Sysdig Secure AI 承诺加速云端防御，但人工控制仍不可或缺

Sysdig 于 8 月 4 日推出 Secure AI，提供三种运行模式，并承诺在不削弱人工问责的前提下加速云端调查。这一公告登上 Google News 之际，安全团队面临的问题已不只是告警过载，而是必须决定赋予 AI 智能体多大的运营权限。

Secure AI 将专业安全智能体、无头集成，以及 Sysdig 现有的生成式 AI 助手整合到其云原生应用保护平台（CNAPP）中。Sysdig 表示，该系统的案件调查量可达人类专家单独工作时的十倍以上，成本则降低 88%。

这些数字为自动化提供了颇具吸引力的理由。不过，它们来自 Sysdig 自身的工作负载模型，而非独立实验室开展的对比评估。

因此，更大的矛盾并非 Sysdig 与人工安全工作的对立，而是自主行动与可验证控制之间的取舍。Google 和 Wiz、Palo Alto Networks 以及其他厂商也在将调查和修复任务交给智能体。

安全团队不再只是选择是否让 AI 总结告警，而是在决定软件何时可以调查、变更控制措施、创建修复方案，或遏制正在发生的威胁。

Sysdig Secure AI 实际改变了什么

Secure AI 将多项现有 Sysdig 功能整合为协调的运行模式，可从云端证据推进至建议或自动化行动。

Sysdig 在拉斯维加斯举行的 Black Hat USA 上发布了这项产品。根据该公司的 Secure AI 发布公告，产品于 2026 年 8 月 4 日正式全面可用。

该产品基于 Sysdig Secure，即该公司的 CNAPP。CNAPP 将云端态势、工作负载、身份、漏洞和运行时安全信息整合在一个平台内。

Secure AI 并非指单一聊天机器人或一个自主智能体，而是为客户提供三种相关的 AI 云端防御使用方式。

第一种模式采用专业 AI 安全智能体。这些智能体会建立按优先级排列的风险清单，调查相关证据，并准备缓解或修复措施。

第二种模式是无头云安全。在这一模式中，Sysdig 通过应用程序编程接口、命令行工具、插件和 Model Context Protocol 服务开放其功能。

Model Context Protocol（MCP）是一项标准，使 AI 应用能够连接外部工具和数据。该接口让 Claude、Cursor 或 Codex 等编码智能体能够在既有工作流中调用 Sysdig 功能。

第三种模式是此前名为 Sysdig Sage 的集成式生成 AI 助手。团队成员可以用自然语言要求它解释发现、导航平台并推荐修复步骤。

这些模式面向自动化经验不同的团队。较为谨慎的组织可以先从解释和建议开始，而成熟团队则可将智能体接入调查和修复工作流。

Sysdig 表示，关键决策仍将保留人工审核，而低风险或时间敏感的工作可自主运行。该公司还称，每项行动都可审计。

这种区分很重要，因为云安全包含性质截然不同的行动类别。起草事件摘要带来的运营风险有限；封锁访问权限、变更权限或修补生产软件，则可能中断业务。

Secure AI 还利用运行时遥测数据，即记录应用程序和工作负载运行期间行为的数据。Sysdig 通过内核级观测及其开源运行时检测引擎 Falco 收集了大量此类证据。

该方法将漏洞与实时活动、暴露情况、身份和云端配置联系起来。因此，智能体可以询问一个存在漏洞的软件包是否正在运行且可被访问，而不是一视同仁地处理每个扫描结果。

Sysdig 表示，Falco 的下载量已超过 2 亿次。该公司还称，财富 500 强中有 60% 的企业使用 Falco，但这并不意味着它们都购买了 Sysdig 产品。

此次发布将这些组件整合为更清晰的产品承诺。Sysdig 正在将 AI 作为安全运营参与者出售，而非仅仅是安全数据之上的对话层。

Google News 标题为何此刻值得关注

Google News 的曝光反映出更广泛的市场转变：从 AI 辅助分析走向能够在实时云环境中调查并采取行动的智能体。

多年来，安全团队一直利用机器学习对行为进行分类、减少重复告警并识别异常活动。生成式 AI 最初带来了自然语言搜索和自动摘要。

智能体系统更进一步。它们能够选择工具、规划调查、收集证据，并在既定权限范围内执行行动。

这一转变发生之际，基础设施和攻击都在变得更加自动化。短生命周期容器、机器身份、持续部署和云 API 的运行速度，早已超过人工审核。

Sysdig 认为，攻击者能够在数分钟内横跨多个云环境。其发布公告引用了一个由公司观察到的案例：一名 AI 智能体在一小时内进入了内部数据库。

该公司还提及 JADEPUFFER，Sysdig 将其描述为首个由 AI 智能体端到端执行的、有记录可查的勒索软件行动。这些发现来自 Sysdig 的威胁研究团队，应以审视其他厂商研究的同等标准加以检验。

