一句话看懂：Figma 工程团队公开了其安全 AI 代理的构建细节：代理可自动调查告警、检索历史事件、检查系统并发起修复用 PR，使复杂告警处理时间缩短约 70%。这说明安全运营正在成为大模型落地最具体的场景之一，但人工审核仍是不可省略的一环。
事件核心：发生了什么
据 InfoQ CN 报道，Figma 工程团队记录了一套基于 Panther SIEM 构建的安全系统。该系统调查来自 AWS、Okta、GitHub、GCP 以及开源工具 osquery 的审计日志，还会查询其他 100 多个数据源。其核心是“告警分诊代理”，采用类 Claude Opus 的模型，接收完整 Slack 对话记录作为上下文，并配备安全值班工程师分诊时常用的工具集。
支撑检索能力的是 AWS Bedrock 知识库、Amazon Kendra、Tines 以及一款基于 Snowflake 的工具。代理“记忆”被拆成三类独立管理：历史告警、行为指南、已习得的数据库结构。安全控制内置于工具本身，代理生成的 PR 默认是草稿状态，提示词设计也用于防止敏感数据流入公共 Slack 频道。
数据层面，Figma 称该系统把复杂告警处理时间缩短约 70%，值班通知减少 20%。在另一篇关于漏洞管理的文章中，团队表示其代理发现 100 多个此前未发现的漏洞，其中包括两个被传统工具遗漏的高危漏洞，代码审查准确率一个月内达到 80%，第二轮审查让已知漏洞检测率提升约 30%。
为什么重要
安全运营长期受困于告警疲劳和人力瓶颈，Figma 的案例给出了一条相对务实的路径：不是让 AI 直接做决定，而是让它承担检索、关联、初判这类高重复工作，人类保留审批权。这与 Wiz 近期披露的“GhostApproval”问题形成对照——六款 AI 编码助手可能被恶意代码库欺骗，向用户显示看似无害的审批提示。能力越强，信任边界越需要被显式设计。
另一个值得注意的判断来自 Figma 团队：应先提高精确率，再提高召回率。这一顺序反直觉，但对安全场景有实际约束力——历史漏洞只能衡量召回率，误报过多则会直接摧毁值班工程师对系统的信任。
对用户/开发者/创作者的影响
对安全与平台工程团队而言，Figma 的可复用点不在模型选型，而在架构：把记忆分层、把权限收进工具、把产出默认降级为草稿。对使用 AI 编码助手的开发者，Wiz 的发现提示审批提示本身可能被污染，不能把“界面看起来正常”当作安全信号。对企业采购方，评估这类产品时应重点看两点：代理能触达哪些数据源、生成的变更是否强制走人工审阅。
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。
值得关注的后续
一是 Figma 是否会公开更细的代理评估指标，例如误报率与人工接管比例；二是 AWS Bedrock、Amazon Kendra 这类组件能否被中小团队低成本复刻，决定该方案的可扩散性；三是随着 OpenAI 披露的沙箱逃逸等问题持续曝光，AI 代理的权限模型与审批链路是否会出现更明确的行业规范。
来源：InfoQ CN
