从RSAC2026看安全运营技术发展趋势(2)：Agentic SOC厂商最新进展
原创 Benny Ye 2026-06-16 12:00 北京
Agentic SOC技术路线逐渐清晰，技术架构逐渐明朗，厂商侧和用户侧都将迎来变革。
【引言】 今年以来，Agentic AI for SecOps比去年更加火爆。尤其是OpenClaw以及Hermes等智能体系统在国内的出圈，人们（包括安全业界）对智能体助力安全产生了极高的期待。而事实上，根据笔者的观察，企业生产级的安全智能体系统寥寥，其应用普及还有很多障碍需要跨越。而前不久结束的RSAC2026大会上，安全厂商们纷纷展示了自己的安全智能体系统，虽然有的也很夸张且不实际，但也不乏接地气的产品和应用场景。会上还有不少企业现身说法，展示了大量贴近实战的Agentic SOC落地成果与踩坑经验。笔者认为，深入研究RSAC2026大会上有关智能体的内容，对于我们开发实战化的企业级安全智能体应用（譬如Agentic SOC）或有裨益。
为了更深入分析RSAC2026上的安全运营平台（主要是Agentic SOC），今年度的文章分为四部分，分别是：
从RSAC2026看安全运营技术发展趋势(2)：Agentic SOC厂商最新进展
从RSAC2026看安全运营技术发展趋势(3)：Agentic SOC实战经验分享
从RSAC2026看安全运营技术发展趋势(4)：综合观察与反思
本篇为第二篇。
本篇核心发现：
国外厂商智能体落地节奏务实且谨慎，重打磨、不冒进；
“确定自动化流程执行+概率自主化智能体推理”的混合运营方式逐步成为共识；
数据底座正成为Agentic SOC能力分化的核心分水岭；
安全运营的厂商市场格局和用户人力结构正在发生变革。
厂商视角下的Agentic SOC最新进展
看看Splunk、Google、Elastic，以及一众创新公司在Agentic SOC领域的最新产品和功能发布。
Splunk：五层概念模型、新功能、新交互
关键词：智能体信任与治理、联邦搜索、检测工作室、暴露分析、安全内容生成智能体、自主化调查画布
五层Agentic SOC概念模型
Splunk的SVP和安全业务总经理John Morgan在大会的主论坛发表了题为《从智能体前线汲取经验：SOC如何在AI时代制胜》的演讲。
演讲一开始，探讨了基于规则的分析系统和基于智能体的分析系统的本质区别，也即确定性系统和概率性系统的区别。如果说过去基于规则或者剧本的分析过程属于一种确定性控制的话，那么现在基于Agentic AI的自主思考过程来指导研判和动作执行的过程就属于一种概率性控制。
确定性在于结果可预期，而概率性系统结果无法完全预期。从好的方面来说，可能会产生意想不到的好结果。在科技生活中很多这种例子，譬如青霉素的发现，就源于一场意外。从坏的方面来说，就会产生意想不到的风险。因此，如果要把Agentic AI在企业级生产环境中用起来，就需要想法控制这个风险，也就是需要去驾驭这个Agentic AI，即现在所谓的Harness工程（驾驭工程）。
Agentic SOC(自主化SOC）就是一种驾驭Agentic AI用于安全运营的平台，将不确定性输出变成经验证的成果的系统。
John Morgan给出了一个五层的Agentic SOC概念模型。人类通过Agentic SOC与智能体进行协作，共同执行安全运营任务。
Agentic SOC的概念模型包括五层：
1）AI原生数据平台借助联邦式数据架构实现一个语义统一的逻辑数据中心；
2）分析和学习实现对安全数据的分析，以及基于这些安全数据和人机互动中产生的运营数据进行持续学习，获得自己组织独有的“部落知识”，从而实现更加自主的分析；
3）智能体信任与治理则实现对智能体工作过程和输出结果的控制与验证，确保智能体产生确定性的结果；
4）统一的工具和工作流程通过确定性的工具和流程连接SOC的内部和外部世界；
5）广泛的安全控制，确保SOC平台的运行环境是安全的，如权限控制、安全防护等。
在上述概念模型中，最核心的是智能体信任与治理，这也是驾驭智能体的关键。