即便不接受每个标签或时间说法，这种压力仍具可信度。攻击者可通过防御者管理的同一批 API，自动化执行侦察、凭据使用、横向移动和数据收集。

当模型能够检查源代码、生成测试用例并构建漏洞利用候选方案时，软件漏洞也会更快变得可被利用。Anthropic 通过 Project Glasswing 展示了这一方向；该项目聚焦于利用先进模型发现并协助修复关键软件缺陷。

这改变了云端防御者的工作负荷。更多自动化探测会制造更多事件，而更快的攻击则压缩了区分真实入侵与无害异常的可用时间。

仅靠招聘无法解决这种时间错配。专业人才仍然稀缺，增加分析师人数也不会自动打通基础设施、身份、终端、代码和应用程序之间碎片化的证据。

Sysdig 引用的一项 ISSA 与 Omdia 研究发现，受访组织中有 83% 正在采用或计划采用 AI 用于网络安全。这项 AI 安全研究还报告称，从业者认为自己的工作正变得日益困难。

这种组合解释了发布时机。买家想要自动化，但他们同样需要能够减少调查工作、而非再制造一条建议流的系统。

Sysdig 押注于运行时上下文能够形成必要优势。基于实时行为的模型，理应比仅依赖静态配置或漏洞列表的模型作出更好的决策。

但运行时数据并不能消除不确定性。遥测数据可能不完整，权限可能配置错误，正当的运营变更也可能看起来像恶意行为。

因此，Google News 标题背后的问题并不是智能体是否更快，而是它们的证据、推理、权限和行动在事件压力下是否仍然可理解。

运行时上下文是 Sysdig 的核心竞争押注

Sysdig 的核心论点是，只有当安全智能体能够区分理论暴露与真实环境中正在发生的活动时，它们才真正有用。

云端扫描器往往会生成冗长的漏洞和配置弱点列表。由于技术严重程度本身并不能证明即时业务风险，这些列表可能让团队不堪重负。

隔离开发工作负载中的脆弱软件包，与公共生产系统上的同一软件包应得到不同处置。若存在活跃利用，优先级又会改变。

Sysdig 的 AI 工作负载安全 将公开暴露、漏洞、错误配置、权限和运行时事件关联起来。其 Cloud Attack Graph 随后会映射受影响资源之间的连接及可能的攻击路径。

Secure AI 利用这一基础指导调查。智能体可以检查软件包是否处于活跃状态，识别附加到工作负载的身份，并审查可疑进程或网络行为。

在证据可靠的情况下，这一机制可以减少例行工作。它还可以帮助分析师说明，为什么某个发现应立即处理，而数千个类似发现可以等待。

Sysdig 通过一次漏洞调查来展示其经济性。该公司将传统调查建模为三名分析师各工作 45 分钟，总成本约为 135 美元。

该公司表示，一名使用 Secure AI 的分析师可在不足 15 分钟内以 16 美元完成同一调查。Sysdig 将其中约 3.75 美元归因于模型 token。

