Greenlight Financial 如何基于 Amazon Bedrock AgentCore 构建自主 SOC 解决方案 | Amazon Web Services

📌 One-Sentence Summary
Greenlight Financial 基于 Amazon Bedrock AgentCore,采用带有情景记忆的分层多智能体架构构建自主 SOC 解决方案,每月处理 3,000-4,000 起安全与风险事件,其中超过 90% 可自主解决,同时满足金融服务合规要求。
📝 Summary
Greenlight Financial 基于 Amazon Bedrock AgentCore 开发了自主安全运营中心(SOC)解决方案 Luna,每月处理 3,000-4,000 起安全与风险事件,自主解决率超过 90%。该系统采用分层多智能体架构:一级通过 30+ 个专用智能体处理大批量分诊,二级负责需要多步推理的复杂事件。Luna 可在数秒内对暗网泄露记录、身份异常、基础设施告警和金融风险事件进行分诊,并通过情景记忆(30-day 滚动窗口)和长期记忆实现持续学习。其架构仿照人工 SOC 团队的组织方式,使用 AWS 托管服务,并通过人工介入升级处理来满足合规要求。主要经验包括:从边界明确的领域入手、仿照人工团队的组织结构,以及利用记忆不断累积价值。
💡 Main Points
分层多智能体架构支持大规模自主 SOC 运营
Luna 通过一级监督智能体处理大批量分诊,由 30+ 个专用智能体负责身份、终端、可观测性、支付处理和威胁情报;二级则处理需要跨 3-5 个数据源进行多步推理的复杂事件。
情景记忆与长期记忆推动准确性持续提升
30-day 滚动情景记忆窗口让 Luna 能识别模式并自动将预期行为加入允许名单;长期记忆则保留语义偏好和解决方案模板,使自主解决率从 83% 提升至超过 90%。
人工介入机制满足受监管行业的合规要求
Greenlight 将 Luna 设计为负责分诊和提出建议,而非自主采取补救措施。执行操作必须获得人工分析师授权或符合获批政策,从而满足金融服务合规要求并赢得团队信任。
共享专用智能体支持跨领域拓展
从 SOC 拓展至金融风险领域时,Greenlight 复用了现有智能体(Datadog、Zendesk、Mixpanel),并增加了领域专用智能体(Galileo、欺诈评分),在保持一致性的同时降低了维护负担。
AWS 托管基础设施可提供全天候、一致的安全运营
Luna 完全运行在 AWS 托管服务上,包括 Amazon Bedrock AgentCore、EventBridge、SNS、DynamoDB、S3、CloudWatch Logs、Secrets Manager、Lambda 和 API Gateway,可持续提供稳定的服务质量,不会疲劳或走捷径。
💬 Key Quotes
「Greenlight 的 Luna 使用 Amazon Bedrock AgentCore,这是一套用于大规模构建、连接和优化智能体的基础设施。」
「记忆层正是 Luna 区别于无状态分诊工具的关键。它支持模式识别、去重和持续提升准确性。」
「这种人工介入机制让 Greenlight 能够自动处理常规分诊,同时保留对补救决策的控制权。」
「其他受监管行业的团队也可以采用相同方法:从边界明确的用例入手,设定清晰的升级处理标准,并随着系统成熟逐步增加专用智能体和记忆能力。」
📊 Article Meta
AI Screening: 88
Source: AWS Artificial Intelligence
Author: Adam Maksimuk
Category: 人工智能
Language: 英文
Read Time: 11 min
Word Count: 2504
Tags:
AI 与智能应用 , AI 工程 , 机器学习 , AI Agent , 安全
点赞,必须点赞
路过
路过
这个观点很中肯,深有同感。
很有价值的分享,感谢整理。
思路清晰,干货满满。
这个观点很中肯,深有同感。
这个比较实用,已转发给同事。
这个观点很中肯,深有同感。
有没有更详细的教程,期待后续。
支持作者,持续关注中。
作者写得真不错,学到了不少。