文章总结： 文章探讨AIAgent在SOC中的应用,以ZOZO公司3人团队基于ClaudeCode构建SOCAgent为例,指出AI可承担Tier1级安全分析,减少重复工作,但面临幻觉、PromptInjection和工具调用风险等信任挑战。文章强调知识贬值而经验升值,安全工程师的价值在于经历真实世界形成的判断,而非掌握信息。建议人机协作遵循最小权限、可审计和人在关键节点参与的原则。 综合评分： 85 文章分类： 安全运营,AI安全,实战经验,安全意识,安全建设

当 Claude 进入 SOC：AI 时代，安全工程师的价值正在重新定义

原创

jishuzhain jishuzhain

OnionSec

2026年7月20日 11:52 广东

在小说阅读器读本章

去阅读

写这类文字更多是因工作因素驱动的，😓没有办法直接接触到合适的场景对象，只能通过推演分析的方式来梳理和记录下来一些想法。

以下是正文内容：

最近看到日本电商公司 ZOZO 分享的一项安全实践。

他们只有 3 人的 SOC 团队，却尝试基于 Claude Code 构建 SOC Agent，让 AI 参与安全运营工作。

看到标题的时候，第一反应其实很简单： AI 又进入了一个新的领域。 从写代码，到设计，到客服，再到安全运营。 越来越多专业工作开始出现 AI 的身影。 但仔细阅读这篇实践后，我觉得真正值得关注的，并不是“Claude Code 有多强”。 而是： 当 AI 开始参与专业工作后，人和工具、知识以及经验之间的关系正在发生变化。

从人操作工具，到 Agent 调度工具 过去的 SOC 工作，很多时候是这样的： 收到告警。 分析日志。 查询 IP。 搜索 IOC。 查看威胁情报。 关联用户行为。 整理调查结果。 发送通知。 这些工作当然需要安全经验。 但其中也包含大量重复性的操作。 安全人员大量时间消耗在： 打开不同平台。 复制信息。 切换工具。 整理上下文。 重复验证。 很多时候，真正困难的安全判断还没有开始，时间已经花费在信息搬运上。

ZOZO 的方案有意思的地方，在于它并不是简单增加一个聊天机器人。

他们通过 MCP 将 Claude Code 与 Splunk、OpenCTI 等安全系统连接起来。

Agent 可以主动获取日志、查询威胁情报、关联上下文，然后形成调查结果。 这和传统问答模式最大的区别是： 以前： 人提出问题，AI 给出回答。 现在： 人定义目标，Agent 调用工具完成任务。

这其实代表了一种工作方式的变化。 过去： 安全工程师操作工具。 未来： 安全工程师管理能够操作工具的 Agent。 工具没有消失。 SIEM 还在那里。 威胁情报平台还在那里。 SOAR 也还在那里。 变化的是： 谁负责串联这些工具。

AI 真正适合进入 SOC 的原因 很多人讨论 AI 时，会关注： “AI 能不能替代安全工程师？” 但这个问题可能过于简单。 更准确的问题应该是： “哪些安全工作适合交给 AI？” SOC 恰好存在大量适合自动化的场景。 例如： • 告警初筛； • IOC 查询； • 情报关联； • 日志搜索； • 调查报告整理。

这些任务具有几个特点： 第一，重复性高。 第二，流程相对明确。 第三，有大量历史数据可以参考。 因此 AI Agent 能够明显提升效率。

ZOZO 的实践价值，也并不是证明 AI 已经可以替代 SOC。 更准确地说： 它证明了 AI 可以开始承担一部分 Tier 1 级别的安全分析流程。 减少人工重复工作。 提升夜间覆盖能力。 让有限的人力投入到更复杂的问题中。

但这里有一个容易被忽略的问题： 自动化分析，不等于自动化信任。

安全领域最大的挑战：如何相信 AI？ 在普通场景中，AI 给出错误答案，可能只是降低效率。 但安全领域不同。 一个错误判断可能意味着： 放过真实攻击。 误封业务系统。 错误响应事件。 甚至扩大影响范围。 因此 SOC Agent 最大的问题，不只是： “它能不能分析？” 而是： “它的分析结果是否值得信任？”

例如，大模型幻觉问题。 安全调查需要证据链。 不是： “这个 IP 看起来像攻击。” 而是： 为什么？ 依据是什么？ 还有哪些可能性？ 一个成熟的安全分析，需要不断验证假设。 这也是经验丰富的安全人员价值所在。