这里的信任与治理又包括五个部分：智能体身份管理（非人类身份管理）、合规（如GDPR的数据遗忘权如何满足）、智能体自身安全的检测与响应、数据治理与数据完整性、智能体工作过程和输出结果的验证。
接着，Splunk的软件工程总监Fred Frey从落地的角度介绍了两个Agentic SOC 的工作场景。
第一个场景，展示的是安全分析师从操作者到编排者的工作方式转变。
系统在编排智能体的协调下，激活分诊智能体、富化智能体、猎捕/关联智能体和响应智能体协同自主地工作，完成一个相对完整的调查分析过程。分析师可以在调查仪表板中查看有关于被调查告警/事件的丰富上下文信息，甚至可能有的威胁已经自动处置。
同时，这个自主调查与响应的过程，也是自动的、大规模的获取部落知识的过程。安全运营部落知识（Tribal Knowledge）是指组织特有的，无法从外部直接获得（买到）的，需要自身持续归纳总结的，对于本组织的安全运营具有重要价值的知识，是一种隐形知识。
在笔者看来，这些知识主要通过智能体的记忆功能来提炼。进一步看，包括两类知识：1）数据类知识：要从智能体的实际工作过程中不断积累并更新；2）流程性知识（如某种分析的方法论、过程、步骤等）：要让智能体从观察人类的操作中习得。
笔者观点：智能体框架的核心设计在于记忆模块。
Fred Frey介绍的第二个场景，是主动合规检查。合规智能体能够根据报告的接收方（譬如外部合作伙伴）主动检查数据合规性。
最后，John Morgan表示，Agentic SOC还处于初级阶段，还有很多课题待研究，譬如以下三个：
1）定制化智能体，因为商品化的智能体无法知道你的业务流程、数据、查询结构、调查方式、报警方式，而只有通过便捷的定制智能体才能让其跟你自己的组织发生化学反应。【笔者注：这恰恰应证了前沿部署工程师（FDE）的作用】
2）信任校准：从HITL（人在回路）控制，到智能体替代人的参与性角色，再到访问控制，以及动作控制的全过程信任校准。HITL增加了智能体的可靠性，但也限制了运营的规模化。【需要考虑HITL和HOTL的结合】
3）大规模的智能体安全：Openclaw的成功极大地促进了网络中各种智能体的爆发式增长。这使得AI（包括智能体）正在成为新的黑客战场。Agentic SOC要保护包括自身所拥有的Agent在内的客户所有智能体（尤其是业务智能体）的安全。
新功能发布
在本次大会上，Splunk发布了Agentic SOC平台下的一系列功能，包括数据架构升级、新增安全内容开发模块、新增暴露管理模块、新增多个智能体，以及一个新的自主化调查画布功能。
数据架构升级：数据编织 & 联邦搜索
Splunk的网络安全战略全球副总裁David Dalling在主题发言中介绍了其最新的底层数据架构。
借助思科的数据编织技术，引入了联邦搜索功能，使分析师能够同时检索不同环境中的数据，而无需物理集中这些数据（譬如跨多云或多数据湖的数据分析），从而显著降低成本并加快调查速度。
笔者认为，Splunk显然认识到了数据底座对于Agentic SOC的作用，AI Ready的数据架构必定是一个基于数据编织的架构。
安全内容开发：检测工程的阶段性落地
检测工程，简单理解就是安全内容开发全生命周期管理。典型的安全内容包括日志解析规则、关联分析规则、剧本，甚至当下最热门的智能体技能。而检测工程遵循的是经典的DevOps开发模式。
检测工程是当今安全运营中的重要工作内容，贯穿安全运营的全过程，直接决定了安全运营的效果。最有效果的安全内容一定是跟你的业务系统和安全目标绑定的，是厂商提供的内容和开源内容所无法给与的。检测工程是一个实打实的运营的活儿。
这次，Splunk发布的是一个名为“Detection Studio”（检测工作室）的模块，为检测工程师提供了一个统一的工作空间，用于规划、开发、测试、部署、管理、监控、验证检测规则。
【注：这个检测工作室只是统一管理Splunk的检测规则，还不涉及其它安全内容】
暴露管理：Splunk从SIEM向安全平台演进
