文章总结： 日本电商平台ZOZO利用ClaudeAIAgent构建SOC智能化工作流，通过AI初筛加人工复核模式处理告警。系统让Claude扮演一级分析师，自主调用日志查询、威胁情报等工具进行事件分析并生成结构化报告。实践表明该方案显著提升告警处理效率、缩短响应时间并增强夜间覆盖能力。团队强调人机协作优于全自动化，人类需在关键决策中保持主导权。 综合评分： 86 文章分类： 安全运营,AI安全,实战经验,威胁情报,应急响应

当 AI 成为安全分析师：如何用 Claude Agent 重构 SOC 运营

安全牛

2026年7月1日 12:19 北京

在小说阅读器读本章

去阅读

点击蓝字 关注我们

引言：SOC 的永恒困境

深夜零点，告警系统再次鸣响。

一名 SOC（Security Operations Center，安全运营中心）分析师盯着屏幕，面前是数十条疑似异常的日志条目。他需要在最短时间内判断：这是一次真实的入侵行为，还是又一次误报？他需要查询威胁情报、关联多个系统的日志、核对历史事件……而与此同时，新的告警还在不断涌入。

这是全球每一个 SOC 团队每天都在经历的真实场景。

告警疲劳、人才短缺、重复性分析工作占据大量时间——这三座大山，压在每一支安全运营团队的肩膀上。如何破局？

日本头部时尚电商平台 ZOZO 给出了一个颇具前瞻性的答案：引入 Claude AI Agent，让大语言模型成为 SOC 团队的”数字分析师”。

近日，ZOZO 技术团队在其官方技术博客发布了一篇详尽的实践文章，完整披露了他们如何构建基于 Claude 的 SOC 智能化工作流。本文将对这一实践进行深度解析。

ZOZO 是谁？他们面临什么挑战？

ZOZO 是日本最大的时尚电商平台之一，旗下拥有 ZOZOTOWN 等知名品牌，用户规模庞大，日均交易量可观。作为一家处理海量用户数据和支付信息的平台，网络安全对 ZOZO 而言是核心命脉。

然而，像大多数企业安全团队一样，ZOZO 的 SOC 也面临几个经典痛点：

第一，告警量爆炸式增长。 随着云原生架构的普及和业务规模的扩大，ZOZO 的安全监控系统每天产生的告警数量呈指数级上升。其中大量是误报或低优先级事件，但每一条都需要人工审核。

第二，分析工作高度重复。 相当一部分告警的分析流程是固定的：查日志→查 IP 信誉→查历史事件→写报告→关闭或上报。这类机械性工作大量消耗了经验丰富的分析师的精力，导致他们无法专注于真正复杂的威胁研究。

第三，响应速度要求越来越高。 现代攻击的横向移动速度极快，留给防守方的响应窗口越来越短。人工处理的速度天然存在瓶颈。

第四，夜间和节假日覆盖难题。 SOC 需要 7×24 小时运营，但人力资源有限，夜班和节假日期间的分析质量往往难以保证。

这些问题驱使 ZOZO 团队开始探索：能否让 AI 承担那些结构化、重复性的分析工作，从而让人类分析师专注于更高价值的判断？

为什么选择 Claude？

在众多大语言模型中，ZOZO 团队最终选择了 Anthropic 的 Claude 作为核心引擎。这一选择背后有几个关键考量：

强大的指令遵循能力。 SOC 场景对 AI 输出的格式和逻辑有严格要求——分析结论必须清晰、推理链条必须可追溯、输出必须符合既定模板。Claude 在复杂指令下的遵循能力表现出色。

出色的长上下文处理能力。 安全事件分析往往需要同时处理大量日志数据、威胁情报报告和历史事件记录。Claude 对长上下文的理解和整合能力为此提供了天然优势。

相对保守的生成风格。 在安全场景中，”言之有据”比”脑洞大开”更重要。Claude 倾向于基于提供的证据作出判断，而非凭空推测，这与 SOC 分析的专业要求高度契合。

Tool Use（工具调用）能力。 这是整个 Agent 架构的核心。Claude 能够根据分析需要，自主调用预定义的外部工具（如日志查询 API、威胁情报接口等），真正实现”思考-行动-再思考”的 Agent 闭环。

