先说观点：关于AI应用，通常都会聊准召。但在安全等模糊标准的场景下，事实上不存在准召的定义。因此，AI的目标应该是尽可能的"像人"。而想要评价有多"像人"，就先需要将人的工作数字化。而AI Agent是能够将数字化、自动化、智能化这几个转变过程相对顺畅衔接起来的一种框架。
0、为什么GPT让大家感到兴奋
单纯从能力上看，针对特定的任务，GPT是不如各种已有能力的：
-
执行加减乘除、排序、去重等任务，GPT远不如各种脚本和工具来得靠谱。当任务相对简单时，还能够应付，一旦复杂度增加，GPT就会出现各种异常，比如：大数计算、长文本任务等。
-
强监督任务，即使复杂度极高，比如下围棋，AlphaGo早就通过深度学习能力打败了人类，单纯GPT肯定是比敌AlphaGo的。尽管AlphaGo取得了如此高的成就，但带来了反响并没有GPT热烈。
在细分领域能力并不强的情况下，为什么GPT带来如此大的跨圈影响？ChatGPT功不可没，他呈现的"对话"这一交互形式，大幅度降低了AI的体验门槛，拉近了人与AI的距离。而能够支撑"对话"这种交互模式，其实也代表了GPT的一些能力特性：
-
更宽松的输入和输出兼容：过往的AI通常都会要求特定格式的输入和输出，比如输入一堆特征，输出一个0和1的结果。而GPT的生成式能力，让输入输出可以变得十分随意。
-
具备较强的通识：ChatGPT选用的"大力出奇迹"方式，增大参数量和训练集，也使得自身具备了足够多的知识储备，能够zero-shot应对大部分问答场景。
因此，以GPT为代表的大模型，相当于一个"宽而浅"的智能体。承担简单任务时，其灵活性会大幅度提升工作效率，但如果承担复杂工作，则往往不会给到有效的反馈。
1、AI Agent简介
那怎么提升LLM的能力深度呢？
最直接的方法是提供更多专项领域内的数据进行训练or微调，但成本会相对较高，也未必会取得正向效果，新的知识输入可能会导致模型遗忘已有的关键知识。
在Prompt中提供更多的上下文数据，是更直接的思路。
- 比如GPT不知道新发生的事情，那就拼接一个搜索插件，在提问的时候，把查询的最新内容放到Prompt中，这样GPT就能将其作为参考来回答问题。
- 比如GPT不知道一些领域内的知识，那就提供一个知识库，在提问的时候，先在知识库中检索相关的知识放到Prompt中，这样GPT就能够将知识库作为参考来回复。
这种通过外部力量增强模型能力的做法，就属于AI Agent的简单形态。
AI Agent的学术定义如下：
Xi, Zhiheng, et al. "The rise and potential of large language model based agents: A survey." arXiv preprint arXiv:2309.07864 (2023).
AI Agent由大脑（Brain）、感知（Perception）、行动（Action）三个部分组成。作为控制器，大脑模块承担记忆、思考和决策等基本任务；感知模块负责感知和处理来自外部环境的多模态信息；行动模块负责使用工具执行任务并影响周围环境。Agent的内部信息通路是Perception->Brain->Action构成的一个循环：接受到某个任务后，大脑先做出规划，然后根据当前阶段决策需要做出哪些动作；感知到这些动作的反馈后，结合历史记忆，做出下一步决策。
Agent和playbook的概念其实很接近，或者跟进一步说，"有限状态机"本身就是一种Agent的体现。而这其中的主要差别在于，AI Agent不倾向提前定义好明确的SOP，而是让AI根据已知的情况自主判断，做出决策和下一步动作。