Splunk作为SecOps领域的老登，明显感受到了来自PAN和CrowdStrike等SecOps新玩家的冲击。这两家公司在2025年首次打入Gartner SIEM魔力象限，并且仰仗的都是在国外称作“安全平台”的战略，笔者称之为“融合型安全运营平台”，简称"SOC全家桶2.0”。在这个全家桶里面，都集成了暴露管理功能，也就是资产和弱点运营的内容。此外，不仅是PAN和CS，微软、谷歌等等大厂的SOC也都加入了暴露管理的功能。因此，Splunk这次新发布暴露分析模块，也是为了赶趟儿吧。
由于Splunk并不具备攻击面评估、弱点扫描等底层功能，只能采集相关数据进行分析，因此可以把Splunk的新ES套件看作是一个“集成型安全运营平台”。
根据笔者的观察，目前来看，Splunk的暴露管理功能还比较初级，后续应该还有更多升级。
再次发布智能体：这是Agentic SOC的核心能力
前面分析了那么多，其实都是在围着Agentic SOC打圈圈，如果没有几个像样的智能体，怎敢自称Agentic SOC平台？
在本次大会上，Splunk再次发布了一系列智能体。为何要称“再次”？因为笔者在去年的调研中就说过Splunk在2025年9月份发布了6个智能体。对比这次大会上发布的6个智能体，几乎和去年发布的一模一样。去年发布的时候说2026年GA，今年大会上发布的时候大都还是处于Alpha版，看来距离正式上线还要假以时日。
2026年RSAC上“再次”发布的6个智能体介绍如下：
检测构建智能体（ Alpha 版本即将推出） ：该智能体可帮助 SOC 团队在几分钟内准确地将检测假设转化为生产环境，使团队能够快速导入、调整和标记检测结果。
SOP智能体（ 云端版本即将推出 ）：SOP 智能体利用多模态 LLM 将安全标准操作程序 (SOP) 导入 Splunk ES 响应计划。其他代理随后可以根据 SOC 的定义执行这些 SOP，从而显著加快可重复流程。
告警分诊智能体（Alpha 版本即将推出） 该智能体有助于自主丰富、确定优先级和解释告警，从而大大减轻分析师的疲劳。
恶意软件威胁逆向分析智能体（ 目前在 Splunk 攻击分析器中可用 ）：该智能体可让分析人员即时了解恶意软件威胁，提供恶意脚本的摘要和逐步分解。
引导响应智能体（ Alpha 版本即将推出 ）：引导响应智能体会根据您安全运营中心 (SOC) 的标准操作程序自动执行响应操作（例如隔离）。
自动化构建智能体（ Alpha 版 ）：该智能体可将自然语言转换为符合您特定流程和用例的功能性、经过测试的 SOAR 剧本。这可以显著加快 SOC 团队的自动化进程，并支持新工作流程的开发。
除了再次发布这些智能体，David Dalling还为我们呈现了一个基于这些智能体的TDIR架构。
在这个架构中，4类智能体位于核心位置，相互协作【提示：有心的读者可以仔细推敲一下四类智能体之间的互动模式（摆放位置）】，并通过一个名为自主化调查画布的协作层跟用户交互。
自主化调查画布：面向智能体时代的新交互方式探索
如果说这次Splunk在本次大会上发布的Agentic SOC有什么亮点的话，自主化调查画布（Agentic Investigation Canvas）可称其一，这代表了面向智能体时代的人机交互新模式的最新探索。
笔者在《从RSAC2025看安全运营技术发展趋势》一文中，有专门的章节分析过这个话题。笔者当时写道：“对于Agentic AI时代的多轮交互和内容生成的结果展示还没有形成良好实践。很关键的一点就在于这个交互过程是动态的，生成的内容本身事先是不可控的，不能采用固定的UI设计，而要采用自适应UI设计。”
一年来，笔者一直关注这个话题。从GenAI时代开始，用户交互界面（UI）设计一直存在LUI（自然语言交互界面）和GUI（图形交互界面）之争。而二者优劣势都很明显。尤其是经典的LUI——Chatbot（对话式交互模式）存在很多问题，效率很低。Forrester的一项调查表明，Chatbot模式使用率很低，如下图所示：
我们需要一种融合LUI和GUI的全新交互模式，去适配智能体时代。
而此次Splunk发布的自主化调查画布是在这个领域的一次探索。
这是一个LUI和GUI混合的界面。基于这个交互界面，Splunk试图让用户进行一站式的“提问——洞察——响应”闭环。
