据日期为 2026 年 11 月 6 日的 AWS 官方资料,Greenlight Financial 已将安全运营中心(SOC)的大部分日常处置交给名为 Luna 的多智能体系统。按 AWS 引述的 Greenlight 生产数据,Luna 每月可处理 3000 至 4000 个安全与风险案例,其中超过 90% 无需人工介入;常规案例的分诊时间也从人工所需的 15 至 30 分钟缩短至数秒。这些效果属于厂商披露的运营数据,并非独立测评结论。
从逐项人工核验转向自动分诊
Greenlight 此前需要由分析员交叉核对四类来源:暗网泄露卡、身份与访问异常、基础设施告警,以及可疑交易等金融风险事件。以泄露卡为例,分析员不仅要确认卡片状态,还要去重历史通知、查看客户会话和交易记录,并检查未结工单。单一流程跨越多个系统,重复操作多,难以维持稳定时效。
- 暗网情报用于确认客户卡片是否出现在泄露数据中。
- 身份、端点、资产和可观测性数据用于判断异常行为及其影响范围。
- 支付、客户会话、支持工单和欺诈评分用于评估实际风险。
分层代理承接不同复杂度
Luna 的核心是运行在 Amazon Bedrock AgentCore 上的分层多智能体架构,而不是让单一模型直接处理所有调查。
- 第一层主管负责高流量初筛。它运行于 Amazon VPC 私有子网中的 AgentCore Runtime,通过 S3 和 ZIP 包部署代码,并协调 30 多个专业代理,汇总身份、端点、资产、代码变更、威胁情报和自动化处置等结果。
- 第二层主管处理超出第一层置信阈值的复杂案件。它使用具备扩展推理能力的基础模型,通过 EventBridge、SNS 队列完成事件和补充调查,并生成包含证据链的报告,供人工复核。
- 外部入口兼顾自动化与交互使用,包括接收 Tines SOAR 告警、开放 Luna API 和 MCP 端点,以及为值班工程师提供桌面聊天入口。
记忆与反馈形成处置闭环
AgentCore Memory 为 Luna 保存短期事件、长期语义信息和重复案件模式。短期记忆采用 30 天滚动窗口,用于识别近期同类告警;长期记忆则沉淀允许规则、误报特征和标准处置模板。案件解决结果由 Lambda 捕获并写入 DynamoDB,再经过去重和摘要处理反馈给主管层,使后续分诊能够参考既有结论。据 Greenlight 称,这一机制帮助其自主解决率从仅启用第一层时的 83% 提升至 90% 以上。
从安全运营扩展到金融风险
据官方资料,Greenlight 在 SOC 部署后两个月内将 Luna 扩展到金融风险分诊,主要增加 Galileo、欺诈评分等专业代理及风险领域主管,而不是重建底层架构。面对泄露卡,系统先核实卡片归属与状态,再查询 DynamoDB 判断是否重复,并交叉参考 Mixpanel、Zendesk 和内部欺诈数据,最终按风险级别记录、标记或升级。AWS 披露,Greenlight 每天会收到数百条泄露卡通知,此类案件由 Luna 在数秒内完成处理。
适用场景与现实边界
这种架构适合告警量大、判断流程相对稳定、需要跨系统取证,并且能够明确定义升级条件的场景。Greenlight 的做法也说明,“自主解决”主要指自动完成调查、判级、记录和建议,并不意味着模型可以绕过审批直接执行高风险修复;在其设计中,最终修复仍由人工分析员或经过批准的自动化策略授权。
实施成本和收益仍需结合自身条件评估。系统效果依赖数据接入质量、规则维护、代理工具权限、记忆治理及升级阈值;官方估算 Luna 每月可节省约 900 至 1800 小时例行人工工作,但该数字基于案例量和处理时长推算。对于受监管行业,更稳妥的路径是先选择一个边界清晰且可度量的场景,在保留人工复核和审计证据的前提下验证可靠性,再逐步扩展专业代理与风险领域。
资料来源:How Greenlight Financial built an autonomous SOC solution on Amazon Bedrock AgentCore(2026-11-06)。
一起聊聊
留下你的想法,评论审核通过后展示。