另一个风险是 Prompt Injection。 未来 Agent 会读取越来越多的数据： 邮件。 日志。 工单。 威胁情报。 但这些输入本身可能包含恶意内容。 攻击者可能尝试影响 Agent 的判断流程。 因此未来安全 Agent 不仅需要更强的模型能力，也需要： 输入隔离。 权限控制。 行为审计。 安全边界设计。

还有工具调用风险。 Agent 最大的能力来自调用工具。 但风险也来自这里。 查询日志： 风险较低。 修改规则： 需要审批。 封禁账号： 需要严格控制。 删除数据： 更需要人工确认。 所以安全领域真正成熟的 AI Agent，不应该追求“无限权限”。 而应该遵循： 最小权限。 可审计。 可回滚。 人在关键节点参与。

AI 对不同安全岗位的影响，并不一样 很多人认为 AI 会影响所有安全岗位。 但实际上，不同方向受到的影响不同。 SOC 一级分析人员 影响最大。 因为大量工作本身就是信息整理和初步判断。 AI 可以承担越来越多重复任务。

威胁狩猎 影响更加复杂。 AI 可以帮助： 关联攻击路径。 查询异常行为。 分析大量日志。 但高级 Hunter 的价值在于： 提出假设。 发现未知模式。 从异常中发现新的攻击方式。 这部分依然依赖人的经验。

红蓝对抗 未来可能更加复杂。 攻击者同样拥有 AI。 自动化侦察。 自动化攻击链生成。 自动化漏洞分析。 防守方不能只是依赖工具。 需要更强的检测工程能力和体系化建设。

安全治理和架构 价值可能反而提升。 因为企业需要有人回答： AI 可以做什么？ 不能做什么？ 风险如何控制？ 责任如何划分？

知识越来越便宜，经验为什么越来越贵？ 最近几年还有一个明显感受。 AI 相关内容越来越多。 每天都有： 大模型。 Agent。 自动化。 未来趋势。 很多文章信息量很大。 但真正留下来的东西并不多。 因为信息本身正在快速贬值。 以前学习一个技术，需要： 买书。 查资料。 请教别人。 几年时间积累。 现在 AI 可以几秒钟告诉你： 什么是 Zero Trust。 什么是 Agent。 什么是 MCP。

但这并不意味着知识没有价值。 只是： 标准化知识越来越便宜，经过实践验证的理解越来越昂贵。

一个没有做过 SOC 的人，看见 ZOZO 的案例，可能想到： “AI 要替代安全工程师。” 一个真正做过安全运营的人，可能想到： “哪些流程可以自动化？” “哪些判断不能交给机器？” “如何保证调查过程可信？” “企业应该如何设计人与 AI 的边界？”

这也是我最近一年写东西时最大的变化。 以前关注更多的是： 工具怎么用。 技术怎么实现。 规则怎么优化。 后来慢慢发现，比技术本身更有意思的问题是： 为什么这个技术会出现？ 它改变了什么？ 它又重新定义了什么？

回头看过去几年做安全的经历，也有一点类似。 无论是恶意样本分析、检测规则建设，还是自动化分析平台，本质上都在做一件事情： 把人的经验沉淀给机器。 以前： 机器执行规则。 现在： 机器开始参与推理。 未来： 机器承担更多执行，人负责设计系统、判断风险。

所以 AI 时代真正的问题，也许不是： “人会不会被 AI 替代？” 而是： “当机器越来越擅长处理信息，人应该把自己的价值放在哪里？”

未来的信息一定会越来越丰富。 答案会越来越容易获得。 但一个人真正经历过什么。 如何理解这些经历。 如何把复杂的问题讲清楚。 这些东西依然属于人。

AI 可以快速生成一篇关于 SOC Agent 的文章。 可以总结一份技术报告。 可以解释 MCP 的工作方式。 但它无法替代一个安全工程师多年面对真实攻击、误报、压力和复杂业务环境后形成的判断。 因为： 知识可以复制。 经验不能复制。 而理解，始终需要时间。

技术一直在变化。 从规则，到模型。 从工具，到 Agent。 但最终的问题，依然关于人。 在一个告警越来越廉价的时代，安全工程师如何建立自己的价值？

也许答案不是掌握更多信息。 而是： 经历更多真实世界。 形成自己的判断。 并且，把这些判断分享出来。

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：OnionSec jishuzhain jishuzhain《当 Claude 进入 SOC：AI 时代，安全工程师的价值正在重新定义》