架构解析：Claude Agent 如何嵌入 SOC 工作流

ZOZO 构建的不是一个简单的”AI 问答机器人”，而是一套具备自主行动能力的 Multi-step Agent 系统。

整体架构思路

整个系统的核心设计理念是：让 Claude 扮演一个”一级分析师”的角色，负责处理告警的初步分析、信息收集和初步研判，并将结果以结构化报告的形式呈现给人类分析师，后者再做最终决策。

这种”AI 初筛 + 人工复核”的模式，既充分发挥了 AI 的速度优势，又保留了人类在关键节点的判断权威。

核心组件

1. 告警接入层

当 SIEM（安全信息和事件管理系统）产生告警时，系统自动触发 Agent 工作流。告警的原始信息（包括时间戳、涉及 IP、用户账号、事件类型等）被封装成标准化格式，传入 Claude。

2. 工具集（Tool Set）

这是整个架构最关键的部分。ZOZO 团队为 Claude 预定义了一系列可调用的工具，包括：

• 日志查询工具：允许 Claude 根据需要，按时间范围、IP 地址、用户 ID 等维度查询安全日志
• 威胁情报查询工具：对 IP 地址、域名、文件哈希值进行声誉查询，获取已知威胁信息
• 用户信息查询工具：查询涉事用户的基本信息、权限级别、近期行为历史
• 历史事件查询工具：检索与当前告警相似的历史事件及其最终处置结果
• 告警写回工具：将分析结论和建议回写到告警工单系统

3. Claude Agent 推理层

Claude 接收告警信息后，进入 ReAct（Reasoning + Acting）循环：

• 思考（Reasoning）：基于当前信息，判断下一步需要收集什么数据
• 行动（Acting）：调用相应工具获取数据
• 观察（Observation）：整合工具返回的结果
• 再思考：基于新信息更新判断，决定是否需要进一步调查

这个循环持续进行，直到 Claude 认为已有足够信息得出结论，或达到预设的最大步骤上限。

4. 报告生成层

分析完成后，Claude 生成一份结构化的分析报告，包含：

• 事件概要
• 调查过程（Claude 执行了哪些查询，发现了什么）
• 风险研判（真实威胁 / 疑似威胁 / 误报）
• 处置建议
• 置信度评估

5. 人工复核层

分析报告推送给值班分析师，分析师在 Claude 的分析基础上做最终决策。如果认可 Claude 的判断，一键确认；如有疑问，可以查看详细的调查链条。

关键技术细节：Prompt 工程与系统提示设计

在 ZOZO 的实践中，Prompt 设计是整个系统效果的关键变量。

团队为 Claude 设计了一套精密的系统提示，将 SOC 分析师的专业知识和分析框架内嵌其中，包括：

• 角色定义：明确 Claude 是一名具备丰富经验的 SOC 一级分析师
• 分析框架：规定 Claude 在面对不同类型告警时应遵循的分析步骤和优先级
• 输出规范：严格规定报告格式，确保人类分析师能快速获取关键信息
• 保守原则：在证据不足时，倾向于将事件上升为”待核查”而非武断判定为误报
• 工具使用规范：说明各工具的适用场景和调用限制

团队还专门对 Prompt 进行了大量的迭代测试，针对常见的安全告警类型（如暴力破解、异常登录、数据泄露告警等）分别优化了分析策略。

实际效果：数据说话

根据 ZOZO 团队的披露，系统上线后取得了显著成效：

告警处理效率大幅提升。 相当比例的一级告警实现了自动化分析，分析师的人均处理能力得到大幅提升。

响应时间显著缩短。 对于可以自动化处理的告警，从触发到完成初步分析的时间从原来的数十分钟压缩至几分钟以内。

误报处理成本下降。 Claude 能够快速识别常见误报模式，将这部分工作从分析师手中解放出来。

夜间覆盖能力增强。 即便在非工作时间，系统也能自动完成初步分析，并在关键时刻及时通知人工介入，显著提升了夜间告警的响应质量。

分析报告质量稳定。 AI 生成的报告在格式规范性、信息完整性上高度一致，避免了人工疲劳导致的分析质量波动。

踩过的坑：诚实面对挑战

ZOZO 团队并没有只展示成功，他们也诚实地分享了在实践中遇到的挑战：

幻觉问题需要持续关注。大语言模型存在”幻觉”风险，可能在证据不足时给出听起来有道理但实际错误的结论。团队通过要求 Claude 在报告中明确标注推理依据，以及在人工复核环节进行把关来缓解这一风险。