提问：输入你想了解的内容，例如：“展示近期来自非纳管设备的高风险登录”
查看：AI工作台基于真实安全数据动态生成图表、表格、时间线
执行：在工作空间内直接发起SOAR动作，如IP富化、获取用户信息、校验IOC历史
David Dalling表示，这个全新交互模式改变了过去20多年来传统的SecOps分层交互模式。用户首先通过LUI进行提问（如上图左侧所示），然后会在GUI中针对这个问题进行答复，并且是以仪表板的形式（如上图右侧所示）。更重要的是，这个仪表板呈现的内容完全是根据问题动态生成的，里面展示的内容是给用户提供这个问题的洞察，帮助用户对问题进行深入调查。用户可以不断提问，然后不断出现新的仪表板，仪表板也支持钻取交互。此外，这个界面还是协作式的，用户可以呼叫其它人加入到这个调查会话中来，协同处理其中的问题。在调查的时候，可以随时调用剧本进行分析或处置，调用特定智能体去产生并发送报告。
Google：将智能体嵌入到剧本中
Google的自主化安全运营平台兼具AI助理和智能体功能。
AI助理的后台LLM采用在Gemini基础上微调的SecLM平台，支持以下关键功能：
生成查询策略
生成关联分析规则
查询威胁情报和进行通用安全提问
查询平台使用说明
生成剧本
生成案例摘要信息仪表板
智能体则是Google大力发展的一项能力，是其Agentic SOC战略的关键能力。该愿景在RSAC2025上发布。
Google Agentic SOC战略主要包括三个部分：自主化数据与集成管理、自主化安全工程、自主化SOC分析师。
在2025年8月，Google对外发布了告警分诊与调查智能体的预览版，目前也是唯一正式上线的官方SecOps智能体。该智能体能够调用查询工具、威胁情报富化工具、命令行分析工具和进程调用分析工具。【注：Google支持自定义智能体功能，但需要使用额外的工具进行开发】
在本次RSAC2026上，Google没有发布新的智能体，而是发布了一个“自主自动化”（Agentic Automation）功能，允许安全团队使用智能体增强自动化操作，从而将动态自适应人工智能与确定性自动化相结合。用大白话说，就是可以在剧本中调用智能体，从而扩展智能体的应用场景和价值。
笔者认为，尽管现在很多工具都支持在工作流中调用智能体，但更重要不在于这个功能本身，而在于这个功能背后所代表的一种在安全运营实战中将确定性系统和概率性系统有机结合的思维方式。
需要特别指出的是，在本次大会之后的4月29日Google Cloud Next 2026大会上，Google发布了三个新的SecOps智能体：威胁猎捕智能体、检测工程智能体、第三方上下文智能体。
威胁猎捕智能体：自动从Event中查找可疑活动（基于行为体、恶意代码、工具、TTP等），并生成Case和猎捕报告。
检测工程智能体：发现检测覆盖范围的缺口并创建、测试和发布关联分析规则。【该智能体与Splunk的检测构建智能体是一个目的】
第三方上下文智能体：从各种第三方设备和系统中获取上下文信息并进行语义统一的输出，为告警分诊与调查、威胁猎捕等提供数据支撑。
需要注意的是，目前威胁猎捕和检测工程两个智能体尚处于预览阶段，而第三方上下文智能体还没有开放预览。可见，跟Splunk类似，Google的Agentic SOC战略落地速度也是谨小慎微（稳扎稳打）。
Elastic：结合确定性工作流和自主化工作流
Elastic的产品管理总监Mike Paquette介绍了一个Agentic SOC的框架，并分析了确定性工作流（剧本）和自主化工作流（智能体推理）的关系，并强调将二者相结合，采用“AI+自动化”的混合式方法进行安全运营是最佳选择。其实，Elastic这个演讲中的“混合工作流”跟Google这次大会上发布的“剧本中调用智能体”是一个意思。
Mike Paquette表示，随着自动化和AI的应用，未来的SOC组织结构正在从金字塔结构向钻石结构演进【跟Gartner的分析一致】。
关键就在于初级的告警分诊人员将大幅减少，其工作将主要由自动化和AI技术承担。同时，在人员的岗位职责要求上，也将发生变化，至少要新增很多与善用AI相关的技能要求。
