Tamnoon Amazon Bedrock 修复将 AI 从告警推向云端修复

Tamnoon 表示，其 Amazon Bedrock 修复系统帮助客户在 90 天内将严重云端风险暴露降低超过 90%，且未发生生产事故。这一说法将智能体 AI 带入了一个远比聊天机器人或工单摘要更难容错的领域。该公司的云端修复编排器 Tami 能够调查安全发现，并针对运行中的基础设施准备或执行受控变更。

关键变化并非又多了一层用于检测错误配置的人工智能。云原生应用保护平台，即 CNAPP，已经能够跨工作负载、身份、网络和数据生成大量发现。Tamnoon 试图自动化的是检测之后更困难的工作：收集上下文、识别根本原因、判断安全性，以及消除风险暴露。

这使该公司直面一种熟悉的安全运营模式。Wiz、CrowdStrike、Palo Alto Networks、Orca Security、SentinelOne 以及云服务提供商的工具负责识别问题。随后，人工工程师需要判断哪些发现真正重要，以及拟议修复是否可能破坏生产环境。Tamnoon 押注于：受限智能体能够在不取代底层检测平台的前提下，安全地缩小这一人工处理缺口。

Tamnoon Amazon Bedrock 修复瞄准闭环缺口

Tamnoon 将 Tami 定位为安全发现与经验证修复之间的执行层，而非另一个告警生成器。

AWS 和 Tamnoon 在 2026 年 10 月 14 日发布的一篇技术文章中详述了这一架构。Tami 会接收来自 CNAPP 产品、云态势工具、Amazon GuardDuty 和 AWS Security Hub 的发现。它先将这些记录转换为统一的内部格式，再利用资产、所有权、依赖关系和暴露情况等上下文进行补充。

这种标准化很重要，因为每种检测产品对风险的描述方式各不相同。一个公开的存储资源、过度权限或暴露服务，可能附带不同的字段和严重性标签。Tami 的智能体必须先获得一致的表示形式，才能比较发现、归类关联问题或推理修复方案。

随后，系统会对发现进行优先级排序，并寻找共同的根本原因。一项配置错误可能会在多个资源上产生大量下游告警。因此，解决这一根本原因带来的风险消除效果，可能超过逐一处理每条告警。

Tamnoon 将结果称为修复置信度指标。每项发现会被分为三类之一：SAFE、RISKY 或 AWAITING DATA。该标签决定自动化能否继续，还是必须由人工进一步调查。

这是一个影响重大的区分。Tami 不会将不确定的答案视为可以采取行动的许可。Tamnoon 表示，其安全流程会在证据不完整时有意降低修复等级。

该公司称，Tami 已分析超过 1,400 万条云端告警。其2026 年修复研究列出了来自数百个企业环境及十种扫描器的 1,486 万项检测结果。研究还称，所有已检测问题中有 53% 仍未关闭，而上一份研究中这一比例为 41%。

这些数据来自 Tamnoon 自身的数据集，而非独立的行业测量结果。不过，它们仍能说明该产品瞄准的问题。如今的难点已不只是发现风险暴露，而是将检测结果转化为运营人员可以安全实施的变更。

Tamnoon 表示，典型合作项目可在 90 天内将严重风险暴露减少多达 90%。该公司还称，通过根本原因聚类，效率最高可提升 100 倍。在其客户群体中，公司将每周节省的逾 13,000 个工程工时归因于这一方法。

这些结果应被视为供应商自行报告的成果。AWS 的文章由两位 Tamnoon 高管共同撰写，且未指出有独立审计方验证相关运营主张。这些数字描述的是观察到的客户结果，而非适用于每个云环境的保证性基准。

尽管如此，这一架构展示了安全自动化的重要转变。早期系统通常会创建工单、建议命令，或运行预定义的操作手册。Tami 使用多个智能体来汇集证据、判断自动化是否合适、制定计划，并审查生成的修复代码。

这一演进带来了核心矛盾。更高的自主性能够缩短风险暴露窗口，但每一项额外行动也会新增一条导致意外生产变更的路径。因此，Tamnoon 的设计依赖的并非不受约束的智能，而是围绕每个组件可执行操作设置的严格限制。

