随着 AI Agents 超越旧有控制措施，Harmonic Security 融资额达到 7600 万美元

在企业 AI agents 带来旧有安全工具未被设计用于应对的问题后，Harmonic Security 融资 5000 万美元。本轮 Harmonic Security 融资使其披露的融资总额达到 7600 万美元。这也让公司的重心从监控员工提示词，转向控制能够调用工具并改变业务系统的软件。

Crosspoint Capital Partners 领投本轮 B 轮融资，现有投资者也参与其中。Harmonic 表示，目前已为 100 多家公司中的数百万员工提供保护。不过，这些采用数据与其性能主张一样，尚未获得详细的独立验证。

这项投资正值安全厂商竞相在运行时控制 agent 活动之际。Microsoft、Cisco、Palo Alto Networks、Check Point、SentinelOne 以及多家初创公司都在布局相关领域。这场竞争不再局限于识别聊天机器人提示词中的敏感文本，而是要决定哪些由机器发起的操作应被允许执行。

Harmonic Security 融资支持从提示词转向操作的转变

这笔新资金支持 Harmonic 尝试成为 AI agents 与其能够改变的系统之间的控制点。

Harmonic 于 2026 年 10 月 14 日宣布超额认购的 B 轮融资。该公司表示，将利用这笔资金扩展其在美国和英国的工程及市场拓展业务。

该公司在这两个国家的员工规模已超过 90 人。它还宣布与 Climb 和 Distology 建立分销合作伙伴关系。这些细节表明，本轮融资是扩张资金，而非为未经验证的概念融资。

Harmonic 的上一轮融资是由 Next47 于 2024 年 10 月领投的 1750 万美元 A 轮融资。其最新的融资公告称，公司目前累计融资已达 7600 万美元。

关键变化在于 Harmonic 希望观察的对象。其最初产品专注于员工与基于浏览器的 AI 服务之间的交互。这解决了一个常见担忧：员工可能会将凭证、客户记录或机密文件粘贴到未经批准的聊天机器人中。

过去一年中，Harmonic 将其宣称的覆盖范围扩展至桌面应用和 agentic 工作流。agentic 工作流让模型能够通过已连接的工具选择并执行操作，而不只是返回文本。

这一区别很重要，因为潜在损害不再止于信息泄露。已连接的 agent 可能读取代码库、查询数据库、发送消息、创建工单，或修改生产资源。

该公司表示，其平台能够发现 agents、Model Context Protocol 客户端，以及这些客户端所访问的服务器。通常被称为 MCP 的 Model Context Protocol，是一种将 AI 应用与工具及数据源连接起来的标准。

Harmonic 还表示，它会记录每一次工具调用。这形成了一条审计轨迹，显示哪个 agent 请求了操作、它选择了哪项工具，以及策略层如何响应。

该厂商描述了多种强制执行选项。企业可以允许读取代码库，同时阻止删除操作；可以允许数据库查询，但拒绝写入；也可以在消息包含凭证时将其拦截。

这些决策比批准或禁止整个 AI 应用更为精细。它们反映了企业 agents 如何跨越多个服务、账户和界面运行。

Harmonic 表示，自定义小型语言模型会在上下文中对每次交互进行分类。小型语言模型是针对较窄任务优化的紧凑型模型，例如识别敏感信息或用户意图。

该公司称，这种方法能够区分示例数据库架构与真实客户记录，也能区分占位符密钥与有效的访问凭证。

Harmonic 声称，其分类大约可在 200 毫秒内完成。它还声称覆盖超过 1000 个 AI 应用。这两个数据都无法证明该系统在不同语言、数据格式或对抗性输入下的表现。

因此，这笔融资支持的主张比传统数据丢失防护更广泛。Harmonic 希望理解员工或 agent 使用数据的原因，然后在不中断有用工作的情况下施加控制。

这一主张构成了本文的核心张力。安全团队需要更深入的可见性，但检查每一条提示词和工具调用会引入关于准确性、隐私、延迟和运营覆盖范围的问题。

AI Agents 给传统安全边界带来压力

AI agent 将用户权限、机器速度和不断变化的上下文结合在一起，使静态访问规则成为不完整的防御。

传统安全产品通常监控明确界定的对象和身份。终端工具监控进程。身份系统管理账户。数据丢失防护产品检查通过已知渠道流动的信息。

Agents 跨越了这些类别。一个编码 agent 可以在本地运行，通过开发者进行身份验证，调用远程模型，并连接多个内部系统。在每个单独步骤中，它的活动都可能看起来合法。

