Amazon Bedrock AgentCore 构建多代理SOC系统

# Amazon Bedrock AgentCore 构建多代理SOC系统

Amazon Bedrock AgentCore 提供构建、连接和优化多代理系统的基础设施。Greenlight Financial 使用 Luna 这个分层多代理系统，在 AgentCore 上自主处理每月最多 4,000 个安全与风险告警，自动解决超过 90% 的案件，无需人工干预。

如果你在金融科技或合规行业面临安全运营压力，希望通过多代理架构实现自主 triage 和持续学习，本文适用。它适合已有 AWS 环境、熟悉 Bedrock 模型和工具调用的团队。决策时，优先评估告警量、数据源丰富度和对合规的严格要求：高频量化的场景下效果最显著，复杂需人工判断的边缘案例仍需人工介入。

什么是 Luna 多代理系统

Luna 是 Greenlight Financial 的自主安全运营中心（SOC）解决方案，构建在 Amazon Bedrock AgentCore 之上。AgentCore 提供运行时、内存和 API 层，支持在 VPC 内私有部署代理代码，通过 S3 ZIP 包进行代码部署，避免了传统在自建基础设施上维护多代理的复杂性。

系统采用分层监督模式，Tier 1 处理高量告警 triage，Tier 2 处理深度调查。整个架构镜像人类 SOC 团队协作，但机器速度更快。

为什么需要多代理 SOC 系统

Greenlight Financial 处理敏感金融数据，面临四大告警来源：

• 暗网泄露卡片
• 身份与访问异常
• 基础设施告警（EDR、SIEM 等）
• 金融风险事件

单个人工分析师处理每起案件需 15–30 分钟。4,000 起/月计算下来，时间和人力成为瓶颈。Luna 的目标是：

1. 自主处理常规案件
2. 复杂案件自动升级至人工
3. 通过学习提升准确率
4. 严格遵守金融服务合规要求

架构设计：分层多代理系统

Luna 采用分层监督架构，Tier 1 负责量级处理，Tier 2 处理复杂性。

#### Tier 1：高量告警自动三检 Tier 1 使用 Amazon Bedrock 上的先进大模型，在 AgentCore 运行时运行。运行时部署于 Amazon VPC，采用私有子网和 S3 ZIP 部署方式。

它调用超过 30 个专用代理，覆盖以下领域：

Tier 1 通过 Amazon API Gateway（Luna Queue API 和 Model Context Protocol 端点）以及 Tines SOAR 接收告警，根据类型决定调用哪些代理，合成结果给出最终判定。常规案件中位数三检时间为单数秒。

#### Tier 2：深度调查 超过 Tier 1 置信阈值的案件升级至 Tier 2，使用支持扩展推理能力的 Bedrock 基础模型。它通过 boto3 调用专用代理，进行 3–5 个数据源间的因果链条推理，生成带证据链的调查报告。

Tier 2 运行方式包括事件驱动（EventBridge 定时触发、SNS 队列完成）和按需触发（紧急告警）。

#### 不同人设入口 系统暴露三个入口，适配不同团队：

• Tines SOAR：自动告警摄入
• 安全、风险和生产运维工程师：API 直接调查请求
• Claude Desktop 扩展：工程师通过聊天描述需求，Luna 执行深度调查并提供完整工具访问

内存与持续学习机制

AgentCore Memory 层是 Luna 的关键差异化组件，支持模式识别和去重。

#### 周期性内存（30 天滚动窗口） 存储近期事件和解决结果。新告警来临时，Luna 检查过去 30 天是否有相同模式、已解决结果是什么。

示例：基础设施角色每星期二凌晨 3 点有固定访问模式。若无内存，Luna 会每周标记；有内存后，首次解决后自动白名单该模式。

#### 长期记忆 持久化语义偏好和解决模板：

• “此访问模式是因角色目的而预期”
• “来自某特定暗网源的卡片误报率 73%，优先去重”

#### 学习闭环管道

1. Lambda 捕获 Tines 事件中的解决结果
2. DynamoDB 存储解决模式并去重（相同解决三次记录为确认模式）
3. Lambda 加工新学习点为可行动上下文
4. 反馈循环：解决学习点反向喂给 Tier 1，提升首轮准确率

此管道使 Luna 自主解决率从 Tier 1 仅 83% 提升至全系统 90% 以上。

从 SOC 扩展至金融风险三检

部署 SOC 后两个月，Luna 扩展至金融风险评估。新专用代理和风险领域监督层叠加在原有基础设施上，变更最小。

暗网泄露卡片完整工作流：

1. 摄入：Mastercard 等威胁情报提供商报告泄露卡号
2. 验证：查询 Galileo，确认是否 Greenlight 客户、当前是否活跃、近期交易历史
3. 去重：DynamoDB 检查是否重复通知
4. 交叉引用：Mixpanel 检查会话异常、Zendesk 检查票据、内部欺诈评分
5. 评估与行动：低风险记录监控，中风险标记高风险则提供完整证据链升级人工

Luna 单起处理时间从人工 15–30 分钟缩短至几秒。

关键性能数据

以下表格对比 Luna 部署前、Tier 1 阶段和全 Tier 1+Tier 2 阶段：

基于 4,000 起/月案例量，人工处理需每月 1,000–2,000 小时分析师时间。Luna 自主解决后，节省 900–1,800 小时。速度优势和一致性（无疲劳）进一步降低风险。

构建与部署建议

AgentCore 运行时支持私有 VPC 部署，代码通过 S3 ZIP 包上传。建议从 Tines SOAR 告警摄入开始，逐步添加 Claude Desktop 扩展作为工程师入口。Memory 层配置 30 天滚动 + DynamoDB 持久化，学习管道通过 Lambda 触发。

延伸阅读

• [GrokCode API 中转]
• [GrokCode 中转倍率与定价]
• [GrokCode Grok API 官方文档]
• [GrokCode 本地部署工具]
• [GrokCode 模型天梯]
• [GrokCode 开源模型]
• [GrokCode 工具与资源]

风险与边界

多代理系统依赖基础模型输出和工具调用正确性，任何上游变更（如 Bedrock 模型更新或 IAM 策略调整）都可能影响行为一致性。在合规严格的金融行业，建议定期审计日志和人工复核升级案例。建议以 AWS 官方最新文档和控制台当日报价为准，不同账户具体成本因实例类型、模型选择和流量而异。非法律意见，本内容仅供技术参考。

English summary

Amazon Bedrock AgentCore enables building, connecting, and optimizing multi-agent systems at scale. Greenlight Financial developed Luna, a tiered multi-agent autonomous SOC on AgentCore runtime and memory, resolving over 90% of 3,000–4,000 monthly security and risk alerts without human intervention. The system uses 30+ specialized agents orchestrated by Tier 1 supervisors for rapid triage and Tier 2 for deep investigation, with episodic and long-term memory plus a learning pipeline that boosts accuracy over time. Architecture supports private VPC deployment via S3 ZIP and integrates Tines SOAR, API Gateway, and Claude Desktop extensions. Performance data shows median triage time reduced to seconds and escalation rate below 10%. While powerful for regulated financial environments, success depends on proper model selection, memory configuration, and compliance controls; always validate with current AWS documentation.