Caso de uso de IA agêntica: orquestrar fluxos de trabalho de operações de segurança

Last reviewed 2026-04-08 UTC

Neste documento, descrevemos uma arquitetura de alto nível para um sistema de IA multiagente que organiza processos complexos de investigação e triagem em um centro de operações de segurança (SOC). O sistema de agentes orquestra fluxos de trabalho em sistemas de segurança diferentes, como sistemas de gerenciamento de eventos e informações de segurança (SIEM), feeds de inteligência contra ameaças, plataformas de gerenciamento de postura de segurança na nuvem (CSPM) e soluções de detecção e resposta de endpoints (EDR). O sistema de agentes pode realizar estas ações:

  • Procure alertas críticos do Google Security Operations.
  • Enriqueça os alertas usando o Google Threat Intelligence.
  • Procure configurações incorretas de recursos em uma ferramenta de CSPM de terceiros.
  • Implemente a aprovação human-in-the-loop.
  • Recupere a telemetria detalhada do endpoint e o histórico de execução de processos de uma ferramenta de EDR de terceiros para investigar um endpoint comprometido ou suspeito.

Essa arquitetura ajuda a melhorar a eficiência do operador, reduzindo a troca de contexto e permitindo que os operadores executem investigações complexas e de várias etapas usando uma única interface.

O público-alvo deste documento inclui arquitetos e desenvolvedores responsáveis por projetar, criar e implementar aplicativos de IA agêntica e por integrar esses aplicativos aos sistemas de segurança atuais em ambientes de nuvem. O público-alvo também inclui analistas de SOC e administradores de sistemas que supervisionam as operações de segurança, usam inteligência contra ameaças para defesa proativa e gerenciam fluxos de trabalho robustos de SecOps para detecção, investigação e resposta a incidentes. O documento pressupõe que você tenha uma compreensão básica dos conceitos de IA agêntica, incluindo sistemas multiagentes, uso de ferramentas agênticas e orquestração agêntica. O documento também pressupõe que você conhece casos de uso de inteligência contra ameaças, fluxos de trabalho de operações de segurança e ferramentas de segurança comuns. Para informações sobre inteligência contra ameaças e ferramentas de segurança comuns, consulte Casos de uso e exemplos de inteligência contra ameaças.

Arquitetura

Dependendo dos seus requisitos, você pode escolher os seguintes modelos de implantação:

  • Implantação do Cloud Run: uma plataforma sem servidor totalmente gerenciada que permite implantar todo o aplicativo do agente, componentes individuais ou ferramentas personalizadas como endpoints HTTP escalonáveis sem precisar gerenciar a infraestrutura.
  • Agent Runtime na Gemini Enterprise Agent Platform: um ambiente de execução totalmente gerenciado e opinativo que pode ser usado para implantar, operar e escalonar aplicativos agênticos com sobrecarga operacional mínima.

Para saber como escolher um Agent Runtime, consulte Escolher os componentes da arquitetura de IA agêntica.

As guias a seguir fornecem diagramas de arquitetura que mostram uma implantação do Cloud Run e um tempo de execução do agente com uma implantação do Gemini Enterprise.

Cloud Run

O diagrama a seguir mostra uma arquitetura detalhada para um sistema de agente de SOC implantado no Cloud Run:

Uma arquitetura detalhada para um sistema de agente de SOC implantado no Cloud Run.

A arquitetura mostra os seguintes componentes:

Cloud Load Balancing
Um balanceador de carga de aplicativo encaminha solicitações de inferência recebidas do analista de segurança para o sistema do agente.
Google Cloud Armor
Aplica políticas de segurança com base em regras de firewall de aplicativos da Web (WAF) configuradas.
Identity-Aware Proxy (IAP)
Aplica um modelo de segurança de confiança zero e verifica a identidade do usuário.
Model Armor
Com o Model Armor, você pode inspecionar e higienizar comandos, interações de ferramentas e respostas. Ele oferece controles de segurança flexíveis para qualquer modelo de IA. Para agentes personalizados que são executados no Cloud Run, integre o Model Armor usando a API Model Armor.
Composição do agente
O Kit de Desenvolvimento de Agente (ADK) é um framework de desenvolvimento de agentes que ajuda você a criar o agente e implantá-lo como um serviço sem servidor do Cloud Run. Para detalhes sobre a arquitetura interna desse sistema de agentes, consulte a seção Arquitetura do sistema de agentes mais adiante neste documento.
Modelo de IA
Para disponibilizar inferências, os agentes nesta arquitetura usam modelos de IA na Gemini Enterprise Agent Platform.
Servidores MCP

O Protocolo de Contexto de Modelo (MCP) facilita o acesso a ferramentas e padroniza a interação entre agentes e ferramentas. O sistema de agentes usa os seguintes servidores MCP:

Produtos usados

Esta arquitetura de exemplo usa os seguintes produtos e ferramentas do Google Cloud :

Agent Runtime com o Gemini Enterprise

O diagrama a seguir mostra uma arquitetura detalhada para um sistema de IA agêntica de agente SOC implantado no Agent Runtime com o Gemini Enterprise:

Uma arquitetura detalhada para um sistema de IA de agente do SOC implantado no Agent Runtime com o Gemini Enterprise.

O diagrama da arquitetura mostra os seguintes componentes:

Gemini Enterprise
Os usuários interagem com o sistema de agente pelo assistente de chat fornecido pelo Gemini Enterprise.
Composição do agente
O Kit de Desenvolvimento de Agente (ADK) é um framework de desenvolvimento de agentes que ajuda você a criar um agente personalizado, implantá-lo no Agent Runtime e registrá-lo no Gemini Enterprise. Para detalhes sobre a arquitetura interna desse sistema de agente, consulte a seção Arquitetura do sistema de agente mais adiante neste documento.
Modelo de IA
Os agentes nessa arquitetura usam modelos de IA do Model Garden da Agent Platform para realizar inferências.
Model Armor
Para aplicar políticas de segurança e compliance corporativas, o Model Armor se integra diretamente aos serviços do Google Cloud para fornecer inspeção e higienização inline de comandos de usuários e respostas de modelos. Com a integração integrada ao Gemini Enterprise e à Agent Platform, o Model Armor filtra automaticamente as interações entre os usuários e os agentes gerenciados. Para mais informações, consulte Integração do Model Armor com os serviços do Google Cloud.
Servidores MCP

O Protocolo de Contexto de Modelo (MCP) facilita o acesso a ferramentas e padroniza a interação entre agentes e ferramentas. O sistema de agentes usa os seguintes servidores MCP:

  • Servidor MCP do Google SecOps: um servidor MCP gerenciado pelo Google que fornece acesso aos dados do Google SecOps SIEM e do Google SecOps SOAR, incluindo eventos, entidades, registros brutos e detalhes de casos.
  • Servidor MCP do Google Threat Intelligence: um servidor MCP local que dá acesso ao Google Threat Intelligence. A inteligência de ameaças do Google correlaciona alertas internos com dados globais de adversários e simplifica a identificação de indicadores maliciosos conhecidos no fluxo de trabalho do SOC.
  • Servidores MCP de terceiros: um conector gerenciado por fornecedores terceirizados que permite interagir com ferramentas de segurança externas.

Produtos usados

Esta arquitetura de exemplo usa os seguintes produtos e ferramentas do Google Cloud:

Arquitetura do sistema de agente

Nesta seção, descrevemos a arquitetura do sistema de agente SOC personalizado para as implantações anteriores do Cloud Run ou do Gemini Enterprise. Para orquestrar fluxos de trabalho de segurança complexos, o agente usa um padrão de decomposição hierárquica de tarefas. A composição do agente permanece consistente, independentemente do método de implantação escolhido.

O diagrama a seguir mostra uma visão detalhada da arquitetura do sistema de agentes: Uma arquitetura detalhada de sistema de IA agêntica para um fluxo de trabalho de SecOps com agentes.

A arquitetura mostra os seguintes componentes:

Aplicativo
Um aplicativo de front-end, como uma interface de chat, que interage com o usuário. Você pode implantar seu aplicativo com o Cloud Run ou o Agent Runtime com o Gemini Enterprise.
Agentes

Essa arquitetura usa os seguintes agentes:

  • Agente raiz: um agente coordenador que recebe solicitações do usuário. O agente raiz interpreta a solicitação do usuário e tenta resolver o problema por conta própria. Se a tarefa exigir ferramentas especializadas, o agente raiz delegará a solicitação ao agente especializado apropriado.
  • Agentes especializados: o agente raiz invoca os seguintes agentes especializados:
    • Analista de nível 1: recupera detalhes de alertas, identifica recursos afetados e extrai o contexto do usuário ao consultar o Google SecOps e fontes de telemetria relacionadas.
    • Pesquisador de inteligência contra ameaças cibernéticas (CTI): pesquisa táticas de agentes de ameaças relacionadas ao alerta específico. Esse agente fornece uma avaliação de risco da atividade consultando plataformas de inteligência contra ameaças para correlacionar indicadores de comprometimento (IOCs) internos com grupos de agentes de ameaças conhecidos e táticas, técnicas e procedimentos (TTPs) documentados.

O diagrama de arquitetura do sistema do agente mostra um exemplo de arquitetura que usa duas personas de SOC. Dependendo dos seus casos de uso específicos, é possível implantar outras personas do SOC ou criar suas próprias personas personalizadas. Para uma lista mais ampla de personas do SOC que podem ajudar a tornar suas operações de segurança mais robustas, consulte Personas do SOC.

Banco de dados de conhecimento da RAG
Esse banco de dados fornece uma fonte de embasamento para geração aumentada por recuperação (RAG). O banco de dados é usado para fornecer aos agentes planos de resposta a incidentes e runbooks de IA. Os runbooks de IA são fluxos de trabalho prescritivos na forma de habilidades do agente.
Serviço de artefatos
Um serviço gerenciado que armazena relatórios de investigação e evidências no Cloud Storage.
Memory Bank
Um sistema de gerenciamento de estado persistente que armazena tópicos de memória personalizados e permite que os agentes mantenham o contexto sobre o ambiente e as ameaças em todas as sessões.
Modelos de IA
Para disponibilizar inferências, os agentes nessa arquitetura usam o modelo do Gemini mais recente na Agent Platform.
Servidores MCP
Os servidores MCP facilitam o acesso a ferramentas e padronizam a interação entre agentes e ferramentas. Para cada par agente-ferramenta, um cliente MCP envia solicitações a um servidor MCP pelo qual o agente acessa uma ferramenta, como um banco de dados, um sistema de arquivos ou uma API.
Ferramentas de agentes
Essas ferramentas permitem que os agentes recuperem dados de embasamento, como runbooks de IA correspondentes, planos de resposta a incidentes, relatórios anteriores, documentação interna e playbooks.
ADK
O ADK oferece ferramentas e um framework para desenvolver, testar e implantar agentes. O ADK abstrai a complexidade da criação de agentes e permite que os desenvolvedores de IA se concentrem na lógica e nos recursos do agente.

A arquitetura mostra o seguinte fluxo de dados:

  1. Um analista de segurança envia uma solicitação ao gerente do SOC, que é um agente coordenador. Por exemplo, um analista envia uma solicitação para investigar o caso nº 37.
  2. O aplicativo implantado no Cloud Run ou no Gemini Enterprise encaminha a solicitação ao gerente de SOC.
  3. O gerente de SOC usa o Gemini para interpretar a solicitação do usuário.
  4. O gerente de SOC realiza as seguintes tarefas para coletar contexto sobre a solicitação:
    1. Envia uma consulta ao banco de dados de conhecimento da RAG para buscar os runbooks de IA correspondentes, fluxos de trabalho prescritivos na forma de habilidades de IA e o plano de resposta a incidentes.
    2. Busca memórias anteriores para identificar se o sistema do agente analisou incidentes semelhantes.
    3. Verifica o Serviço de artefatos para relatórios ou evidências relacionados à solicitação.
  5. O gerente do SOC usa o Gemini e o contexto recuperado para dividir a solicitação em uma sequência de subtarefas e identificar as ferramentas adequadas.
  6. O gerente de SOC direciona dinamicamente subtarefas para subagentes especializados, como o analista de nível 1 e o pesquisador de inteligência contra ameaças cibernéticas (CTI).
  7. Cada subagente realiza as seguintes ações para executar as subtarefas atribuídas:
    1. Usa o Gemini para interpretar os objetivos da tarefa.
    2. Busca contexto relevante no banco de dados de conhecimento, nas memórias e nos artefatos da RAG.
    3. Usa servidores MCP para coletar o seguinte contexto adicional para embasar as respostas:
      • Documentação de conhecimento, como relatórios anteriores, documentação interna e playbooks.
      • Inteligência de segurança e telemetria que usam dados do Google SecOps e do Google Threat Intelligence.
    4. Usa o Gemini e o contexto recuperado para gerar descobertas.
    5. Organiza as descobertas em um resumo estruturado.
    6. Encaminha a resposta intermediária de volta ao gerente do SOC.
  8. O gerente do SOC recebe as respostas intermediárias dos subagentes e avalia as descobertas em relação aos requisitos do runbook de IA.
    1. Se as descobertas não atenderem aos critérios de avaliação, o gerente do SOC vai repetir a análise da solicitação do usuário e delegar subtarefas a subagentes para coletar mais dados. Durante esse loop iterativo, o gerente do SOC mantém a cadeia de contexto anterior para informar e aumentar as chamadas de ferramentas e delegações de subagentes subsequentes. O gerente de SOC continua esse ciclo até que as descobertas atendam aos critérios de avaliação.
    2. Se as descobertas atenderem aos critérios de avaliação ou a uma condição de saída, como iterações máximas, o gerente do SOC vai realizar as seguintes ações:
      1. Usa o Gemini para sintetizar todas as descobertas dos subagentes em um relatório de investigação e o salva no Serviço de Artefatos.
      2. Usa o servidor MCP do Google SecOps para postar resultados no mural de casos.
      3. Salva novas memórias no Memory Bank da Plataforma de Agentes.
  9. O gerente do SOC envia o link do artefato e o resumo do relatório de volta ao analista de segurança.

