在 Cloudflare 上构建基于证据的多智能体安全运营框架
内容提要
Cloudflare 构建了多智能体安全运营系统，用于处理海量安全告警。系统先以确定性代码收集证据并过滤噪音，再由四个专业智能体并行分析流量、客户背景、全球遥测和威胁情报，最后由综合智能体生成建议。人工分析师负责最终决策，系统可区分证据缺失与无匹配结果，并支持自动推荐修复规则。
延伸解读
确定性侦察：可复现分析的基础
文章强调，在调用任何AI推理之前，系统先以确定性代码执行固定侦察工作流，收集客户身份、检测历史、流量基线等数据，并记录来源、版本和时间戳。这使同一快照可被重放，确保不同专业智能体之间的差异来自解释而非数据检索，从而提升分析的可复现性和可审计性。
专业分工：降低幻觉与范围漂移
单一通用智能体曾出现三类问题：上下文被当作权威、范围漂移、失败不可见。Cloudflare改为由协调智能体并行运行四个专业智能体，分别分析流量、客户背景、全球遥测和威胁情报，再由综合智能体汇总。每个任务范围狭窄，使无依据的声明更易被发现，建议也更易审计。
证据缺失与无匹配的区分
系统明确区分三种状态：未检查、已检查但无匹配结果、已检查且有证据支持缺失。当全球遥测不可用时，系统能描述客户层面的异常，但无法判断该模式是否普遍。证据不足时，系统不会给出分类或处置建议，避免将缺失误判为安全。
人工决策与修复闭环
最终决策和缓解措施仍由Managed Defense分析师负责。系统生成的建议可包括限速规则、WAF自定义规则或DDoS防护调整，完全托管客户的分析师可直接应用，其他客户则通过仪表板接收建议。每个警报和案例都附带证据，分析师可接受或修改AI建议，形成从证据到行动的闭环。
Q&A
Cloudflare 的多智能体安全运营框架是如何工作的？
该框架先由确定性代码执行侦察工作流，收集客户身份、检测历史、流量基线等证据并过滤噪音；然后由协调智能体并行运行四个专业智能体（流量分析、客户背景、全球遥测、威胁情报）进行分析；最后由综合智能体生成建议，人工分析师负责最终决策。
为什么单一 AI 智能体在安全运营中会失败？
单一通用智能体存在三个问题：上下文被当作权威（检测是假设而非证据）、范围漂移（可能查询错误的账户或时间范围）、失败消失（无法区分“未检查”和“已检查但未找到”）。因此 Cloudflare 将证据收集和范围强制移到应用代码中，在模型分析前完成。
系统如何区分证据缺失和没有匹配结果？
系统在咨询报告中明确区分三种状态：未检查、已检查但无匹配结果、已检查且有证据支持缺失。如果某个来源失败（如超时），系统会保留已收集的证据并记录缺口，在证据不足时不做分类或处置建议。
四个专业智能体分别负责什么？
流量分析智能体审查请求行为、历史变化和执行情况；客户背景智能体审查早期告警、处置记录和分析师决策；全球遥测智能体比较隐私保护的互联网范围信号；威胁情报智能体检查已纳入告警或案件的指标。
系统如何利用历史数据来辅助决策？
侦察档案记录告警自身的跟踪记录，包括该服务告警触发了多少次、其中多少次被处置为误报以及分析师结论。已批准的背景上下文从之前的告警和案件中检索，使昨天的结论延续到今天的决策中，而不是从头重建。
系统如何确保全球遥测分析不侵犯客户隐私？
全球遥测专业智能体仅使用聚合数据，从不接收其他客户的个人记录或身份信息。它结合 Cloudflare CDN、WAF、DDoS、Turnstile、Rate Limiting 和 Cloudforce One 威胁情报的特征，在保护隐私的同时提供全球上下文。
系统如何生成修复建议？
咨询报告可能建议对滥用路径设置速率限制规则、对签名设置 WAF 自定义规则或更改 DDoS 保护。对于完全托管客户，Managed Defense 分析师可以应用建议的规则；其他客户会在仪表板和告警路径中收到建议。
人工分析师在系统中的角色是什么？
人工分析师（Managed Defense 分析师）负责最终决策和任何缓解措施。他们可以检查证据、进一步调查、修改建议或将告警分组到案件中。系统提供证据支持 AI 建议，但模型无权跨越租户边界或代替分析师行动。