这一计算得出了该公司关于调查能力提高十倍以上、成本降低 88% 的说法。它很具体，但这种具体性不应被误认为独立证明。

结果取决于分析师薪酬、案例复杂度、集成情况、token 消耗量，以及用于界定调查完成的质量标准。不同环境将产生不同结果。

具有清晰运行时证据的常见漏洞可能很适合这一模型。涉及多家云服务商的新型身份入侵，则可能需要更多人工解读。

该计算还未包括部署工作。团队必须配置访问权限、界定审批边界、连接工单和通信系统、调优策略，并测试故障处理。

审计审查还会增加另一项成本。如果智能体变更了生产控制措施后，分析师必须重建每一项自动化决策，组织就无法节省有意义的时间。

尽管如此，Sysdig 确实锁定了正确的价值衡量单位。安全负责人不需要另一个衡量模型生成文本速度的指标，他们需要的是达到可辩护准确性门槛的已完成调查。

最有价值的证据，应是在同一案例集上比较智能体辅助调查与传统调查。评估者应衡量完成时间、错误结论、遗漏证据、不安全行动以及所需的人工修正。

Sysdig 尚未随公告发布这类受控基准测试。在此之前，这一效率数字仍是基于所述情景的公司主张。

这并不意味着该主张毫无意义。它为买家在评估期间提供了一个可检验的具体假设。

Wiz 和 Google 向 Sysdig 的智能体战略施压

Sysdig 正进入一场激烈竞争：各方争夺哪种安全数据基础能够为自主智能体提供从检测到修复最清晰、最安全的路径。

Wiz 于 2026 年 3 月推出 Red、Blue 和 Green 智能体。每个智能体负责安全生命周期的不同部分。

红色代理负责寻找可被利用的弱点。蓝色代理利用云、身份和运行时上下文调查威胁。绿色代理分析高优先级问题，并准备或执行修复。

Wiz 还允许团队构建工作流，将这些代理与审批步骤和协作工具结合起来。其代理工作流可将低置信度操作交由人工处理，同时自动执行置信度更高的修复。

Google Cloud 在其四月大会上加大了竞争压力。其安全产品组合新增了用于威胁狩猎、检测工程和第三方上下文分析的代理。

Google 还将 Wiz 定位为更广泛平台的一部分，该平台包含 Mandiant 威胁情报、Google Security Operations、身份服务和 AI 基础设施。该公司的代理式防御战略覆盖云工作负载和安全运营。

Palo Alto Networks 正在网络、云、安全运营和 AI 防护领域走类似路线。Prisma AIRS 更直接聚焦于保护 AI 应用和代理，其更广泛的产品组合则提供运营安全上下文。

这些厂商的架构各不相同，但它们都提出了同一主张：更好的上下文数据应让代理比连接到零散工具的通用模型更快、更准确地作出决策。

Sysdig 强调运行时遥测数据和 Falco。Wiz 强调其安全图谱和代码到云的上下文。Google 强调威胁情报、基础设施规模及其不断扩展的安全平台。

这场竞争的关键不在于哪家厂商能够展示最多的代理。具名代理只是产品包装。买家需要审视这些代理能够访问的证据，以及它们被授予的权限。

专用代理仍可能得出错误结论。将任务分为调查、验证和修复或许能形成有用的检查机制，但前提是代理会质疑彼此的假设。

否则，多代理协作可能会在多个自动化步骤中重复同一个错误。调查代理得出的错误结论，可能会变成一项看似信心十足的自动生成修复措施。

这场竞争也给 Sysdig 的无头式方案带来了压力。通过编码代理运行安全工作提供了灵活性，但也让周边代理环境在信任链中扮演重要角色。

安全团队必须检查模型、MCP server、工具权限、凭证、对话上下文和外部集成。任何一层的弱点都可能影响最终操作。

Sysdig 的优势在容器化和云原生环境中最为明显，因为运行时证据能提供大量上下文。当事件横跨电子邮件、端点、业务应用以及其最强遥测能力之外的身份系统时，这一优势就不那么确定了。

