisches KI-System, einschließlich Framework, Agent-Laufzeit, Tools, Speicher und Designmustern, finden Sie unter Komponenten für die Architektur von agentischen KI-Systemen auswählen.

Designaspekte

Beachten Sie die folgenden Empfehlungen, wenn Sie diese Architektur für die Produktion implementieren:

  • Zugriff auf Agent-Tools: Um den Tokenverbrauch zu reduzieren und das Prinzip der geringsten Berechtigung zu erzwingen, stellen Sie verschiedenen Agents nach Bedarf Teilmengen von Tools zur Verfügung.
  • Agent-Bereich: Um die Modellgenauigkeit zu verbessern, sollten Sie die Runbooks und Systemanweisungen jedes Agents eingrenzen.
  • Verwaltung des Kontextfensters: Um den Tokenverbrauch zu minimieren, sollten Sie Prompts und Tool-Ausgaben so kurz wie möglich gestalten. RAG-Repositories und Agent-Skills verwenden, um Kontext vorab zu laden und umfangreiche Tool-Antworten zusammenzufassen.
  • Prompt-Caching: Um die Kosten für Eingabetokens zu senken, können Sie statische Agent-Inhalte wie Systemanweisungen, Personas, Runbooks und Tool-Schemas im Cache speichern.
  • Modellauswahl: Das Modell, das Sie für Ihre KI-Anwendung auswählen, wirkt sich direkt auf Kosten und Leistung aus. Wählen Sie in Ihrem agentischen System verschiedene Modelle basierend auf den unterschiedlichen Agentenrollen und Aufgabenanforderungen aus. Verwenden Sie für komplexes logisches Denken und die Zerlegung von Aufgaben ein Thinking-Modell wie Gemini Pro. Verwenden Sie für kleine und direkte Aufgaben ein schnelles, kostengünstiges Modell wie Gemini Flash.
  • Kompatibilität mit dem MCP-Schema: Damit das KI-Modell Tooldefinitionen nicht falsch interpretiert und falsche Toolaufrufe vornimmt, sollten Sie Toolschemas bereinigen. Erstellen Sie in sich geschlossene Konstrukte für JSON-Schema $ref und $defs und normalisieren Sie Typstrings in Großbuchstaben.
  • Authentifizierungsumgebungen: Damit die Authentifizierung in allen Umgebungen reibungslos funktioniert, müssen Sie Ihre Bereitstellungspipelines so konfigurieren, dass der Übergang von Authentifizierungsstrategien für die Entwicklung verwaltet wird. Möglicherweise müssen Sie beispielsweise von Standardanmeldedaten für Anwendungen (Application Default Credentials, ADC) bei der lokalen Ausführung zu Dienstkonten wechseln, die von Identity and Access Management (IAM) für gehostete Remote-MCP-Server in der Produktion verwaltet werden.

Bereitstellung

Wenn Sie eine Beispielimplementierung dieser Architektur bereitstellen möchten, die benutzerdefinierte SOC-Agents bereitstellt, verwenden Sie das Agentic SOC Gemini Enterprise-Codebeispiel, das auf GitHub verfügbar ist.

Wir empfehlen, den Agenten in der folgenden Reihenfolge zu optimieren:

  1. Lokal mit ADK Web bereitstellen: Beschleunigen Sie das Prototyping und iterieren Sie schnell an der Agent-Logik.
  2. In einem lokalen Container bereitstellen: Sorgen Sie für eine portable und unveränderliche Umgebung mit konsistenten Abhängigkeiten.
  3. Container in Cloud Run oder Agent Runtime bereitstellen: Skalieren Sie Ihre KI-Agenten für effektive Sicherheitsvorgänge und verschieben Sie Ihre Anwendung von der Entwicklung in die Produktion.

Nächste Schritte

Beitragende

Autor*innen:

Weitere Beitragende: