智能体 AI 应用场景：编排安全运维工作流

Last reviewed 2026-04-08 UTC

本文档介绍了多智能体 AI 系统的概要架构，该系统可在安全运维中心 (SOC) 中编排复杂的调查和分诊流程。智能体系统可跨不同的安全系统（例如安全信息和事件管理 (SIEM) 系统、威胁情报信息流、云安全状况管理 (CSPM) 平台以及端点检测和响应 (EDR) 解决方案）编排工作流。代理系统可以执行以下操作：

  • 查找 Google Security Operations 中的严重警报。
  • 使用 Google Threat Intelligence 丰富提醒内容。
  • 通过第三方 CSPM 工具查找资产错误配置。
  • 实现人机协同审批。
  • 从第三方 EDR 工具检索详细的端点遥测数据和进程执行历史记录，以调查遭到入侵或可疑的端点。

此架构有助于提高运营人员的效率，因为它减少了情境切换，并使运营人员能够通过单个界面执行复杂的多阶段调查。

本文档的目标受众群体包括负责设计、构建和实现智能体 AI 应用，以及将这些应用与云环境中的现有安全系统集成的架构师和开发者。目标受众群体还包括 SOC 分析师和系统管理员，他们负责监督安全运维、利用威胁情报进行主动防御，以及管理强大的 SecOps 工作流，以检测、调查和响应突发事件。本文档假定您对智能体 AI 概念（包括多智能体系统、智能体工具使用和智能体编排）有基本的了解。本文档还假定您熟悉威胁情报应用场景、安全运维工作流和常见安全工具。如需了解威胁情报和常见安全工具，请参阅威胁情报使用场景和示例。

架构

您可以根据自己的需求选择以下部署模型：

  • Cloud Run 部署：一个全代管式无服务器平台，可让您将整个智能体应用、单个组件或自定义工具部署为可伸缩的 HTTP 端点，而无需管理底层基础设施。
  • Gemini Enterprise Agent Platform 上的 Agent Runtime：一种全代管式、有主见的运行时，可用于部署、运行和扩缩智能体应用，同时最大限度地减少运维开销。

如需了解如何选择 Agent Runtime，请参阅选择智能体 AI 架构组件。

以下标签页提供了架构图，展示了 Cloud Run 部署和 Agent Runtime with Gemini Enterprise 部署。

Cloud Run

下图展示了在 Cloud Run 上部署的 SOC 代理系统的详细架构：

在 Cloud Run 上部署的 SOC 智能体系统的详细架构。

该架构包含以下组件：

Cloud Load Balancing
应用负载均衡器将来自安全分析师的传入推理请求路由到代理系统。
Google Cloud Armor
根据配置的 Web 应用防火墙 (WAF) 规则强制执行安全政策。
Identity-Aware Proxy (IAP)
强制执行零信任安全模型并验证用户身份。
Model Armor
借助 Model Armor，您可以检查和清理提示、工具互动和回答。它可为任何底层 AI 模型提供灵活的安全控制。对于在 Cloud Run 上运行的自定义代理，请使用 Model Armor API 集成 Model Armor。
智能体组合
智能体开发套件 (ADK) 是一个智能体开发框架，可帮助您构建智能体并将其部署为无服务器 Cloud Run 服务。如需详细了解此代理系统的内部架构，请参阅本文档后面的代理系统架构部分。
AI 模型
为了提供推理服务，此架构中的代理使用 Gemini Enterprise Agent Platform 上的 AI 模型。
MCP 服务器

Model Context Protocol (MCP) 有助于访问工具，并标准化智能体与工具之间的交互。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：

Agent Runtime 与 Gemini Enterprise

下图展示了在 Agent Runtime 上部署的 SOC 代理 AI 系统（使用 Gemini Enterprise）的详细架构：

在 Agent Runtime 上使用 Gemini Enterprise 部署的 SOC 代理 AI 系统的详细架构。

架构图显示了以下组件：

Gemini Enterprise
用户通过 Gemini Enterprise 提供的聊天助理与智能体系统互动。
智能体组合
智能体开发套件 (ADK) 是一个智能体开发框架，可帮助您创建自定义智能体、在 Agent Runtime 上部署智能体，以及向 Gemini Enterprise 注册智能体。如需详细了解此代理系统的内部架构，请参阅本文档后面的代理系统架构部分。
AI 模型
此架构中的代理使用 Agent Platform Model Garden 中的 AI 模型执行推理。
Model Armor
为了强制执行企业安全和合规性政策，Model Armor 直接与 Google Cloud 服务集成，以提供对用户提示和模型回答的内嵌检查和清理。通过与 Gemini Enterprise 和 Agent Platform 的内置集成，Model Armor 会自动筛查用户与托管式智能体之间的互动。如需了解详情，请参阅 Model Armor 与 Google Cloud服务集成。
MCP 服务器

Model Context Protocol (MCP) 可帮助访问工具并标准化智能体与工具之间的互动。智能体系统使用以下 MCP 服务器：

  • Google SecOps MCP 服务器：由 Google 管理的 MCP 服务器，可提供对 Google SecOps SIEM 和 Google SecOps SOAR 数据的访问权限，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，用于提供对 Google Threat Intelligence 的访问权限。 Google 威胁情报会将内部提醒与全球攻击者数据相关联，从而简化 SOC 工作流中已知恶意指标的识别。
  • 第三方 MCP 服务器：由第三方供应商管理的连接器，可让您与外部安全工具进行交互。

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

本部分介绍了上述 Cloud Run 或 Gemini Enterprise 部署的自定义 SOC 代理系统架构。为了编排复杂的安全工作流，智能体使用分层任务分解模式。无论您选择哪种部署方法，智能体的组成都保持一致。

下图展示了代理系统架构的详细视图： 一个详细的智能体 AI 系统架构，用于智能体 SecOps 工作流。

该架构显示了以下组件：

应用
与用户交互的前端应用，例如聊天界面。您可以选择使用 Cloud Run 或 Agent Runtime 搭配 Gemini Enterprise 部署应用。
代理

此架构使用以下代理：

  • 根代理：接收用户请求的协调代理。根智能体解读用户的请求，并尝试自行解决该请求。如果任务需要专用工具，则根智能体会将请求委托给相应的专用智能体。
  • 专用智能体：根智能体调用以下专用智能体：
    • 一级分析师：在查询 Google SecOps 和相关遥测来源时，检索提醒详细信息、识别受影响的资产并提取用户上下文。
    • 网络威胁情报 (CTI) 研究员：研究与特定提醒相关的威胁行为者策略。此智能体通过查询威胁情报平台，将内部失陷指标 (IOC) 与已知威胁行为者群组和记录在案的战术、技术和程序 (TTP) 相关联，从而对活动进行风险评估。

代理系统架构图展示了一个使用两个 SOC 角色类型的示例架构。根据您的具体应用场景，您可以部署其他 SOC 角色或创建自己的自定义角色。如需查看可帮助您增强安全运维能力的更广泛的 SOC 角色列表，请参阅 SOC 角色。

RAG 知识数据库
此数据库为检索增强生成 (RAG) 提供接地来源。该数据库用于为智能体提供突发事件响应方案和 AI Runbook。AI 运行手册是以智能体技能形式提供的规范性工作流。
制品服务
一种代管式服务，用于在 Cloud Storage 中存储调查报告和证据。
记忆库
一个永久性状态管理系统，用于存储自定义记忆主题，并让智能体在不同会话中保持有关环境和威胁上下文的信息。
AI 模型
为了提供推理服务，此架构中的代理使用 Agent Platform 上的最新 Gemini 模型。
MCP 服务器
MCP 服务器可帮助访问工具，并标准化智能体与工具之间的交互。对于每个智能体-工具对，MCP 客户端都会向 MCP 服务器发送请求，智能体通过该服务器访问工具，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够检索接地数据，例如相应的 AI 运行手册、突发事件响应计划、之前的报告、内部文档和 playbook。
ADK
ADK 提供用于开发、测试和部署智能体的工具和框架。 ADK 抽象化了智能体创建的复杂性，让 AI 开发者可以专注于智能体的逻辑和功能。

该架构显示了以下数据流：

  1. 安全分析师向 SOC 管理器（一个协调器智能体）提交请求。例如，分析师提交了调查支持请求 #37。
  2. 部署在 Cloud Run 或 Gemini Enterprise 上的应用会将请求路由到 SOC 管理器。
  3. SOC 经理使用 Gemini 来解读用户的请求。
  4. SOC 管理员执行以下任务来收集请求的上下文：
    1. 向 RAG 知识库发送查询，以提取相应的 AI 运行手册（以 AI 技能形式呈现的规范性工作流）和突发事件响应计划。
    2. 提取之前的记忆，以确定代理系统是否分析过类似事件。
    3. 检查制品服务中是否存在与请求相关的现有报告或证据。
  5. SOC 管理员使用 Gemini 及其检索到的上下文将请求分解为一系列子任务，并确定合适的工具。
  6. SOC 管理员会将子任务动态定向到专精化子智能体，例如 Tier 1 分析师和网络威胁情报 (CTI) 研究员。
  7. 每个子代理都会执行以下操作，以执行其分配的子任务：
    1. 使用 Gemini 解读任务目标。
    2. 从 RAG 知识数据库、记忆和工件中提取相关上下文。
    3. 使用 MCP 服务器收集以下额外情境信息，以使回答更贴合实际：
      • 知识文档，例如之前的报告、内部文档和剧本。
      • 使用 Google SecOps 和 Google Threat Intelligence 中的数据的安全情报和遥测。
    4. 使用 Gemini 及其检索到的上下文来生成发现结果。
    5. 将研究结果整理成结构化摘要。
    6. 将中间响应转发回 SOC 管理器。
  8. SOC 管理器从子代理接收中间响应，并根据 AI 运行手册要求评估结果。
    1. 如果调查结果不符合评估标准，SOC 管理器会重复分析用户请求，并将子任务委托给子代理以收集更多数据。在此迭代循环期间，SOC 管理器会保留之前的上下文链，以便为后续的工具调用和子代理委托提供信息并进行增强。SOC 经理会继续执行此循环，直到发现结果符合评估标准。
    2. 如果发现结果符合评估标准或退出条件（例如最大迭代次数），则 SOC 管理员会执行以下操作：
      1. 使用 Gemini 将所有子代理的发现结果整合到调查报告中，并将报告保存到 Artifact Service。
      2. 使用 Google SecOps MCP 服务器将结果发布到案例墙。
      3. 将新的记忆保存到 Agent Platform Memory Bank。
  9. SOC 经理将工件链接和报告摘要发送回安全分析师。

使用的产品

本文档中的智能体系统架构使用以下 Google Cloud产品和工具：

如需了解如何为智能体 AI 系统选择替代组件（包括框架、Agent Runtime、工具、记忆和设计模式），请参阅选择智能体 AI 架构组件。

设计考虑事项

本部分介绍了一些设计因素、最佳实践和建议，您在使用此参考架构开发满足特定安全性、可靠性和费用要求的拓扑时应考虑这些内容。

本部分中的指导并非详尽无遗。如需详细了解设计因素和最佳实践，以及有关构建和部署多智能体 AI 系统的建议，请参阅 Google Cloud中的多智能体 AI 系统。

安全性、隐私权和合规性

为了帮助应对 AI 智能体特有的安全风险，Google 建议采用一种方法，将确定性安全控制与基于推理的动态防御相结合：

  • 人工监督：在业务关键型系统中纳入人机协同流程，以便人工监督员可以审核输出并批准、覆盖或暂停智能体操作。
  • Agent Identity：为每个智能体分配一个与工作负载绑定的身份，以强制执行最小权限访问权限控制，并集中管理外部工具的凭证。
  • Agent Gateway：通过 Model Armor 强制执行入站和出站流量治理、默认拒绝访问政策以及内嵌提示和工具检查。

  • 代理注册表：验证代理是否仅连接到已获批准的子代理和 MCP 工具。

  • 身份验证环境：为帮助确保跨环境的无缝身份验证，请配置部署流水线，以管理从开发身份验证策略的转换。例如，您可能需要从本地执行中的应用默认凭证 (ADC) 转换为 Identity and Access Management (IAM) 为生产环境中托管的远程 MCP 服务器管理的服务账号。

可靠性

为确保代理配置符合可靠性要求，请考虑以下建议：

  • 智能体范围界定：为了提高模型准确率，请界定每个智能体的 runbook 和系统指令的范围。
  • MCP 架构兼容性：为防止 AI 模型错误解读工具定义并做出错误的工具调用，请清理工具架构。为 JSON 架构 $ref 和 $defs 创建自包含的结构，并对大写类型字符串进行归一化处理。

费用优化

为确保代理配置符合您的费用要求，请考虑以下建议：

  • 智能体工具访问权限：为了减少 token 消耗并强制执行最小权限原则，请根据需要向不同的智能体提供工具子集。
  • 上下文窗口管理：为最大限度地减少 token 消耗，请将提示和工具输出设计得简洁明了。使用 RAG 代码库，并使用代理技能预加载上下文和总结大型工具响应。
  • 提示缓存：如需降低输入词元费用，请缓存静态代理内容，例如系统指令、角色、运行手册和工具架构。
  • 模型选择：为 AI 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的模型。对于复杂的推理和任务分解，请使用 Gemini Pro 等思考模型。对于小型直接任务，请使用快速且低成本的模型，例如 Gemini Flash。

部署

如需部署可提供自定义 SOC 代理的此架构的示例实现，请使用 GitHub 中提供的 Agentic SOC Gemini Enterprise 代码示例。

我们建议您按以下顺序对代理进行迭代：

  1. 使用 ADK Web 在本地部署：加快原型设计速度，快速迭代智能体逻辑。
  2. 部署到本地容器：确保环境可移植且不可变，并具有一致的依赖项。
  3. 将容器部署到 Cloud Run 或 Agent Runtime：扩缩智能体以实现高效的安全运维，并将应用从开发环境迁移到生产环境。

后续步骤

贡献者

作者：

其他贡献者：