四个智能体分别负责调查、安全、规划和代码

Tami 的核心机制是职责分离：四个智能体各自执行不同任务，而非由一个模型控制整个修复流程。

调查智能体从只读工作开始。它收集理解资源、修复目标及云端特定验证要求所需的上下文。Tamnoon 表示，该智能体借鉴了数百万个客户环境中的模式。

随后，一个充当评判者的大语言模型会筛选所收集的上下文。这项审查会形成结构化调查计划，而不是立即进行基础设施变更。将这一阶段保持为只读，可限制错误推理的后果。

安全评分智能体会为每项受影响资产构建证据链。它结合自动化检查、分析师发现以及调查流程中的结果，随后赋予 SAFE、RISKY 或 AWAITING DATA 分类。

只有被归为 SAFE 的发现才能进入修复智能体。该智能体会围绕拟议变更的依赖关系、执行顺序和条件进行推理。每项计划步骤都遵循备份、修复和验证的顺序，并附带回滚指导。

第四个智能体将获批计划步骤转换为可执行代码。在生成之前，输入护栏会检查相关性并筛查提示注入。随后，另一个独立的审查智能体必须批准每项生成的产物。

这种职责划分并不能消除模型错误，但它降低了单个错误输出立即变成高权限操作的概率。一次故障必须通过多重控制，才能影响客户环境。

流程还使用反思循环。生成步骤会获得独立批评，而这些反馈可触发重新生成。Tamnoon 会根据自动化结果、用户反馈和此前已修复的告警来验证建议。

人工干预仍是设计的一部分。当模型无法得出足够有把握的结论时，工作流会将案例转交给操作人员。因此，RISKY 和 AWAITING DATA 发现代表的是受控拒绝，而非不完整的自动化。

这一行为很重要，因为安全智能体会遇到模糊证据。某项资源可能看似未被使用，却支撑着低频流程；某项权限可能看似过度，却服务于紧急工作流；某条网络规则可能显得冗余，直到发生区域故障切换。

安全系统必须区分不确定性与低风险。Tamnoon 的架构试图通过置信度状态、证据要求和升级机制来编码这种区分。它最有意义的输出有时可能是一项有据可查的不采取行动决定。

这一设计类似于安全工程中的传统职责分离。提出变更的智能体并不是评估该变更的唯一组件。规划、审查和执行位于不同阶段，各自配有控制措施。

模型层通过 Amazon Bedrock 运行，使 Tamnoon 能够通过一个服务接口为不同任务分配不同模型。能力更强的模型可处理复杂调查；规模更小的模型则可在更低运营开销下处理重复性的验证或审查任务。

模型灵活性很重要，因为云端修复包含多种在准确性和延迟要求上各不相同的工作负载。单一模型可能对常规检查而言没有必要，对复杂依赖关系图而言又能力不足。Bedrock 让公司无需重建每一项集成，即可改变这些分配。

Tamnoon 还将模型固定到带日期的标识符上。模型变更会成为明确的基础设施更新，而非未公告的行为变化。当模型提供商发布修订版本时，这一做法有助于测试、回滚和可审计性。

该公司将评分和规划时的解码温度设为零。该设置旨在让输出更加一致，尽管确定性解码并不能保证事实正确性。重复输入可能变得更可预测，但仍有可能产生错误决定。

对于考虑采用类似智能体的工程团队而言，可迁移的经验在于架构。可靠的自动化依赖于可追溯的上下文、受约束的角色和明确的状态转换。维护一个可搜索的技术知识库也能帮助团队保留运营决策背后的证据。

真正的较量是自主行动与受控拒绝

Tamnoon 面临的主要挑战，是证明智能体能够像完成常规修复一样可靠地拒绝不安全的工作。

云安全平台多年来一直在提升可见性。它们的仪表板关联漏洞、过度权限、暴露服务、攻击路径和敏感数据。更好的优先级排序有助于分析师发现严重问题，但不会自动消除这些问题。

Tamnoon 位于这一检测层的下游。Wiz、CrowdStrike、Palo Alto Cortex、Upwind、SentinelOne、Orca、Cyera、GuardDuty 和 Security Hub 仍是事实来源。Tami 消费它们的发现，并尝试将修复推进至完成。

这使双方关系既具互补性，也存在竞争性。Tamnoon 无需取代 CNAPP 就能创造价值。然而，成功的修复可能会将客户关注点从告警质量转向关闭率、证据和解决时间。

