北京
一份來自某Tier-1電信運營商5G核心網生產安全運營的實踐經驗顯示，基于Agent-to-Agent（A2A）開放協議與Model Context Protocol（MCP）構建的多智能體架構，在過去一年中經過持續迭代與內部部署，已在安全事件檢測與響應上取得可量化成果。
該架構首先構建了一個具備明確安全約束的審查智能體（reviewer agent），其約束條件以“策略即代碼”的形式固化，而非依賴大語言模型（LLM）的提示詞工程，并在協議層面內置了通向人類的升級路徑。系統通過A2A協議實現智能體間的協調，通過MCP集成環境。這種以開放協調與上下文協議為底座的思路，使得即使相隔18個月編寫的智能體仍能通過A2A完成通信，且通過MCP暴露的每個新工具幾乎能以接近于零的邊際集成成本對全體智能體立即可用。
在LLM的調用策略上，系統并未讓模型直接面對全量遙測數據，而是采用了一種輕量級的孤立森林（Isolation Forest）算法進行經典異常檢測，僅將算法判定為真正新穎的樣本路由給LLM驅動的智能體進行處理。此異常檢測前置的門控機制使得推理成本保持有界、延遲可預測，且LLM僅需承擔此前必須由人類完成的工作。
對照一組基準事件類別的測量數據顯示，該架構將平均檢測時間與平均響應時間各縮短了約40%，自主生成了超過80條此前未能編寫的檢測規則，并將人工編寫一條新規則所需的工作量從大約3小時壓縮至15分鐘。平臺當前并行監測著10到20個5G網絡功能。
該實踐同時對當前安全運營領域常見的兩種AI應用模式給出了否定判斷。其一是“單片式LLM”模式，即將安全遙測數據、資產上下文等信息直接管道式輸送給大語言模型，該模式在生產環境無法被容忍的非確定性；其二是“安全信息與事件管理（SIEM）上的生成式AI”模式，這被評估為一種生產力工具，而非架構層面的進步。
實踐總結認為，一種具備異常門控推理、策略門控自主性，且保留真正人類介入環節的多智能體層，才是可靠且持久的替代方案。此外，實踐中提出了一個對生產安全運營中心至關重要的延遲衡量指標：從一種新威脅類別在野外出現，到本中心部署針對該威脅的檢測能力之間的時間差。整個架構應圍繞優化這一延遲進行設計。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