那为什么LLM给Agent带来了新的活力呢？因为定义过程其实是一件很难的事情：购物的时候如何挑选合适的商品、下棋的时候如何决策下一步、投资的时候选取有潜力的目标，等等。随着事件类型和特征的丰富程度增加，人来决策的直觉性越来越强，将其抽象为一个代码实现的过程也更加困难。而LLM的通识性和逻辑性，恰好能规避掉这个过程。
从另一方面来说，当前阶段的LLM不擅长完成复杂任务，但大量研究发现其具备CoT能力：通过将复杂任务进行拆解，逐步完成，能够大幅提升最终的成功率。而Agent则是一个CoT的合适载体。
因此，LLM和Agent起到了相互促进的作用。
2、安全领域下的算法应用
安全的特点是对bad case极度敏感。所以安全更讲究逻辑，不讲究概率。
比如特斯拉发生一起事故，如果只是讲概率，特斯拉已经安全行驶百万公里，事故率低于0.0001%，而你就是不幸被小概率命中的那波人。尽管都是客观公正的事实，但数字过于冰冷，并无法说服人们的赢得信任。所有要做的其实是还原事故过程，让人们认为特斯拉作为汽车厂商该做的都做了，才有可能平息质疑。
而过去算法的应用本质上都属于概率学的呈现（比如推荐你大概率会感兴趣的商品），因此很难在安全场景下得到大规模的使用，仅在部分风险可接受的场景下呈现出了积极的发展态势。如人脸识别支付，哪怕识别错了，用其他人的账户完成了支付，厂商仅需要进行对应损失的赔付即可，从整体概率上是可接受的。
在ChatGPT刚火热的时候，我一度认为Copilot是解决这一困境的方法：算法不再做决策，只是提供建议，最终还是由人来做决策。但使用一段时间后，能够明显感觉到直接讲GPT作为Copilot能提供的帮助是有限的：
-
面对简单的场景，写段脚本、写个复杂SQL等，GPT能够较好的执行结果，能够有效替代大量搜索引擎工作。
-
面对复杂的决策场景，GPT通常只能接收到有限的信息，也缺乏历史经验的输入，几乎给不到有效的建议。
这让我想起了《萨利机长》中，机长在处理应急事件时的过程：在飞机因为鸟类撞击导致引擎失灵，副机长立即拿出了QRH（Quick Reference Handbook），找到对应章节，开始按照上面的操作步骤开始处理。在副机长执行了十几项动作后（据说大约有三页，但连第一页都没过完），机长一边check，一边做出了决策：降落哈德逊河 ------ 一个完全超脱手册的判断，副机长一脸震惊。
这其实反映了安全行业特别有意思的一个现象：无论如何完备标准化处置能力，最终都还是会依靠人来完成最终决策。
而AI Agent能够在安全领域有什么帮助？它能将一个复杂任务拆分，既有利于观测过程，也有利于明确处理任务。
3、基于Agent的AI应用范式
首先，需要定义一下应用AI的目标。我认为是：尽可能模拟安全专家的决策过程，而不是追求更高的准召率。
安全本身就缺乏明确的定义，一起事件是入侵还是误报，最终还是需要交由人来决策。当安全专家穷尽各种方法也无法做出正确判断时，无法想象AI能够做出更准确的判断。因此，准召只能是AI应用的一个参照性指标，我们最终希望评判的还是，AI有多像人。
这个过程大体会分为几步：
1）所有动作的API化
Agent的重要特性之一就是能够于环境交互，具备灵活的输入输出能力，即感知(Perception)和行动(Action)部分。而将安全专家的各类操作API化，将是落地Agent的过程中工作量最大的一环。大概会需要经过一次内部的头脑风暴，把可能需要进行的操作给盘点出来。
以审查一次Web安全告警为例，可能会需要：
-
查询来源IP的归属，判断是否恶意；
-
查询当前业务的属性，是否安全相关；
-
查询内部组织架构，判断IP和业务之间的相关性；
-
查询该业务的过往请求，判断是否正常操作；
-
查询该IP的后续请求，判断是否有进一步异常动作；
-
查询告警规则，判断是否符合规则预期；
-
进行尝试性封禁，判断攻击是否被阻断；
-
获取近期客诉，判断是否存在误伤；
-
......