云服务提供商也正在向这一工作流靠近。AWS Security Hub 现在描述了修复计划，这些计划将拥有共同根本原因的风险暴露归为一组。这类计划可包括受影响范围、可逆性、风险、自动化级别和人工审查要求。

这种重叠揭示了市场的发展方向。安全采购方越来越期待的不只是经过优先级排序的发现。他们希望获得一条从检测到经验证变更的、可辩护的路径，包括证明该变更未引发其他问题的证据。

Tamnoon 的差异化建立在跨扫描器和跨云的编排能力上。其平台可连接 AWS、Azure 和 Google Cloud 中的客户环境，同时使用统一的修复工作流。这一跨平台定位可能会吸引运行多种安全产品的企业。

然而，最困难的比较并不是 Tamnoon 与某个具名供应商之间的比较，而是自主行动与受控拒绝之间的比较。一个执行每项看似合理修复的系统，在某次变更导致宕机或削弱另一项控制措施之前，都会显得富有成效。

相反，几乎事事升级给人工处理的智能体，仍然只是一个工单信息增强工具。它可以缩短调查时间，却无法实质性地消化运营积压。其商业价值取决于：在不放松审批标准的前提下，有多少发现能够进入安全自动化流程。

Tamnoon 表示，公司在 2025 年逐步从人工主导模式转向更高程度的自主化。该公司称，其平台最终承担了全部优先级排序与调查工作。人工仍负责验证修复操作、处理边缘情况，并针对新模式训练系统。

下一阶段是在已知且可重复的场景中，以更少干预完成更多执行工作。这并不意味着每一项发现都应实现自主处理，而是要求系统能够识别符合既往已验证模式的情况，同时隔离新颖场景。

这一识别问题比生成一条命令更困难。云环境会发生漂移，依赖关系会变化，而相同类型的资源可能承担截然不同的业务功能。历史成功案例能够提供有用证据，但无法完整说明下一次变更可能带来的后果。

因此，Tamnoon 需要具备可信的拒绝行为。作出 AWAITING DATA 决策时，应说明缺失了哪些证据；作出 RISKY 决策时，应解释是哪项依赖关系或影响范围阻止了自动化。运营人员必须能够质疑这些结论。

审计轨迹成为产品的一部分，而不只是合规记录。安全团队需要知道哪些证据支撑了一项操作、涉及了哪个模型版本，以及哪项审批授权了执行。他们还需要保留系统拒绝执行的拟议变更记录。

这一要求使可解释性具备了运营意义。如果无法关联到已观察到的资源和确定性的检查结果，再流畅的自然语言解释也不够。证据链必须经得起熟悉受影响环境的工程师审查。

如果 Tamnoon 能维持这一标准，就能让现有检测投入发挥更大价值。如果随着自动化扩展，拒绝质量有所下降，该平台就有可能以另一种形式重演告警疲劳。届时，运营人员需要像过去审查扫描器发现一样谨慎地审查智能体决策。

Amazon Bedrock 为模型推理提供边界

Amazon Bedrock 之所以重要，是因为 Tamnoon 需要的是受治理的模型访问与基础设施控制，而不只是文本生成能力。

Tamnoon 通过 Bedrock 的 Converse 接口调用 Anthropic Claude 模型。该公司表示，推理在其位于美国商业区域的 AWS 环境内进行。当容量发生变化时，跨区域推理可在这一地理边界内路由请求。

AWS 表示，Bedrock 不会存储或记录提示词与补全内容，不会将其用于模型训练，也不会将其分发给模型提供商。其 AI 安全架构还描述了租户隔离，以及静态和传输中内容的加密机制。

这一边界很重要，因为 Tami 会处理告警载荷、资源标识符、配置细节和修复上下文。这些记录可能暴露防御控制措施或敏感架构。将其通过未经管理的外部工作流传输，会显著增加数据暴露风险。

Tamnoon 将 Amazon Bedrock Guardrails 应用于请求和响应。Guardrails 是可过滤敏感信息、禁止主题、有害内容和提示攻击的策略控制机制。它们作用于基础模型的外围，而非仅依赖提示词内部的指令。