Mike Paquette给出了一个基于OODA的Agentic SOC的概念框架，并描绘了每个阶段的Agentic AI应用场景。
1）在观察阶段，智能体可以帮助快速接入数据源、解析日志。同时，这个阶段也是在向平台注入本地知识，为智能体提供上下文。
2）在定位阶段，智能体可以帮助进行攻击链分析，将大量告警拼接到一起。这个阶段是目前智能体应用最活跃的，核心是智能告警研判。
3）在决策阶段，智能体不仅可以跟分析师聊天，更可以自主进行事件调查，包括告警和实体信息查询、告警信息总结、执行调查剧本、查询历史工单，等等。
4）在行动阶段，智能体可以发起响应和修复工作流程，但需要人的监督，并且流程落地还是以剧本为主，执行确定性的步骤。这个阶段，AI和自动化要相互结合。
接下来，Elastic的主任产品经理Tin Erkailo为大家进行了从告警到案例的闭环处置过程演示。
首先演示了告警研判智能体。分析师在查看告警的时候，可以激活告警研判智能体，自动调用工具、查询语句和推理步骤，判断告警的真假和处置优先级，帮助分析师高效研判。
分析师可以查看智能告警研判的每步推理过程。
接着，Elastic产品经理演示了系统在后台自动批量进行告警研判的功能——“攻击发现”。该功能能对指定的一批告警进行攻击分析（告警研判），判断网络中是否存在较大的攻击，将相关告警聚合到这个攻击之下，并形成攻击链。在分析师可介入的条件下（人在回路），调查结果能够产生事件，并送入案例模块进行处置。
以上3个截图展示了一个攻击链的分析过程：Web shell入侵→特定主机沦陷→账户接管（使用可疑用户"backdoor admin"），输出内容包含攻击摘要时间线（事件/实体/行为）和关联警报列表（39条）。
值得注意的是，这个“攻击发现”功能后台对应的是一个工作流，而非简单的智能体。以下截图展示了这个工作流：
可以看到，告警研判（对应工作流的Alert Triage智能体）只是这个工作流的一个节点。也就是说，对于一个具有确定步骤的自动化分析过程，采用工作流（剧本）是最佳选择，譬如上面工作流中的创建案例、主机隔离等等。但是这个剧本也不是常规的剧本，在里面调用了智能体，用于完成某个具体的自主化任务。而这，正是Elastic这个演讲想要表达的思想：结合确定性工作流和自主化工作流的混合式运营过程，也是将AI与自动化结合的典型场景。
进一步，从攻击发现到案例处置并不是完全自动化，分析师可以主动介入。譬如可以针对某个攻击发起进一步协作调查，如下图所示（发送到Slack中进行协同）：
这相当于一个作战室，经过团队协作，反复调查验证，最终手动产生案例，交给响应组进行处置（有可能已经自动化处置的差不多了）：
在案例中记录了所有的自动化、AI和人工调查与处置的全过程，以便审查。
最后，Mike Paquette给出了迈向AI自主化的切实可行路径：先做好基本的自动化，再逐步引入自主化，最后实现自动化+自主化的混合式运营。隐含的意思，不要去追求完全自主化！
SentinelOne：告警研判智能体
SentinelOne在本次大会上发布了一系列AI安全产品和新功能，包括保护AI和利用AI两个方面。
在保护AI方面，发布了基于2025年收购的Prompt Security发布的最新AI安全解决方案，并将其扩展到了对智能体的安全防护，以及针对AI安全的渗透测试和模拟攻击工具。
在利用AI方面，核心就是围绕其Autonomous SOC战略。此次大会上，SentinelOne正式发布了一个新的Purple AI功能——自动调查智能体（Agentic Auto Investigations），针对告警进行调查（研判）。分析师可以一键激活该智能体，突破了僵化的剧本模式，能够自主收集跨平台证据、综合威胁数据并实时构建完整的攻击时间线。它提供清晰、可解释的分析结果，并在分析师的参与下，通过剧本立即触发闭环修复。
下图是告警管理界面：
下图展示了一个告警的调查（研判）结果：包括关键发现、威胁摘要、研判结论、时间线、推荐后续步骤、最终评估等内容。
此外，SentinelOne在收购完Observo AI后，正在将其AI赋能的数据管道技术集成到SecOps平台中。笔者一直认为，数据管道是未来AI SOC的关键组件，是SOC智能体产生价值的基石。