这其中任何一环都可能是影响最终决策的关键信息输入，因此必须保障AI Agent具备主动查询并获取相应信息的能力。
2）过往记录初步形成知识库
团队内部经过长期运营沉淀下来的经验是十分宝贵的，摒弃这部分数据从0开始使用Agent就过于浪费了。因此，第二步是想办法将过去的零散知识汇总起来，变成Agent可以快速学习和参考的知识库。相对价值比较高的内容包括：已有的SOP、处理记录/复盘报告、数据查询报表、接口文档和案例等。
知识库的检索能力会决定AI Agent的能力上限。
知识库的官方称呼为RAG（Retrieval-Augmented Generation），比较经典的RAG实现为**LangChain-Chatchat**。大致原理如下：
更理想的RAG，应当能够根据人类的思维模式来进行分类检索。比如当你接到一项任务的时候，大致会尝试在脑海中检索两部分内容：相关的理论基础、相关的过往案例。基于这两部分内容，再结合通识逻辑进行推理，通常能够做出正确的决策来。
3）指导性的运营平台
AI Agent一定需要人工交互，才能够获得反馈，持续迭代自身。
总体来说，AI Agent的运算过程仍然是黑盒的，因此需要设定一些节点，让AI Agent主动跳出循环，等待安全专家的反馈，包括：规划设定、关键控制流、最终结果。在观看其他行业的AI Agent应用分享时，下图所示的人和AI的合作分工，我认为是比较符合预期的：
这个过程中，降低交互成本是需要核心考虑的因素。基于ChatGPT的成功，对话几乎是必然的一种形态。
4）可修正的处理记录
最后，需要让AI Agent对每次任务的处理过程进行摘要记录，并且人工对其中的偏差进行修正，形成一个完整的案例报告。
这个案例报告会被录入到知识库中，当AI Agent下次处理相似的任务时，会被检索出来，使得AI Agent会按照相似的逻辑进行处理。
总结来说，完整的AI Agent大致会长这样：
有了以上这些框架之后，AI Agent的雏形就基本具备了：1）能够在安全专家的指导下，完成特定的任务处理；2）能够将日常处理过程记录下来。
这个阶段，AI Agent的表现可能并不如预期，但随着记忆的不断积累，以及持续优化记忆检索的模式（如处理任务时，将匹配度最高、最成功的历史处理记录捞出来），AI Agent就可以进入持续学习领域知识，持续提升自身能力的正向循环。
4、Agent的正向意义
对Agent的正向意义再做一轮强调。
AI的目标是：尽可能模拟安全专家的决策过程，而不是追求更高的准召率。因此，不应当期望Agent落地之后，能够带来额外的能力增益。由于历史经验的不足，Agent甚至对提效的帮助也不会特别显著。
这个过程中，最大的意义，其实是促进日常工作的数字化。而只有数字化的程度足够高，才能够形成有效的经验积累，带动整个团队提升。
在没有Agent之前，大家其实也都在往这个方向努力。比如：
-
投简历时，公司提供了极细致的简历模版（学历、年龄、工作经历、奖项等），让求职者填写各种标准字段；
-
面试时，公司将能力考核项一项项列出来（专业能力、沟通能力、综合潜力等），要求面试官填写；
-
事件复盘时，公司提供了用于刨根究底的复盘模版（事件发生时间、响应时间、止损时间、恢复时间等）；
-
......
但不得不承认的是，人工填写这些表单，是一件极其annoying的工作。因此，人性使然下，大家总是会耍各种小聪明，来降低这部分工作负担。最终往往导致，貌似有一个非常全面的机制，但执行质量却差强人意。
而AI Agent的出现，可以通过"对话"等形式，大幅度降低这部分工作的精力成本。个人认为，这才是AI Agent的最大意义。
5、结语
AI的发展大体是一个从简单白盒到复杂黑盒的过程，比如：从传统机器学习到深度学习、从RNN的标准Encoder-Decoder模式到GPT直接Decoder-only引领潮流。降低AI的应用和理解门槛，本身也是AI发展的重要趋势之一。
AI Agent似乎是让决策过程再次变得白盒。但细细品味，AI Agent实际上是将AI应用拔高了一个层面：过去只处理单个任务，现在要处理复杂作业，因此需要CoT的支撑。
大胆猜测，未来会出现一个通用的AI Agent（GPTs已经接近这个状态），大幅度降低AI Agent的落地门槛。随之而来，会出现多个Agent的协作机制：一个Agent扮演高阶决策者，其他Agent扮演不同的职能角色，进一步提升AI处理任务的复杂性。
就仿佛是一个公司的发展历程：单兵作战 -> 小团队作战 -> 多级管理团队。