提示注入值得特别关注。Tami 会从外部系统摄取发现结果，这些载荷应被视为不可信数据。能够影响资源名称或告警字段的攻击者，可能试图插入操纵智能体的指令。

AWS 为越狱、指令覆盖以及试图暴露机密提示词的行为提供了 提示攻击过滤器。不过，文档也指出了一个重要限制：工具结果不会被该过滤器自动评估。

这一限定对任何“Guardrails 能解决提示注入”的说法都很重要。防护效果取决于是否正确识别并标记不可信内容。每一条承载扫描器输出、检索上下文、工具结果或智能体间消息的路径，都需要经过有意识的验证。

Tamnoon 表示，Guardrails 会在其代码生成智能体运行前筛查输入。生成的产物还会经过审查循环。这些控制措施强化了整体设计，但其有效性取决于配置、测试，以及对新攻击模式的持续适应。

更广泛的 AWS 架构增加了传统安全边界。API Gateway 提供外部入口，Certificate Manager 负责传输加密，Cognito 管理身份验证。核心组件运行于跨多个可用区的私有网络中。

Amazon EKS 运行支持仪表板的持久化服务。AWS Lambda 负责收集发现结果、分析结果和执行修复工作流等事件驱动型任务。EventBridge、SQS 和 Step Functions 则协调可独立扩缩容组件之间的工作。

队列有助于遏制故障。Tamnoon 为各项服务分配了独立的输入队列、重驱动机制、错误处理程序和死信队列。CloudWatch 告警监控超时和死信队列深度，使失败记录保持可见。

基础设施定义存放于受版本控制的 CloudFormation 和 AWS Serverless Application Model 模板中。因此，权限、模型标识符、网络部署位置和告警都会经过源代码控制，从而限制手动控制台变更造成的配置漂移。

最小权限访问是另一项关键控制措施。每项服务均获得专用 IAM 执行角色。面向模型的函数可以调用指定的推理配置文件和模型，但不能管理、训练或导出这些模型。

AI 智能体绝不会保留客户的云凭据。在执行时，独立的代理组件会根据由客户控制的信任机制获取短期、租户范围限定的凭据。执行发生在规划工作的智能体之外的隔离环境中。

这种分离限制了凭据暴露并减少了持久访问。它还在决定变更内容与拥有变更权限之间建立了边界。这种模式应成为面向生产系统运行的智能体的标准配置。

租户上下文会随每条 SQS 消息一同传递，且每次调用只处理一个租户。服务间调用使用按应用程序限定范围的 OAuth2 客户端凭据。CloudTrail 会在负责的执行角色下记录推理活动。

这些组件都无法使模型推理变得绝对可靠。它们的目的在于限制故障影响并保留证据。Tamnoon 的架构将模型视为更大控制系统中一个存在不确定性的组件。

“零事故”主张需要独立压力测试

Tamnoon 报告的结果值得关注，但现有证据尚不足以证明系统在每位客户、每类风险暴露或每一自主化水平下的表现。

AWS 表示，该方法在数百万个工作负载中实现了零生产问题。Tamnoon 另行报告称，在数千次修复中实现了零事故。该公司还表示，客户将严重和高危告警减少了 66% 至 92%。

这些数字描绘出一段令人鼓舞的运营历史，但并未披露完全自主执行的分母、变更类型的分布，或升级给人工处理的案例数量。这些细节决定了结果的适用范围。

一个系统可以仅自动化简单且可逆的情况，从而保持出色的安全记录。这在高容量场景下仍然具有价值，但并不能证明智能体能够安全处理复杂的身份、网络或数据层变更。

“零生产问题”这一表述也需要精确定义。它可能不包括险些发生的事故、已回滚的变更、延迟出现的故障，或后来发现的安全退化。公开材料没有提供足够细节来评估这些类别。

根因聚类带来了另一项衡量挑战。合并相关告警可以产生显著的效率收益，但所得比率取决于扫描器行为和计数方式。通过一次变更解决的一百项发现，并不等同于一百次独立的修复决策。

90 天风险暴露降低同样取决于起始条件。拥有大量历史积压的客户可能会迅速获得早期收益。即使表现强劲，重复问题较少的成熟项目也可能呈现较小的百分比变化。

Tamnoon 承认，其影响数据来自自身研究。因此，买方应要求提供针对客户的证据。有效的验证指标包括各置信状态下发现结果的占比、审批率、回滚频率以及变更后验证失败率。