DataDog：告警研判智能体
在数据驱动安全成为共识之后，SOC平台传统的大数据架构越来越无法适应新的变化，尤其无法应对“数据引力”和Agentic AI时代的挑战。在这种情况下，很多可观测性平台厂商嗅到了机会，纷纷踏足SecOps领域，譬如Elastic就凭借其在数据采集与分析领域的积淀进入了SecOps市场。随着以数据管道、数据编织为代表的新一代SecOps数据架构的兴起，更多的可观测性平台领域的公司（譬如DataDog、Cribl）进入SecOps赛道，还有很多传统的SecOps厂商大举收购数据管道初创公司改进自身数据架构（譬如SentinelOne收购Observo.AI，CrowdStrike收购Onum等）。此外，PAN收购了Chronospher反向进入可观测性平台市场，未来也可能以此进一步提升其SecOps的能力。
作为在可观测性平台领域的领头羊，DataDog也开始布局SIEM产品，并在2025年首次进入了Gartner的SIEM魔力象限。DataDog Cloud SIEM产品中也引入了一个告警自主调查智能体。
在本次大会的briefing环节，DataDog演示了他们集成在Cloud SIEM中的“Bits AI安全分析师”调用告警自主调查智能体进行调查研判的功能。
值得一提的是，DataDog的告警调查智能体是在2025年6月发布预览版的，而在本次大会上进行了正式发布（GA）。
用户可以配置自动调查策略或者手动发起调查，下图展示了一个信号（即告警）的调查结果，包括：
总体结论
用于得出该结论的关键证据
调查措施揭示了 Bits AI 的数据查询情况，包括嵌入的结果以及查询的完整链接。
对每一步调查步骤的分析
告警调查智能体以MITRE ATT&CK框架为基础，系统地规划并执行调查的每个步骤，并根据观察到的证据调整分析方法，还能通过查询历史告警以及生成告警的事态，并将这些数据关联起来，提供清晰、有上下文的分析报告。
该智能体最关键的结果就是给出告警的研判结论：良性还是可疑。用户在审查后可以对良性告警进行关闭归档，对可疑告警采取进一步的处置措施，或者升级到案例中进一步排查。
此外，DataDog还演示了其SIEM的威胁情报功能、UEBA功能、风险评分功能等。
Databricks：杀入Agentic SOC市场
本次大会上，作为数据与AI领域的超级独角兽，Databricks的CEO及联合创始人Ali Ghodsi亲自站台进行演讲，并请来公司金主A16Z的联合创始人Ben Horowitz登台助威，分享他对Agentic AI时代重塑安全的理解，认为安全平台到了根本性变革的时候，并发布了Agentic SIEM产品——LakeWatch，正式杀入网络安全市场【笔者注：根据官网信息，LakeWatch目前处于私人预览状态】。
根据外媒报道，为了打造 Lakewatch，Databricks 收购了两家安全初创公司：
Antimatter：做智能体部署和敏感数据保护的数据控制平面。该公司由安全研究员 Andrew Krioukov 创立，他现在是 Databricks 的 Lakewatch 团队的负责人。
SiftD.ai ：做人机协作的交互式notebook，用于安全工程，譬如自动生成各种安全内容，由前 Splunk 首席科学家 Steve Zhang 领导，他曾创造了Splunk的SPL。该收购主要目的是增强 Databricks 的Agentic AI能力。
言归正传。大会上，Ali Ghodsi先请Ben Horowitz回顾了一番网络安全问题的起源和发展历程，以及当前Agentic AI带来的新挑战，并演示了通过OpenClaw进行漏洞扫描和漏洞利用的例子。
接着，Ali Ghodsi通过列举AI时代的安全攻击案例，指出当前网络安全形势岌岌可危：根据zerodayclock的统计，平均漏洞利用时间（从CVE漏洞公开披露到首次确认该漏洞在野利用的时间差）从2018年的2年缩短到2022年的9个月，然后在ChatGPT发布后开始急速缩短，直到2026年已经骤降至1.3天。