大型竞争对手可以通过更广泛的平台弥补这一限制。Sysdig 则可以通过保持接口开放，并与客户已在运行的系统集成来应对。

这正是 Secure AI 不止是一项功能发布的原因。它代表了 Sysdig 试图让运行时数据成为自主云防御控制层的努力。

自主云防御带来了新的控制问题

让代理能够阻止攻击的同一套权限，也可能放大错误决策、遭入侵的指令或过度修复。

人工审查贯穿 Sysdig 的产品信息。该公司表示，人员负责设定目标，关键决策仍保留人工参与，并且代理操作可审计。

这些保障措施听起来合理，但其具体实施决定了价值。“人类在环”既可以指有实质意义的审批，也可以只是操作完成后才到达的一条通知。

当速度是产品的核心承诺时，审批也会变得困难。防御人员既无法仔细审查每一步，又期待以机器速度完成遏制。

因此，团队需要分级权限。代理可以自由收集证据、自动创建工单、经审批隔离开发工作负载，但绝不能独自修改生产身份策略。

可接受的边界取决于可逆性和潜在影响。终止一个可疑进程，与撤销多个客户服务共用的角色权限并不相同。

提示词注入带来了另一项担忧。代理可能在调查过程中读取的源代码、日志、工单、网页或其他数据中遇到恶意指令。

如果代理将不受信任的内容视为操作指引，攻击者就能影响调查。工具访问权限随后会将模型错误转化为安全操作。

凭证设计同样重要。代理应仅获得执行每项任务所需的最小权限，使用短期凭证，并通过受监控的接口运行。

长期有效的管理员凭证会削弱原本谨慎的代理设计所带来的好处。代理或其上下文一旦被攻破，整个环境都可能暴露。

行业已经认识到这些风险。OWASP 代理式风险包括目标劫持、工具滥用、身份滥用、过度自主和级联故障。

Secure AI 的审计追踪有助于问责，但仅靠日志无法防止不安全行为。团队需要在执行前就阻止被禁止操作的策略。

他们还需要独立于代理自身推理过程之外的控制措施，例如权限边界、变更窗口、资源保护、交易限额和审批要求。

可靠的系统应保留每项结论背后的证据。分析师需要看到代理查阅了哪些信号、排除了哪些替代方案，以及为何选择某项操作。

自然语言解释并不足够。模型可以生成具有说服力的摘要，却未必忠实反映其内部过程或完整证据集。

买家还应测试不确定性处理能力。能够承认证据不足并请求审查的代理，可能比致力于结案每一次调查的代理更安全。

误报会带来运营成本，但漏报会造成更严重的安全后果。因此，基准测试必须将速度与决策质量区分开来。

该公司的成本示例并未公布错误率或纠正率，也没有展示当遥测数据缺失、相互矛盾或遭到刻意操纵时系统的表现。

这些缺口并不意味着 Secure AI 不合格。它们界定了在自主操作进入生产环境前所需完成的评估工作。

安全团队在扩大自主性前应测试什么

下一阶段的胜负将由可衡量的调查质量、安全的生产操作，以及代理性能能否在厂商演示之外得到提升的证据决定。

首要关注的信号是独立评估或客户可复现的评估。团队应让 Secure AI 和传统分析师针对相同的历史事件进行测试。

每项测试都应跟踪调查时间、证据覆盖范围、遗漏指标、错误结论、建议操作和人工修正。成本比较还应纳入集成与审查的人力成本。

如果团队能够在不增加错误的前提下复现 Sysdig 所宣称的容量提升，这些证据将强化 Sysdig 的论点。即使代理完成得很快，频繁的纠正也会削弱其经济性论据。

第二个信号是自主修复在生产环境中的使用。案例研究应说明哪些操作自动运行、哪些需要审批，以及组织如何处理回滚。

一项有价值的案例研究应包含故障行为，而不只是平均速度。买家需要了解代理接收到不完整遥测数据或相互冲突指令时会发生什么。

Secure AI 当前的客户评论支持这一方向，但仍是为产品发布挑选的推荐评价，不能替代受控证据。

第三个信号是竞争对手的回应和互操作性。Google 和 Wiz 已经提供面向特定任务的代理，而 Palo Alto Networks 将 AI 防护与广泛的安全平台相连接。

Sysdig 必须证明，当客户使用多家安全厂商时，其运行时优势依然有用。无头接口可能有所帮助，前提是权限和数据交换仍然可管理。

客户还应关注 Sysdig 添加专家编写技能的频率。新技能可以扩大覆盖范围，但每项能力都会增加另一个需要测试和治理的工作流。

Google News 的新闻周期会很快过去。产品采用情况、受控基准测试和披露的失败案例，将揭示远比发布标题更多的信息。

对于评估 Secure AI 的买家而言，分阶段推出最合理。先从只读调查开始，将其结论与经验丰富的分析师进行比较，并记录代理在哪些地方丢失了上下文。

接下来，在有限环境中允许可逆操作。在团队已对足够多的真实事件测得准确性之前，生产变更应要求明确审批。

最后，应按操作类型而非笼统的置信度设置来定义自主性。证据收集、创建工单、进程隔离、权限变更和代码部署承载着不同风险。

安全负责人在扩大访问权限前应提出最后一个问题：团队能否重建、质疑并撤销代理作出的每一项重要决策？

Sysdig 已提出可信论据，说明运行时证据能够帮助 AI 代理优先处理真实的云风险。但它尚未证明广泛自主性能够持续优于谨慎的人工控制。

这一证明需要的不只是再次出现在 Google News 上。它需要来自复杂环境的透明结果——在这些环境中，证据相互冲突、生产系统抗拒变更，而错误会带来可量化的后果。