Zscaler Agentic SOC 将自主遏制能力引入安全运营中心
Zscaler 于 9 月 9 日推出 Zscaler Agentic SOC，推动 AI 代理从提供建议迈向直接遏制企业网络中的威胁。矛盾随即显现：攻击速度加快，防御也必须更快；但一次自动化失误同样可能阻断合法用户，或中断关键应用。
该产品结合了专用代理、Zscaler 遥测数据、第三方警报、业务上下文，以及内联 Zero Trust Exchange 控制能力。这些代理可对信号进行分类研判、重建攻击路径、给出判定，并启动响应工作流。客户可以保留人工审批，也可以随着信心提升启用更高程度的自动化。
这使 Zscaler 置身于一场围绕安全运营未来的更大竞争中。Microsoft、Databricks、Dropzone AI 等厂商也在开发由代理主导的调查与响应系统。Zscaler 押注于其在网络流量路径中的位置，能够为代理提供更好的证据，并缩短从检测到执行控制的路径。
这并非又一个安全聊天机器人。其关键功能在于闭环修复：分析结果可以直接触发流量阻断、身份隔离或访问限制。其价值将取决于客户是否信任这些行动背后的证据、控制机制与恢复流程。
Zscaler Agentic SOC 将检测与遏制相连接
此次发布改变了自动化止步的位置：Zscaler 希望 AI 代理将一次事件从零散信号一路推进至遏制决策。
Zscaler 将这款新产品描述为以 AI 为先的安全运营系统，而非在既有仪表盘上附加的助手。该公司于 2026 年 9 月 9 日在加州圣何塞宣布推出时，产品已面向全球开放。
安全运营中心（SOC）是负责监控、调查和响应数字威胁的团队与技术体系。大多数 SOC 工作流仍将这些职责分散在多个产品和多位分析师之间。
Zscaler Agentic SOC 试图压缩这一流程。专用代理负责分类研判、根因调查、判定分配与响应编排。每个代理承担有限职责，再将其发现汇入共享的事件叙事。
该系统利用来自 Zscaler 网络、身份、端点、云、数据保护及欺骗防御的信号，也可接收外部产品的警报和上下文。Zscaler 表示，其上下文图谱将这些信号与资产重要性、用户身份、设备状态和已知暴露面等细节关联起来。
这种上下文至关重要，因为一条警报很少能自行说明其业务影响。一台闲置测试设备发起的可疑连接，与财务高管受管笔记本电脑发起的同类连接，风险并不相同。
Zscaler 表示，其代理可将活动映射至 MITRE ATT&CK 框架、总结攻击路径、展示支持性证据，并呈现相互矛盾的证据。最后这一能力直指一个基本的信任问题：分析师在批准可能造成干扰的响应前，需要了解自动化判定是如何得出的。
公司在其发布详情中表示，该服务结合 Anthropic 和 OpenAI 的模型以及专有威胁情报。Zscaler 尚未公开将产品限定为单一基础模型，这使其能够在不同模型之间路由任务。
最关键的一步发生在调查之后。Zscaler 表示，该平台可利用原生内联控制来隔离受损用户、阻断命令与控制流量，并限制横向移动。第三方集成可将这些响应选项扩展至 Zscaler 自有平台之外。
客户无需一开始就启用无人值守的遏制措施。响应控制支持手动执行、经人工批准的操作手册和自动化行动。这种渐进式模式让团队可先从建议开始，再逐步赋予代理更广泛的权限。
这一差异将此次发布与仅能总结警报的生成式 AI 功能区分开来。Zscaler Agentic SOC 将自动化推理置于可实时改变访问权限的机制旁边。
AI 驱动的攻击正在压缩防御者的响应时间
Zscaler 正在销售响应速度，因为攻击者正日益自动化过去曾为分析师争取更多时间的侦察与执行环节。
该公司认为，传统 SOC 流程无法足够快速地关联、分析和修复恶意活动。其 ThreatLabz 研究人员观察到，攻击者正在利用受信任网站、合法远程管理工具和基于浏览器的技术来规避常见控制措施。
这些方法之所以棘手，是因为每一项单独的行动都可能看似经过授权。远程管理工具具有正当的业务用途；受信任域名并不自动意味着内容安全；浏览器提示可能诱导用户执行命令，而不会投放容易识别的恶意软件。