那么AI时代，网络安全应该如何改变呢？Ali Ghodsi话锋一转，将矛头指向了当前安全防御的核心平台——SIEM，细数传统SIEM的种种缺陷：
防御现状：当前SecOps体系存在架构和定价模型问题。
数据问题：大量数据未被捕获或仅短期保留，影响长期威胁追踪。
成本限制：数据存储和分析成本高昂，导致选择性过滤数据。
技术局限：现有系统不支持多模态数据（如视频、音频、聊天记录）。
检测流程：威胁检测高度依赖手动设置和操作，效率低下。
警报数量：组织每周面临数千至数万安全警报，处理压力巨大。
人力需求：处理警报需要大量人力资源，远超实际可用。
威胁应对：面对自动化攻击，人工防御难以有效应对。
系统缺陷：当前防御系统存在数据不完整、处理延迟等问题。
Ali Ghodsi给出了一组吓人的数据：
然后，抛出了一张“标题党”胶片。
笔者表示，作为一场发布会，就不说啥了。他的原意是：AI杀死了传统SIEM。也就是说：Agentic AI时代需要新的SIEM。
接下来，Ali Ghodsi给出了DataBricks的Agentic SIEM解决方案。
Ali Ghodsi表示，该解决方案的关键优势是：
开放格式的安全湖仓数据底座：采用云或本地廉价存储，整合多源数据，采用开放格式（Parquet/Delta/Iceberg等）存储，避免厂商锁定。
联邦数据技术：允许访问外部系统数据，作为迁移过渡方案。
智能体驱动的架构：通过可组合的开放智能体（如Agent Bricks）实现自动化检测和响应。
数据分级架构：青铜（原始）-白银（清洗）-黄金（分析）三级数据治理模型（奖牌架构）。
OCSF框架应用：自动实现数据标准化到OCSF数据规范格式。
自动化检测流程：包括假设生成、检测编写、数据丰富和威胁评审。
智能事件响应：智能体优先处理告警，完成初步分类和调查。
渐进迁移策略：分阶段将数据从专有系统转移到开放湖仓，消除专有系统对用户的锁定风险。
在笔者看来，LakeWatch最厉害的地方还是在于报价模式。作为一个SaaS产品，它只收取数据的处理费（算力费用，以DBU计），而几乎不收取数据的存储费（只按网盘计费），相较于其它传统的以数据存储容量（GB）计费的模式便宜了80%以上，这才是市场的杀手锏。
在LakeWatch产品演示环节，DataBricks的工程师首先演示了产品首页（摘要页）的AI功能。通过激活Genie（DataBricks的AI品牌），在侧边栏会针对当前整体安全状况进行一个概述性分析，并可以推荐用户关注什么威胁，以及下一步可采取的行动指南。
接着，演示了AI创建检测规则的能力，包括规则的研究、编写、格式检查、内容优化、数据验证、部署上线，等。笔者认为，鉴于DataBricks成熟的数据模型和查询语言，Genie生成基于查询的检测规则不是难事。
工程师重点演示了系统的关键功能——事件调查智能体（LakeWatch中称作"安全案例调查“）。
在案例功能中打开某个案例，然后激活Genie，启动案例调查。
上图中是一个”可疑API请求“的弱信号（严重性为”信息“），事件调查智能体会对这个低危事件进行深入分析，会查威胁情报，分析API返回的内容，分析请求中的代码，找到代码里面的后门，分析这个后门什么时候引入的，此前是否被使用过？都被用来干了什么？还有其它类似后门吗？调阅Jira看看以前有人曾发现并处理过这个问题吗？当时怎么处理的？最终，给出安全处置建议。
最后，Ali Ghodsi发出号召，拥抱一个开放的、智能体优先的Agentic SIEM。
笔者认为，继可观测性厂商纷纷入局Agentic SecOps之后，以Databricks为代表的数据与AI公司也借Agentic AI之势进入这个市场，进一步印证了笔者”数据底座是未来Agentic SecOps平台的基石“的论断。
此外，LakeWatch也对一些SIEM厂商（尤其是SaaS模式的厂商）的影响。因为不少SaaS SIEM厂商和MSSP/MDR（如Artic Wolf）基于Databricks或者Snowflake等构建自己的云端安全数据架构，大家是生态伙伴，而LakeWatch的出现显示Databricks要亲自进入这个市场，势必跟这些SIEM厂商产生竞争，迫使那些SIEM厂商必须加强自身在数据之上SecOps业务能力。