当这些步骤形成不安全的序列时，风险便会出现。一个 agent 可能获取敏感文件、对其进行总结，然后通过获批的消息传递工具发送摘要。每一项连接都可能获得授权，但组合起来的操作却违反了策略。

Agents 还会解读不可信信息。隐藏在文档或网页中的恶意指令可能影响后续操作。这就是间接提示词注入，即外部内容在没有攻击者直接发出命令的情况下改变 agent 的行为。

OWASP 的agentic 风险框架识别了影响能够规划、使用工具和做出决策的系统的威胁。超过 100 名专家、研究人员和从业者参与了该框架。

它的存在反映了安全架构的一项实际变化。模型输出如今可以成为可执行的决策。控制层必须评估内容本身，以及附加于该决策的权限。

设想一名软件开发者使用 agent 诊断生产环境故障。该 agent 可能需要源代码、日志、云文档，以及访问工单系统的权限。

一项简单地阻止机密数据的策略会让该工作流失去效用。过于宽松的策略则可能暴露凭证，或让 agent 修改线上环境。

Harmonic 提出的解决方案是在每次工具调用时进行内联检查。系统检查所请求的操作及其数据，然后允许、警告、引导或阻止。

该公司表示，被阻止的 agents 会收到与上下文相关的反馈。一个包含访问密钥的 agent 可以删除该值后重试，而不是放弃任务。

这一修复循环颇具吸引力，因为人工审查无法扩展到每一项由机器生成的操作。然而，它也赋予安全产品一项要求很高的责任：其解释必须足够准确，才能让另一个模型安全地据此行动。

压力首先落在首席信息安全官身上。他们必须支持 AI 的采用，同时保留调查、审计和监管审查所需的证据。

平台工程团队面临相关负担。他们需要连接有用的 agents，同时又不能为代码库、数据库、通信平台和云基础设施创建不受限制的访问路径。

AI 应用供应商同样面临压力。客户日益期待活动日志、策略挂钩和管理员可见性。一个不提供任何这类控制能力的封闭应用将更难获得批准。

Harmonic 通过集成作出回应，而非仅依赖浏览器检查。据报道，其 Claude Compliance API 连接可从 Anthropic 托管的部署中提取活动日志。Claude Enterprise 客户也可以通过该集成公开对话内容。

Anthropic 的合规接口为获批的企业系统提供了另一个集中式活动数据来源。然而，API 集成只能覆盖底层供应商记录并公开的活动。

Harmonic 还被列为 Cisco 云端 agent 工具的集成方案。该连接使用 MCP，使 Harmonic 更接近 agent 与其外部工具之间的路径。

这些集成表明，Harmonic Security 本轮融资的重要性不止于一家初创公司。企业安全架构正在转向可跨浏览器、终端、模型平台和工具连接跟踪 AI 请求的控制措施。

没有任何单一渠道能够提供完整图景。员工可以使用企业账户、个人账户、桌面应用、命令行客户端和本地托管模型。Agents 也可以在没有浏览器会话的情况下远程运行。

只能看见一个渠道的厂商，可能会制造一种误导性的控制感。成功的平台将需要广泛的发现能力和可靠的强制执行能力，同时不要求每个工作流都使用同一家模型供应商。

真正的竞争是运行时控制对阵碎片化安全体系

Harmonic 的主要对手并非某一家初创公司，而是企业内部既有的身份、终端、浏览器和模型专用控制措施构成的碎片化技术栈。

现有安全产品仍然不可或缺。身份系统决定哪个账户可以访问某项资源。终端检测工具监控进程和设备。网络控制管理连接，而数据安全工具对受保护信息进行分类。

问题在于协调。每个系统都能看到 agent 活动的一部分，但未必有任何一个系统理解完整任务。

身份平台可能确认开发者可以访问代码库。终端产品可能批准编码应用。数据安全工具可能会在凭证移动时识别它。

但这些信号并不会自动回答 agent 是否应将该凭证发送给新安装的 MCP 服务器，也无法解释该 agent 为什么选择该工具。

Harmonic 押注于上下文解读能够填补这一空白。其平台声称能够对任务进行分类、识别所涉数据，并在操作层面应用策略。

该公司将这种组合称为 AI 治理与控制。这个标签的重要性不如其所寻求的架构位置。Harmonic 希望成为劳动力 AI 活动的策略代理。

这一位置具有商业价值，因为它横跨众多应用。它也会招致竞争，竞争者包括已经控制终端、浏览器、身份、网络或企业 AI 平台的厂商。

Microsoft 可以将 AI 控制措施与其身份、生产力、终端和云产品连接起来。Cisco 可以将网络可见性与应用及 agent 基础设施相结合。Palo Alto Networks 和 Check Point 可以将既有安全平台扩展至模型和 agent 流量。

专业厂商也从不同方向切入这一问题。Noma Security 强调发现、态势管理、测试和运行时保护。被 Check Point 收购的 Lakera 一直专注于面向模型的防护栏和提示词注入防御。

Prompt Security 现已成为 SentinelOne 的一部分，围绕企业生成式 AI 使用和应用保护构建工具。被 Palo Alto Networks 收购的 Protect AI 则更侧重于 AI 应用、模型和供应链风险暴露。

这些替代方案并不完全对应 Harmonic。有些服务于应用安全团队，而 Harmonic 将其平台定位为面向负责员工采用 AI 的安全负责人。另一些则聚焦企业自行构建的模型，而非员工使用的第三方工具。

不过，类别边界正在消失。终端厂商可以加入智能体发现功能。身份公司可以为机器参与者应用权限控制。模型提供商可以提供原生治理控制。

这让 Harmonic 面临一个狭窄的战略窗口。它必须在更大的厂商将智能体控制变成现有安全套件的标准功能之前，建立跨平台可视性。

该公司公布的客户覆盖范围提供了一个早期信号，但尚不足以作出决定性判断。超过 100 家组织和数百万名受覆盖员工表明其具备分发能力，但并未揭示活跃使用情况、续约率或执行深度。