AI 可以帮助攻击者测试更多变体、改写诱饵、收集公开信息，并协调多步骤活动。它并不会让每一次入侵都变得新颖，却会提高既有技术被调整和使用的速度与规模。
这给使用碎片化工具的分析师带来压力。一个控制台可能存放身份事件，另一个则存放端点警报。网络流量、云活动、漏洞发现和业务归属记录也可能分散在其他地方。
每一次交接都会耗费时间。分析师必须搜索相关事件，判断它们是否描述同一事件，识别受影响资产，并选择相称的响应措施。当自动化能够消除这些机械性延迟、又不掩盖证据时，其价值便会显现。
Zscaler 表示，其 Zero Trust Exchange 每日处理超过 7500 亿笔交易。该公司将这一规模视为数据优势，因为其服务已经处于大量客户连接的流量路径中。
这一说法需要谨慎解读。庞大的遥测数据量并不会自动带来准确的事件判定。数据质量、客户覆盖范围、关联逻辑、模型行为和特定环境的上下文仍具有决定性作用。
不过，内联可见性能够缩短从观察到行动的路径。覆盖式工具可能识别出可疑活动，却仍需依赖另一平台将其阻断。Zscaler 则可以将发现结果与已经在执行访问策略的控制能力连接起来。
这种压力并不限于 Zscaler 客户。Microsoft 描述了一种代理式 SOC 模型，其中自主防御会在分析师打开队列前锁定账户、隔离设备并汇集证据。
Databricks 则通过 Lakewatch 采取了不同路径，将代理式分析应用于存储在 lakehouse 中的安全数据。其方法强调开放格式、广泛的数据保留，以及靠近底层业务数据开展分析。
Dropzone AI 专注于在既有安全技术栈中调查警报，再升级处理已确认的威胁。这种覆盖式模式可能吸引希望实现自动化、但不愿替换既有工具的买家。
这些产品虽有不同，但其商业论点相似：人类注意力已成为受限资源。因此，厂商希望软件能够关闭常规案件、优先处理严重事件，并为专家审查准备复杂调查。
安全领导者面临的必答题是运营问题，而非修辞问题。他们必须决定代理可以做出哪些决策、必须呈现哪些证据，以及哪些行动仍需明确批准。
真正的竞争在于原生遥测与中立集成
Zscaler 的主要优势也是其核心取舍：原生数据可改善响应上下文，而平台依赖可能限制系统所见范围。
Zscaler 将许多竞争性代理式 SOC 产品描述为置于碎片化警报之上的覆盖层。在其看来，这些工具继承了本就困扰人工分析师的薄弱上下文和延迟信号。
其替代方案从 Zero Trust Exchange 内部生成的遥测数据开始。该平台能够将一项连接与用户身份、设备状态、应用、数据策略和访问条件相结合。代理随后利用这一关联上下文评估事件。
该产品可调查 Zscaler 流量，而无需将所有原始日志转发至独立的安全信息和事件管理系统。SIEM 是用于收集安全记录，以开展分析、调查、合规和保留的平台。
Zscaler 并未表示每位客户都应移除其 SIEM。它将 Agentic SOC 定位为一个运营层：可向 SIEM 发送提炼后的事件，同时将长期存储和广泛聚合保留在 SIEM 中。
这种架构可以减少高流量网络日志的重复传输，也可使响应代理通过观察到流量的同一平台采取行动。这两种结果都取决于 Zscaler 实际覆盖了客户相关环境的多大范围。
原生平台能够以非同寻常的深度观察自身信号。它仍可能需要外部数据，才能重建跨越电子邮件、源代码、软件即服务应用、运营技术及其他厂商安全产品的活动。
因此，第三方集成并非次要功能。它决定上下文图谱呈现的是完整攻击路径，还是其中一段详尽的片段。
Databricks 展示了相反路径。其 Lakewatch 设计强调开放格式，以及对已存储在 lakehouse 中的安全和业务数据开展分析。这可在不以内联执行平台为起点的情况下，提供广泛的历史上下文。
Microsoft 则拥有另一项结构性优势。Defender、Entra、Sentinel、Microsoft 365 和 Azure 可提供端点、身份、电子邮件、云及协作信号。其代理式战略构建于庞大的企业已安装基础之上。
Dropzone AI 等专业厂商提供中立性。它们的系统可跨既有 SIEM、端点检测、案件管理和编排产品运行。这种灵活性可降低对单一平台的依赖，尽管代理必须将多种来源的数据标准化。