Cribl：夯实未来SecOps平台的数据底座
作为一家以开放式数据管道为核心的数据管理公司，凭借其新一代数据平台架构，一直为安全数据和可观测性数据提供数据引擎支撑。随着新一代安全数据架构的出现，Cribl的价值越发凸显，成为大量SIEM产品的前置数据管道。
本次大会上，Cribl做了一个名为《Why High-Quality IT and Security Data is the Fuel For Agentic AI》的简报，揭示了为何数据质量、富化和上下文对于值得信赖的自主式工作流程至关重要，并进行了如何构建AI就绪的数据基础设施的演示。
小结
纵观RSAC2026主流厂商Agentic SOC产品迭代进展，本届大会清晰呈现了全球安全运营平台发展的几个关键趋势：
第一，全球厂商智能体落地节奏务实且谨慎，重打磨、不冒进。本次所有主流厂商发布的安全运营智能体，大多处于Alpha、预览、Beta阶段，核心的告警研判、威胁猎捕、检测工程、事件调查能力均未全面规模化GA。海外厂商普遍采用“小场景试点、人机协同兜底、持续迭代校准”的落地路径，优先解决告警分诊、事件富化、攻击链梳理、规则生成等高频刚需场景，坚决控制智能体自主权限，通过信任治理、可验证、可审计、可追溯体系规避AI幻觉与失控风险，恰好印证了本系列文章第一篇中“安全与信任是智能体落地核心瓶颈”的核心结论。
第二，在企业生产级安全运营领域，“确定性自动化流程执行+概率性自主化智能体推理“的混合运营方式逐步成为共识。与当下热门的OpenClaw、Hermes等高度自主化智能体构建思路不同的是，针对企业级生产环境中的自主化安全运营，无论是Splunk的五层治理模型、Google的剧本内嵌智能体、Elastic的OODA混合工作流，还是SentinelOne、DataDog的告警研判智能体，核心逻辑高度统一：固定、标准化、可复盘的运营流程依靠传统剧本与自动化承载，复杂、不确定、需要上下文推理的告警研判、事件调查、风险挖掘交由智能体完成，同时全程保留人在回路的监督与终审权限，拒绝无边界的自主化运营。这也印证了Agentic SOC中AI的核心本质：不是AI替代人，而是AI替代重复劳动，人聚焦于治理、决策、调优与高阶对抗。
第三，数据底座正成为Agentic SOC能力分化的核心分水岭。传统SIEM的瓶颈不再是检测规则与自动化能力，而是数据架构陈旧、成本高昂、数据孤岛、格式不统一、无法适配AI训练与推理需求。本届大会不同赛道厂商给出了差异化解法：传统SecOps厂商Splunk依托数据编织与联邦搜索实现跨多云数据统一分析；Elastic、DataDog依托原生可观测数据能力适配智能体场景；新兴数据厂商Databricks以湖仓架构、开放格式、分级数据治理重构SIEM底层，凭借成本与开放性优势跨界入局；Cribl则聚焦前置数据管道，为全行业Agentic AI提供高质量数据燃料；而CrowdStrike、SentinelOne等厂商则纷纷收购数据管道初创企业，改造自身数据架构。产业已经明确：智能体能力的上限，由数据架构、数据质量、数据治理能力决定。
第四，Agentic SOC正在推动安全运营的厂商市场格局和用户人力结构发生变革。厂商侧，纯安全厂商不再独享SecOps赛道，数据AI厂商、可观测性厂商跨界入局，行业竞争从安全功能竞争转向数据架构与AI工程能力竞争；用户侧，SOC团队从金字塔人力结构转向钻石结构，初级重复运营工作被自动化与智能体替代，分析师岗位向AI编排、智能体治理、检测工程、风险治理的高阶角色转型。
整体来看，RSAC2026展现的Agentic SOC已脱离概念炒作阶段，进入工程化落地、体系化治理、务实化迭代的新阶段。国内火热的安全智能体创新与海外厂商的谨慎落地形成鲜明对比，未来企业级Agentic SOC的建设核心，不在于堆砌智能体功能，而在于搭建适配自身业务的数据底座、建立智能体信任治理体系、构建人机协同的混合运营流程，最终实现用AI能力打造新一代安全运营体系的目标。
【参考资料】