“覆盖”也有多种含义。一款产品可能已部署至员工群体中，但真正使用受监控 AI 工具的仅是较小一部分人。它也可能只观察活动，而不阻止操作。

因此，买家应将部署范围与安全成果区分开来。有用的衡量指标包括已发现的智能体、受监控的工具调用、策略违规、已确认的敏感数据事件以及误报率。

同样的区别也适用于集成。生态系统页面上的标识确认了技术或商业兼容性，却无法证明每个工作流中都能持续执行策略。

Harmonic 的优势可能来自于在模型和安全厂商之间保持独立。企业很少让所有团队都统一使用同一款 AI 应用。中立的控制层可以跨竞争平台观察使用情况。

独立性也可能成为弱点。深度执行通常需要特权访问、终端软件、浏览器扩展、网关部署或提供商 API。随着产品变化，每项集成都将带来维护工作。

这笔融资为 Harmonic 增加了完成这类工作的能力，但并未消除其根本复杂性。

评估该公司的安全团队，应在比较功能列表之前先梳理自身的 AI 路径。他们应识别浏览器服务、桌面客户端、编程智能体、直接模型 API、MCP 服务器和云连接器。

这类清单工作类似于构建可搜索的知识库所需的工作。两项任务都取决于了解组织信息存放在哪里，以及软件如何能够访问它。

区别在于执行。知识系统帮助获授权用户检索信息，而智能体安全必须在不破坏合法上下文的前提下，阻止不恰当的使用。

Harmonic 的本轮融资验证了对这类控制层的需求，但并未确定最终将由哪一类厂商拥有它。

上下文检测仍须经受真实企业流量的考验

尚未解决的问题是：当策略、语言、应用和攻击者技术相互碰撞时，语义分类能否保持可靠。

Harmonic 的核心技术主张涉及上下文。该公司称，其模型能够识别人员或智能体试图完成什么，而非仅匹配固定模式。

这种方法解决了传统检测的已知局限。看似凭证的字符串可能是测试数据、文档内容或真实使用中的密钥。拦截每一个匹配项会造成摩擦和告警疲劳。

如果能够准确地区分这些情况，语义分类可以减少这种摩擦。当文本缺乏可预测模式时，它也能识别敏感含义。

然而，上下文很难被一致地定义。客户名称在一个工作流中可能是公开信息，在另一个工作流中则受到限制。一段代码单独看可能无害，但与内部架构描述结合时则可能暴露信息。

策略还因用户、地域、项目和系统而异。对于测试环境中的工程师而言，同一个智能体操作可能可以接受，但在生产环境中则被禁止。

内联系统必须迅速解决这些差异。当可用上下文不完整时，它也必须以安全方式失效。

Harmonic 宣称约 200 毫秒的延迟，听起来适合交互式工作。不过，平均或典型延迟无法描述峰值负载、长提示词或链式智能体操作下的行为。

单项智能体任务可能生成许多工具调用。即使是微小延迟也可能累积，尤其当一个操作依赖另一个操作的结果时。

误报带来另一项风险。如果合法调用被过于频繁地拦截，团队可能关闭控制措施、寻求例外，或转向未受监控的工具。

漏报则更为严重。若系统误解经过编码、拆分、多语言或对抗性处理的内容，可能会在报告控制措施已启用的同时，允许不安全操作。

攻击者也可以针对分类器发起攻击。他们可能将敏感信息拆分到多条消息中、将指令伪装在文档内，或利用策略模型与执行模型之间的差异。

该公司尚未公开足够的基准细节来评估这些情况。在测试证明其在自身环境中有效之前，买家应将准确性、覆盖率和延迟数据视为厂商声明。

隐私构成了并行担忧。理解上下文可能需要检查提示词、响应、对话内容和工具参数。这些记录可能包含产品本应保护的敏感信息。

Harmonic 表示不会使用客户数据进行训练。这项承诺无法回答有关存储、区域处理、保留期限、管理员访问或下游日志记录的所有问题。

安全团队应询问被检查的内容流向何处、哪些组件会保留这些内容，以及原始数据是否可以排除在分析之外。他们还应审查针对内部调查人员的控制措施。

详细的审计追踪在事件发生后很有价值，但也可能成为员工行为、机密提示词、智能体计划和系统交互的集中存储库。

组织需要为这些记录设定明确的保留期限和基于角色的访问权限。还需要建立流程，以区分正当的安全调查与广泛的员工监控。

Harmonic 的 Usage Intelligence 功能使这一边界尤为重要。该公司称，管理者可以识别有价值的 AI 使用场景，以及找到更快工作方式的员工。