Zscaler 的回应是将开放集成模式与原生执行能力相结合。它希望外部证据进入自身调查，同时将遏制能力保持在接近自有内联控制的位置。
结果不会由产品页面上的集成数量决定。买家需要测试这些连接是否携带足够上下文、能否双向运行，以及是否能在自动化行动后保留证据。
浅层集成可能只导入警报标题，而没有周边事件。更强的集成则可获取原始证据、更新案件、启动受控响应并记录结果。
这正是 Zscaler Agentic SOC 背后的核心竞争问题。原生遥测带来速度与一致性；中立平台提供更广泛的选择。企业买家必须判断，在自身环境中哪一种短板带来的风险更大。
自主响应带来新的故障面
能够阻止攻击者的智能体，同样可能中断正常业务，因此遏制准确性比流畅的事件摘要更重要。
错误的摘要只会浪费分析师时间。错误的自动化响应则可能禁用账户、阻断受信任服务、中断生产，或在紧急业务流程中隔离关键设备。
这一风险并不意味着自主遏制无法使用。它改变的是证据标准。安全团队必须将智能体视为一项运营控制措施，而不只是提升效率的功能。
首要要求是可追溯的证据。Zscaler 表示，其智能体会展示支持和反驳每项判断的信号。客户应验证这些解释是否引用了底层事件，而非仅提供看似有说服力、却无法复现证据的叙述。
第二项要求是权限边界。获准阻断恶意文件的智能体，与获准隔离高管、撤销凭证或修改大范围网络策略的智能体，带来的运营风险截然不同。
权限应与事件严重性、置信度、资产关键性和恢复成本相匹配。低风险操作可以自动执行。影响较大的操作则应要求审批，直至组织建立起可靠的运行表现。
第三项要求是可逆性。每个自动化剧本都需要经过测试的回滚路径。分析师必须知道，当判断发生变化时，如何恢复访问、撤销阻断并还原原始状态。
第四项要求是可审计性。安全与合规团队需要记录，说明智能体观察到了什么、哪些模型或策略影响了决策、执行了何种操作，以及由谁批准。
第五项要求是抵抗操纵。攻击者可能尝试污染数据、制造误导性关联，或利用智能体接收的指令。更大的工具访问权限，也会让被攻陷的智能体拥有更多造成损害的途径。
NIST 的智能体安全分析发现，业界普遍认同既有网络安全原则依然适用，但需要针对 AI 智能体作出调整。当软件能够在有限监督下进行规划和行动时，身份、授权、监控和治理都会变得更加困难。
人工审批本身并不能解决所有问题。告警量高企或解释显得权威时，分析师可能过快批准建议。因此，监督还必须包括明确的升级规则、抽样、性能审查和独立验证。
底层遥测质量带来了另一项不确定性。针对可见性缺口的行业批评认为，当端点、身份、云和网络证据仍然碎片化时，智能体可能出现误判。
Zscaler 的上下文图谱直接回应了这一批评，但该公司尚未公开提供适用于所有客户环境的通用准确性基准。在部署产生可独立比较的证据之前，其性能和收益仍属于供应商主张。
误报只是问题的一面。智能体也可能产生漏报、关闭可疑案件，或遗漏由单独看似无害的操作构成的新型攻击链。
客户应评估完整事件，而不是孤立的告警分类。有效测试包括身份遭入侵、远程管理滥用、基于浏览器的攻击、横向移动，以及横跨 Zscaler 和第三方系统的活动。
团队还应比较辅助模式与自动化模式。分析师经常拒绝的建议，不应仅因置信度评分跨过任意阈值，就成为无人值守的操作。
智能体遏制需要分阶段采用。先从观察和摘要开始，再推进至建议，随后自动化范围有限且可逆的操作，只有在量化证据支持变更后才扩大权限。
Zscaler 的 AI 合作伙伴不如其控制平面重要
模型可以提升推理能力，但 Zscaler 持久的差异化优势来自围绕模型构建的数据、权限和执行系统。
Zscaler 已将 Anthropic 和 OpenAI 列为 Agentic SOC 的模型合作伙伴。这让该平台能够使用前沿模型，而不必将每项任务绑定到单一供应商。
多模型策略可以将不同工作路由至最适合的模型。一个模型可能负责总结复杂事件，另一个则评估证据或生成响应计划。
不过，基础模型正日益为众多网络安全供应商所用。仅凭获得这些模型并不能形成持久优势。竞争对手可以授权使用类似能力，或随着性能变化替换模型。
更困难的工作围绕模型展开。安全智能体需要标准化证据、受约束的工具、针对组织的策略、身份控制、持久日志和响应机制。它们还需要针对真实事件模式测试行为的评估系统。