工具调用的边界界定。 在设计工具集时，需要仔细权衡：赋予 AI 太多权限可能带来安全风险，但权限太少又会限制分析能力。ZOZO 目前的策略是 AI 只有”读”权限，没有任何直接执行封禁、删除等操作的”写”权限，所有实际处置动作仍由人工执行。

上下文窗口的管理。 对于涉及大量日志数据的复杂告警，如何在上下文窗口限制内传入足够的信息，需要精心设计数据压缩和摘要策略。

Prompt 的持续维护成本。 随着业务环境变化和新型威胁出现，系统提示和工具集需要定期更新，这要求团队具备持续维护的能力和意识。

更大的图景：AI Agent 在安全领域的未来

ZOZO 的实践只是一个缩影。放眼全球，AI Agent 正在以前所未有的速度渗透到网络安全的各个环节。

在威胁检测层面，AI 能够从海量数据中发现人类难以察觉的微弱信号，识别新型攻击模式；在事件响应层面，Agent 可以自动完成取证分析、影响范围评估等耗时工作；在威胁情报层面，AI 能够实时处理来自全球的情报源，快速提炼出与本组织相关的高价值信息；在红蓝对抗层面，AI 既可以扮演攻击者的角色进行自动化渗透测试，也可以辅助防守方快速分析攻击路径。

然而，我们也需要保持清醒：AI 是强大的工具，但不是万能的替代品。

安全领域中大量决策需要结合业务背景、合规要求、组织文化等因素综合判断，这些是当前 AI 所不具备的。更重要的是，在安全运营中，一个错误的判断可能带来灾难性后果——这要求我们在推进 AI 自动化的同时，始终保持人类在关键决策节点的主导权。

ZOZO 的”AI 初筛 + 人工复核”模式，提供了一个值得借鉴的平衡点。

对国内安全团队的启示

对于正在探索 SOC 智能化的国内企业安全团队，ZOZO 的实践提供了几点有价值的参考：

从小处起步，快速验证。 不必一开始就构建庞大的系统。可以选择一类高频、流程固定的告警作为试点，快速验证 AI 辅助分析的效果，再逐步扩展。

人机协作优于全自动化。在当前技术成熟度下，”AI 分析 + 人工决策”是比”完全自动化”更稳健的路径。特别是在处置动作层面，建议保留人工确认环节。

投资 Prompt 工程。 将团队的安全经验和分析框架系统化、结构化地写入系统提示，是决定 AI 分析质量上限的关键工作，需要认真对待。

重视工具安全边界设计。赋予 AI 的工具权限需要经过严格的安全评估，遵循最小权限原则。

建立评估和反馈机制。 持续跟踪 AI 分析的准确率，收集分析师的反馈，形成闭环改进机制。

结语

ZOZO 的实践证明：AI Agent 不是 SOC 的威胁，而是 SOC 的增援。

当 Claude 承担起那些机械性、重复性的分析工作，人类分析师便能从繁琐的告警海洋中抬起头来，将目光投向更深层的威胁、更复杂的攻击链条、更具战略价值的安全建设工作。

这或许正是 AI 时代安全运营的理想形态：人类负责判断与智慧，机器负责速度与规模；人机协作，共同守护数字世界的边界。

对于每一个正在与告警疲劳、人才短缺、响应慢等问题苦苦搏斗的 SOC 团队来说，ZOZO 的探索值得认真研究。不一定要完全复制，但其中蕴含的思路——用 AI Agent 重构安全运营工作流——或许正是破解 SOC 困境的一把钥匙。

相关阅读

墨西哥水务系统遭Claude与GPT-4.1攻击，城市关键基础设施安全警钟长鸣

AI重塑SOC：当90%的告警实现全自动处理，安全分析师该做什么？

重磅发布 | 安全牛《AI大模型安全评估与防护技术应用指南》

联系我们

合作电话：18610811242

合作微信：aqniu001

联系邮箱：[email protected]

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：安全牛 《当 AI 成为安全分析师：如何用 Claude Agent 重构 SOC 运营》