这些信息可能有助于指导培训和投资，也可能基于不完整的信号推动生产力评分。大量 AI 活动并不必然代表更好的工作成果。

因此，该产品的双重用途带来了权衡。同样的可视性可以支持安全、采用分析和员工衡量。治理必须决定哪些用途可以接受。

独立报道证实了该平台所称的扩展、集成和融资细节。一篇平台概述描述了其从浏览器监控向桌面和智能体工作流的转变。

关于预防成效的独立证据仍较少。公开案例研究通常描述更快的发现和更好的可视性，却很少披露全面的检测统计数据。

这种缺口在企业安全领域很常见。客户无法公开每一起事件，而受控基准测试也难以复现多变的生产环境。

即便如此，买家仍可在试点期间要求可量化的证明。他们可以测试已知密钥、合成客户记录、受限文档、多语言内容和间接提示词注入。

他们还可以将日志与实际系统记录进行比对。如果智能体修改了工单、代码库或数据库，安全追踪应识别行为主体、请求、工具、策略决策和最终结果。

可信的评估应包括故障条件。团队应断开一项集成、更改智能体配置、引入未知 MCP 服务器，并观察覆盖缺口是否会变得可见。

关键问题不是 Harmonic 是否能检测出准备好的演示，而是管理员能否识别产品何时停止看到环境的一部分。

三项信号将显示 Harmonic 能否将融资转化为控制力

客户执行、集成深度和经过独立测试的准确性，将决定 Harmonic 是成为基础设施，还是成为又一个安全仪表板。

第一个信号是通过主动策略执行进行治理的客户活动占比。Harmonic 报告了广泛的员工覆盖范围，但未来披露应区分观察、拦截和修复。

受控工具调用数量的增长将支持该公司的论点。这将表明客户信任该平台能够影响智能体行为，而不只是展示活动。

安全负责人应关注具体的生产案例。有价值的证据包括被拦截的数据传输、被阻止的未授权写入，以及在不暴露受保护信息的情况下完成任务的智能体重试。

这些案例的质量比告警总数更重要。大量告警既可能反映有价值的检测，也可能反映策略调优不佳。

第二个信号是本地和云端智能体之间的集成深度。Harmonic 目前重点展示终端、浏览器、MCP 连接、与 Cisco 相关的工具以及 Anthropic 活动数据。

未来的集成应展示一项策略能否跨这些层面跟随一个操作。碎片化的仪表板集合将削弱该公司关于统一控制的主张。

提供商的合作将塑造这一结果。原生 API 能够提供比浏览器观察更丰富的上下文，但当用户切换账户、应用或部署模式时，也可能留下盲点。

Harmonic 的智能体安全控制声称覆盖浏览器、终端和 MCP 工具调用。买家应使用其组织内部实际采用的客户端和服务器验证这一覆盖范围。

最有力的证据将是持续一致的归因。管理员应能够将一次工具调用与负责的用户、智能体、模型、服务器、凭证和策略关联起来。

第三个信号是独立的准确性和韧性测试。Harmonic 需要证据说明其分类器在现实企业流量中的表现。

测试应报告误报、漏报、延迟分布，以及在对抗性输入下的行为。还应覆盖不同语言和数据类型。

更完善的公开验证将增强 Harmonic 相对成熟厂商的地位。若继续依赖宽泛的营销主张，随着竞争性套件加入类似功能，其地位将被削弱。

收购是另一项间接信号。大型安全厂商已经吸收了多家 AI 安全专业公司。Harmonic 的增长可能吸引战略兴趣，但独立性仍可能是其跨平台定位的核心。

客户不应基于收购猜测作出采购决策。他们应审查合同、数据导出选项和策略可移植性是否能够保护自己免受厂商变化影响。

未来一到三个月将揭示 Harmonic 如何部署这笔新资本。工程团队的招聘表明其将深化技术覆盖，而销售扩张则意味着其将推动更快的市场分发。

产品更新将比单纯的员工人数更具参考价值。新的 agent 集成、更清晰的执行指标以及公开的验证结果，将直接回应该公司面临的主要执行风险。

对开发者而言，眼下的经验是：agent 权限如今应获得与应用程序权限同等的设计关注。工具访问应保持范围有限、可记录且可撤销。

对企业买家而言，Harmonic Security 的融资事件表明，agent 可见性已成为一类具有预算的安全投入。不过，融资反映的是投资者的信心，而非产品有效性的证明。

对知识工作者而言，围绕 AI 活动的控制措施将变得更加可见。被阻止的操作可能会附带说明和更安全的重试方式，而不再是对应用程序的一刀切禁令。

理想的结果并非为了监控而持续检查，而是建立一套系统：既允许有价值的 AI 工作开展，又能限制哪些数据和操作可以跨越各项边界。

Harmonic 已筹集到足以在企业级规模上检验这一承诺的资金。更艰难的考验如今才在真实工作流中开始，那里往往上下文不完整、政策之间也可能相互冲突。

安全团队在作出承诺前应提出三个问题：哪些 agent 操作实际上可见，平台能够执行哪些决策，以及其准确性是如何衡量的？这些答案比应用数量或融资总额更重要。关注 Harmonic Security 融资事件的读者，应留意其生产环境执行数据、更深入的跨平台集成以及独立测试结果。如果这些信号出现，Harmonic 有望成为企业 agent 的持久控制层；如果没有，成熟的安全平台可能会通过客户已拥有的功能吸收这一类别。