Zscaler 表示，其智能体借鉴了超过十年的 SOC、托管检测、响应和威胁狩猎经验。该公司还表示，来自数千个客户环境的情报为系统提供了支持。
这些表述描述的是训练和调优输入，而非经过独立验证的准确性。买家仍需要来自与自身环境相似部署的结果。
这一架构为 Zscaler 提供了若干实用杠杆。它可以利用策略和态势上下文丰富可疑连接；可以根据业务影响推荐响应；随后还可通过内联控制执行，无需等待另一家供应商的系统。
只有当治理始终附着于每个步骤时，这种闭环才有价值。不能仅因周边平台拥有广泛可见性，就让模型获得不受限制的访问权限。
安全团队需要基于角色的访问控制、范围限定的凭证、操作限制、审批策略以及客户之间的隔离。他们还应了解事件数据是否被保留、推理在何处进行，以及模型提供商如何处理提交的内容。
模型更新带来另一项运营问题。即使周边工作流保持不变，新模型的行为也可能不同。供应商在更换会影响遏制决策的模型前，需要进行回归测试。
客户应询问，Zscaler 是否记录每项操作所使用的模型版本、智能体配置、策略状态和证据。没有这些细节，调查错误响应将变得困难得多。
可解释性同样不仅仅需要文字说明。有效的事件视图应让分析师检查时间戳、身份、网络会话、受影响资产、矛盾信号以及智能体决策序列。
这正是 Zscaler Agentic SOC 主张变得具体的地方。标题提到 AI 智能体，但产品能否成功取决于可靠的控制工程。
前沿模型可以帮助智能体理解模糊性，却无法弥补缺失的证据、过大的权限、薄弱的集成或未经测试的恢复计划。
三个信号将揭示 Zscaler Agentic SOC 是否有效
下一项考验不是又一次功能发布，而是客户能否在不增加业务中断的情况下自动化有意义的遏制操作。
第一个信号是可量化的生产环境表现。买家应寻找调查时间、遏制时间、分析师工作负荷、误报操作和被撤销决策的已记录变化。
一位客户关于分析速度提升的评价能提供有用背景，但不能证明普遍可靠性。有力证据应在明确的事件类别中比较自动化与人工主导的工作流。
最有价值的报告将区分分诊与遏制。许多工具能够总结或排序告警，但能安全地对在线身份、设备、目的地或应用程序执行响应的工具要少得多。
如果部署显示遏制速度更快且不必要操作很少，Zscaler 的原生遥测论点将得到支持。频繁撤销或审批瓶颈则会削弱闭环自动化的理由。
第二个信号是第三方集成的深度。Zscaler 必须证明，当证据延伸至自身平台之外时，Agentic SOC 也能整合出连贯的事件。
买家应关注哪些 SIEM、端点、身份、云、工单和编排集成支持双向工作流，也应检视每个连接器传递了哪些上下文。
广泛集成将强化 Zscaler 关于原生遥测与开放工具能够共存的主张。有限的上下文会让客户面对又一个局部视图，即便这一视图很详细。
第三个信号是竞争对手如何将推理与执行连接起来。Microsoft 可以在 Defender、Entra、Sentinel、Azure 和 Microsoft 365 之间构建自主工作流。Databricks 可以强调开放数据和长期上下文。专业供应商则可以主张独立于执行平台。
如果竞争性方案利用更广泛证据提供可比的遏制能力，将削弱 Zscaler 的差异化。反之，若竞争技术栈之间的集成薄弱或延迟，Zscaler 的内联优势将更具吸引力。
安全负责人不必等待出现一位普遍胜出的厂商。他们可以定义一类范围有限的事件，建立人工审查的基线，并在候选系统之间测试相同的工作流。
评估应衡量证据质量、决策一致性、遏制速度、集成深度、分析师干预和回滚成功率，也应包括旨在误导智能体的对抗性测试。
团队需要可靠地记录这些试验。可搜索的技术知识库能够在安全和工程团队间保存剧本、被否决的判断、集成限制和事件后发现。
Zscaler Agentic SOC 的发布使自主防御成为当前的采购决策，而不再是遥远的概念。其最强的主张是上下文与内联操作的结合。
它最棘手的问题也同样直接：组织能否赋予智能体足够权限以快过攻击者，同时避免一项不确定判断演变为自动化故障？
从一个可逆工作流开始，定义证据阈值，并衡量每一次干预。智能体安全运营的未来将由这些记录决定，而不是由 AI 对事件叙述得多么自信。
