一句话看懂：美国陆军网络司令部正在通过“列克星敦特遣队”训练AI Agent，让它们在网络防御、数据分析和漏洞利用等具体岗位上与人类士兵协同工作。关键原则是：AI可以高速执行任务，但所有涉及风险的决策权仍保留在人类指挥官手中。
事件核心：发生了什么
美国陆军网络司令部（ARCYBER）正在系统化推进AI Agent的实战化部署。据该司令部司令Christopher Eubank中将透露，每一套创建的AI Agent都会在部队内部对应一个特定“工作角色”，覆盖开发人员、数据工程师、主机分析师和利用分析师等岗位。这些Agent必须通过“岗位资质就绪”评估，才能在人监督下执行任务。
现阶段，AI Agent已用于网络狩猎、网络安全风险管理以及保护陆军信息系统的日常运营。负责具体训练的是“列克星敦特遣队”，一支约10人的精干技术团队，近期还派出人员前往国防创新单元（Defense Innovation Unit）接受高级工程师培训。当Agent出错时，人员会修正其运行方式，再投入额外训练后返回岗位。
为什么重要
这件事的意义不在于“AI上战场”的戏剧性，而在于军事AI从“工具调用”转向“角色分工”的组织模式变化。陆军并未简单地把Agent当作自动化脚本，而是参照人员任职标准来设定Agent的资格认证、训练流程和纠错机制，这意味着军事体系中正在形成一套新的AI“人力”管理框架。
更值得关注的是“人机速度差”矛盾。陆军副参谋长Jeth Rey指出，美军目前是以“人类速度”在运行和防御网络，而对手已经在以“机器速度”行动。Agent能够在远超人的速度下完成任务，但Eubank明确表示“我们未放任任何Agent自行承担风险”。指挥官需要评估每项任务的保障措施，再决定哪些可交给AI、哪些必须保留人工判断，这套“机器速度执行＋人工风险兜底”的模式可能成为未来高敏感领域的人机协作范本。
对用户/开发者/创作者的影响
对AI行业开发者和服务商而言，美国陆军的做法提供了一个重要信号：政企客户对AI Agent的需求不只是更强的模型推理能力，而是围绕“岗位职责定义”“资格认证”“过程可审查”和“错误回退机制”的一整套工程化体系。未来面向国防、金融、能源等高风险行业的Agent服务，可能都要在设计之初就内置“人在回路”的审核节点和操作留痕能力。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对于做AI安全、Agent编排和可观测性工具的团队，此类军事场景意味着一个新的细分需求：如何让Agent在高速自主执行的同时，让人类监督者能及时介入并理解其决策路径。这不是简单的API调用问题，而是需要更细粒度的任务授权和状态追踪机制。
值得关注的后续
第一，训练标准如何具体落地。目前公开信息只提到Agent参照人员标准接受训练，但具体的考核指标、数据集来源和评测基准尚未披露，后续可以观察其是否会标准化并影响民用领域。
第二，速度与监督之间的平衡方案。随着Agent处理速度不断提升，人工逐项审核将成为瓶颈，陆军可能需要引入“抽样审查”或“风险分级授权”机制，这类策略设计对其他追求效率的AI应用场景也有参考价值。
第三，“列克星敦特遣队”模式的扩展性。仅靠一支约10人的团队支撑整个网络司令部的Agent训练，资源上行不通；如果这套模式被证明有效，很可能会催生更庞大的AI训练与运维编制，以及对外部技术供应商的采购需求。
来源：TechRadar