团队还应测试间接提示注入。发现结果中可能包含由攻击者控制的标签、元数据、代码仓库内容或日志。安全评估人员应验证恶意文本无法重定向调查智能体，或影响生成的修复方案。

凭据控制也需要单独评估。短期访问降低了持久性风险，但权限范围仍然至关重要。审查人员应检查执行角色允许哪些操作、如何强制执行租户身份，以及紧急撤销机制是否有效。

模型更新会引入另一项风险。Tamnoon 的固定标识符使变更可供审查，这优于静默升级。不过，每次升级仍需针对历史边缘案例、拒绝决策和对抗性载荷进行回归测试。

人工监督也可能成为瓶颈。如果分析师因为队列过大而自动批准建议，形式上的审批步骤提供的保护便十分有限。界面应清晰呈现证据，以支持有意义的审查。

Amazon Bedrock Guardrails 不应被视为完整的安全边界。AWS 建议采取分层控制，因为提示防御仍然具有概率性。因此，Tamnoon 的只读调查、独立审查、隔离执行和回滚要求结合起来才更为重要。

第三方评估将强化这一论述。独立测量可以定义事故、分类自主操作，并将修复质量与经验丰富的工程师进行比较。它还可以评估在环境变化后已关闭的发现是否仍然保持关闭状态。

核心主张作为已报告的客户结果是可信的，但不能视为普遍保证。Tamnoon 已发布详细架构和可量化结果。接下来的责任是证明，随着自主性和工作负载复杂性的提高，这些结果仍然能够持续。

三项信号将揭示智能体修复能否规模化

下一项考验在于，Tamnoon 能否在扩大自主执行的同时，保持拒绝质量、独立证据和持久修复。

第一个信号是 SAFE、RISKY 和 AWAITING DATA 决策的分布。SAFE 占比上升，意味着 Tami 正在识别更多可重复模式。只有在回滚率和变更后事故率仍然较低的情况下，这一结果才能进一步增强论据。

如果升级率下降却没有透明的安全指标，信心将会减弱。买方既需要生产力，也需要克制。Tamnoon 应披露人工推翻分类的频率，以及哪些风险暴露类别仍被排除在自主执行之外。

第二个信号是对修复结果的独立验证。客户研究、外部评估或清晰记录的方法论，都可以检验所报告的暴露风险下降情况。最有力的证据应当区分自主修复与经人工批准、由人工执行的变更。

这种验证还应包括持久性。某项发现如果在部署后再次出现，就说明问题并未得到彻底解决。衡量指标应区分永久性的根因修正与临时压制、例外处理或扫描器状态变化。

第三个信号是 CNAPP 厂商和云服务提供商的竞争动向。Security Hub 的修复计划已表明，AWS 正在超越孤立发现的处理方式。检测厂商可以在其现有平台中加入更深入的规划、执行与验证能力。

如果这些厂商将基于证据的修复标准化，Tamnoon 所在的市场将扩大，但竞争也会更加激烈。由于客户很少只使用一种扫描器，其跨工具定位仍可能具有价值。然而，仅靠集成并不足以保护其差异化优势。

Tamnoon 需要证明，其证据链能够在异构环境中促成更安全的决策。它还必须证明，客户能够更换扫描器，而无需重建修复知识。持续积累的运营学习能力，可能比模型访问权限更具防御性。

Amazon Bedrock 为 Tami 提供了受治理的模型访问能力和 AWS 原生控制措施。它并不决定基础设施变更是否正确。这一判断来自上下文收集、确定性检查、保守分类、审批和验证。

对于安全负责人而言，眼前的问题很实际：哪些修复类别足够重复、可逆且可观测，适合采用受控自动化？这些场景是最佳起点。它们也能在扩大权限前产出所需的证据。

评估 Tamnoon Amazon Bedrock 修复能力的团队应要求查看决策记录、拒绝处理示例、凭证权限范围和回滚数据。他们应使用自身的发现来测试系统，而不是依赖泛化的演示。最重要的是，他们应衡量自动化运行后仍保持关闭状态的暴露风险。

智能体式云安全不会因 AI 多么有说服力地解释修复方案而受到评判。评判标准在于暴露风险是否消失、生产环境是否保持健康，以及每一项决策是否仍可审计。Tamnoon 已为这一检验展示了一套严肃的架构。其下一步成果必须证明，安全性能够随着自主性的提升持续扩展。