Produtos usados

A arquitetura do sistema de agentes neste documento usa os seguintes produtos e ferramentas do Google Cloud:

Para saber como selecionar componentes alternativos para seu sistema de IA agêntica, incluindo framework, ambiente de execução do agente, ferramentas, memória e padrões de design, consulte Escolher os componentes da arquitetura de IA agêntica.

Considerações sobre o design

Nesta seção, descrevemos fatores de design, práticas recomendadas e recomendações a serem consideradas ao usar essa arquitetura de referência para desenvolver uma topologia que atenda aos seus requisitos específicos de segurança, confiabilidade e custo.

As orientações desta seção não são completas. Para mais informações sobre fatores de design e práticas recomendadas, além de recomendações sobre como criar e implantar um sistema de IA multiagente, consulte Sistema de IA multiagente em Google Cloud.

segurança, privacidade e conformidade

Para ajudar a lidar com os riscos de segurança exclusivos dos agentes de IA, o Google recomenda uma abordagem que combina controles de segurança determinísticos com defesas dinâmicas baseadas em raciocínio:

  • Supervisão humana: incorpore um fluxo human-in-the-loop em sistemas essenciais para os negócios, de modo que os supervisores humanos possam analisar as saídas e aprovar, substituir ou pausar as ações do agente.
  • Identidade do agente: atribua a cada agente uma identidade vinculada à carga de trabalho para aplicar o controle de acesso de privilégio mínimo e gerenciar de forma centralizada as credenciais de ferramentas externas.
  • Gateway de Agente: aplique a governança de tráfego de entrada e saída, políticas de acesso de negação padrão e inspeção de comandos e ferramentas inline com o Model Armor.

  • Agent Registry: verifique se os agentes só se conectam a subagentes e ferramentas MCP aprovados.

  • Ambientes de autenticação: para garantir uma autenticação perfeita em todos os ambientes, configure os pipelines de implantação para gerenciar a transição das estratégias de autenticação de desenvolvimento. Por exemplo, talvez seja necessário fazer a transição do Application Default Credentials (ADC) na execução local para contas de serviço gerenciadas pelo Identity and Access Management (IAM) para servidores MCP remotos hospedados em produção.

Confiabilidade

Para garantir que as configurações do agente atendam aos requisitos de confiabilidade, considere as seguintes recomendações:

  • Escopo do agente: para melhorar a precisão do modelo, defina o escopo dos runbooks e das instruções do sistema de cada agente.
  • Compatibilidade com o esquema do MCP: para evitar que o modelo de IA interprete incorretamente as definições de ferramentas e faça chamadas incorretas, limpe os esquemas de ferramentas. Crie construções independentes para o esquema JSON $ref e $defs e normalize as strings de tipo em maiúsculas.

Otimização de custos

Para garantir que as configurações do agente atendam aos seus requisitos de custo, considere as seguintes recomendações:

  • Acesso à ferramenta do agente: para reduzir o consumo de tokens e aplicar o princípio de privilégio mínimo, forneça subconjuntos de ferramentas a diferentes agentes conforme necessário.
  • Gerenciamento da janela de contexto: para minimizar o consumo de tokens, crie comandos e saídas de ferramentas concisos. Use repositórios RAG e habilidades do agente para pré-carregar contexto e resumir respostas de ferramentas grandes.
  • Armazenamento em cache de comandos: para reduzir os custos de tokens de entrada, armazene em cache o conteúdo estático do agente, como instruções do sistema, personas, runbooks e esquemas de ferramentas.
  • Seleção de modelo: o modelo que você seleciona para seu aplicativo de IA afeta diretamente os custos e o desempenho. Selecione modelos diferentes no seu sistema agêntico com base nas diferentes funções de agente e requisitos de tarefa. Para raciocínio complexo e decomposição de tarefas, use um modelo de raciocínio como o Gemini Pro. Para tarefas pequenas e diretas, use um modelo rápido e de baixo custo, como o Gemini Flash.

Implantação

Para implantar uma implementação de exemplo dessa arquitetura que fornece agentes personalizados do SOC, use o exemplo de código do Gemini Enterprise do SOC com agentes disponível no GitHub.

Recomendamos que você faça as iterações no agente na seguinte ordem:

  1. Implante localmente com a web do ADK: acelere a criação de protótipos e itere rapidamente na lógica do agente.
  2. Implante em um contêiner local: garanta um ambiente portátil e imutável com dependências consistentes.
  3. Implante o contêiner no Cloud Run ou no Agent Runtime: escale seus agentes para operações de segurança eficazes e mova seu aplicativo do desenvolvimento para a produção.

A seguir

Colaboradores

Autores:

Outros colaboradores: