LLM 负责
理解告警语境、提出调查假设、选择下一步动作、综合证据并以可读方式解释结论。
这是一个“数据大于 LLM”的综合项目。
安全研判不是把文件特征交给大模型做一次分类。高质量数据源、实体关联、时间线、行为上下文、证据覆盖与反证能力，决定了模型能否形成可信结论。LLM 更适合提出假设、规划调查和解释结果，而不是替代所有确定性查询与计算。
确定性组件负责
数据查询、实体关联、规则计算、证据引用、Coverage 校验、Scope 校验与高风险动作审批。
PROJECT 03 · SECURITY AGENT RESEARCH
SecAgent
面向 Linux 未知文件告警的安全调查智能体技术预研。
这个项目目前重点验证总体架构、LLM 与确定性组件的职责边界，以及安全研判对数据底座的真实要求。它是技术预研，不以参考原型声明生产效果。
数据优先质量与覆盖决定研判上限
双循环调查研判与处置建议解耦
证据约束结论必须可引用、可校验
预研阶段生产数据底座仍待接入
01核心判断
02架构设计
从案件输入到证据闭环，再到受控处置建议。
总体架构按“数据底座、AI 研判、处置建议、案件治理”分层。LangGraph 编排案件父图、研判子图和处置建议子图，将“发生了什么”与“应该怎么做”解耦。
03可信约束
不是让 Agent 自由调查，而是让每一步判断留下可以复核的依据。
01
Investigation State
集中管理已知事实、假设、缺口与调查进度。
02
Evidence Bundle
规范化证据来源、引用关系与有效范围。
03
Coverage
检查关键问题是否得到足够数据支撑。
04
Validator
执行反证、Scope 与结论一致性校验。
05
Approval
高风险动作必须经过人工确认再推进。
04当前边界
原型验证的是架构契约，不是生产准确率。
当前使用 Python、LangGraph、Pydantic、FastAPI 与 SQLite 构建参考数据原型，并以对照 Case 和自动化测试验证图状态、工具契约和回归能力。生产数据源、数据规范化链路、数据级权限、RAG、身份系统和实际处置执行仍处于设计或待接入阶段。
为什么仍值得写进项目
它体现了我对安全 Agent 的核心判断：模型能力只是系统的一部分，真正困难的是数据、证据、权限、状态与高风险动作边界的整体设计。