一個“AII in AGENT”的網絡安全行業，應該是什麼樣子？_風聞

目前，AI智能體還需要人來定義，而在不遠的將來，L5級別的智能體，借蜂羣框架和社區開放，正在打造“AI時代的操作系統”，重構人機協作範式。

還記得2023年8月，那是生成式AI爆發後的第一屆ISC大會。 

彼時，所有人對於生成式AI的看法，充滿諸多不確定性，會後採訪周鴻禕時，AI相關的話題，也成為記者們繞不開的熱門方向。 

那一年，也是“紅衣大叔”周鴻禕在公眾視野裏“重出江湖”的一年。他先是堅定宣佈“擁抱AI”，並提出“人工智能不是泡沫，是下一場工業革命。”並在極短時間內推出自研通用大模型“360智腦”，使得360成功搶佔了國內AI產業的先機。 

兩年過去，當行業還在“去幻覺”，卷對話體驗時，周鴻禕已然看到AI AGENT的巨大潛力。當潮流逐漸向AGENT匯聚時，他已經拿着蜂羣化的納米智能體，站在AGENT潮流的前端。 

某種意義上，這也暗合本屆ISC·AI大會的主題：AII in AGENT——從被動防禦，到主動免疫，用更智能化的AI AGENT，重構從網絡安全，到整個互聯網的一切。 

01 會協作的智能體“蜂羣” 

過去兩年，生成式AI從短文本問答到長文本生成，再到推理大模型，其對自然語言的理解和生成效果的迭代進化，自是有目共睹。但在真實的企業應用場景裏，仍然暴露了諸多短板。 

一如周鴻禕在ISC大會上所言，目前大模型的推理能力仍然有所欠缺，在大量場景裏更像知識問答模型，二是大量模型不具備獨立調用工具，解決問題的能力。 

模型推理能力的問題，在年初Deepseek出現之後，已經得到了部分解決。但在大多數複雜場景時，一個只有推理能力的大模型，通常只相當於人的大腦。 

原因很簡單，在企業實務中，無論是互聯網還是實體經濟，一項工作通常需要調用大量工具進行協作完成。如今的推理大模型雖然性能“夠用”，但是尚不具備成為生產力工具的條件。 

正因如此，以納米AI為代表的智能體，或許是生成式AI從玩具到工具的一條演進路線，或者用周鴻禕的話説，“大模型進化到智能體是必然的。”其原因在於，以目前的智能體性能，它能夠理解目標、規劃任務、調用工具、具備記憶，實現從需求到結果的完整交付。同時，它也可以使用包括大模型在內的各種工具，進行各種複雜任務的規劃和完成。 

在會上，周鴻禕用L1到L4的不同階段，總結了智能體在不同階段的演進和特點。 

——L1聊天助手，本質上是聊天工具，擅長提建議或提供情感陪伴，屬於“玩具級”智能體，比如GPTs。 

——L2低代碼工作流智能體，已經從“玩具”進化為“工具”，但必須由人類來設置流程，AI來執行任務，人再通過操作工具提高生產效率。 

——L3推理型智能體，已能實現AI自主規劃完成任務，像是人類製造了一個在某個領域有專業特長的員工。 

他們單兵作戰的能力很強，可以看作一位領域專家。但受限於技術框架，面對跨領域複雜問題時，仍會因缺乏協同規劃能力而陷入瓶頸，無法實現多層級思考下的全局優化。 

——L4階段，以納米AI為代表，已經實現了“多智能體蜂羣協作”——多個專家智能體可像搭積木一樣靈活“拉羣組隊”、多層嵌套、分工協作。 

在性能表現上，納米AI可以連續執行1000步的複雜任務，消耗Token在 500 萬 - 3000 萬，任務成功率高達95.4%。 

要實現多智能體協作，其產品形態必然是平台化的，必然是少數L4級別智能體協調大量專家級L3智能體完成工作。 

藉助納米AI首創的“多智能體蜂羣協作空間”，智能體之間的記憶可以共享，藉此規避了智能體之間的“協同困境”。從任務規劃、協同執行，再到後續自我迭代，都可以在平台上統一完成。 

截至目前，平台已經匯聚超過5萬個L3智能體，普通用户只需通過自然語言即可搭建自己的“Manus”。蜂羣框架下，這些L3智能體可以組成步調一致，目標一致的L4團隊，也能完成“一句話生成10分鐘電影級大片”的超長複雜任務，效率從過去2小時直接縮短到20分鐘。 

02 更主動，更安全

需要注意的是，隨着互聯網步入AI時代，而在大多數普通人不涉及的網絡安全攻防領域，AI技術同樣也在深入肌理。這裏對攻防雙方，都是顯而易見的挑戰： 

一方面，專業的網絡安全專家，在行業內仍然是極度短缺的香餑餑，其專業能力根據公司數據類型的不同，培養週期很長，且應對方向各異，成長難度較大。即便加入大模型進行輔助工作，雖然已經能處理部分基礎任務，卻難以應對複雜流程化的日常運營工作，導致防護能力落地受阻。 

但作為攻擊方的黑客，卻能通過AI訓練“智能體黑客”，在真人黑客不在的時候進行自動化攻擊。根據每個黑客組織算力儲備的不同，可以批量複製，一個人類黑客，完全可以管理數十個智能體黑客，其能力呈指數級上漲。 

與此同時，作為安全運營專家的“數字大腦”，安全智能體以安全大模型為核心，具備工具調用，流程執行等時機能力，以完整復刻高級專家的分析、決策與實操能力。 

部署一個安全智能體，並不意味着“萬事大吉”。譬如在工業控制、政務決策等場景，智能體的幻覺可能導致設備誤操作或政策偏差。例如醫療智能體誤診率即使僅0.1%，在千萬級調用量下仍會造成重大事故。 

其中一種規避方式，是動態RAG增強，它將行業知識庫（如國家標準GB/T、工業設備參數）嵌入智能體推理流程，強制在生成答案前檢索權威數據源。譬如政務處理智能體，在回覆政策諮詢時，可以做到自動關聯國務院最新文件庫，減少自由發揮空間；同時，藉助360大模型衞士的“數據去毒”模塊，過濾訓練數據中的矛盾信息，並注入領域規則。 

另一種方法則是CoVE驗證鏈。在智能體生成回答之後，通過分步自檢機制，它能自動拆解關鍵主張，並生成驗證問題，進而調用相關的數據庫工具交叉驗證。再通過物理反饋機制，譬如智能體將控制指令轉化為設備的API調用，讀取對應傳感器數據並確認執行結果，形成決策閉環。 

不止360一家，任何一家有網絡安全需求的企業，都可以打造自己的安全智能體。相對於一般的AI公司，360的底氣在於，擁有一般AI公司沒有的網絡安全數據、知識，以及網絡安全工具，以及充分發揮上述能力的工作流、大模型，再到如今的智能體打造平台，每一步都是拼圖，每一塊業務都可以是壁壘。 

此外，除了已經定製好的幾十個安全智能體，用户同樣可以根據需求自己定製對應領域的安全智能體，在如今智能體“定製化”的風潮之下，部署一個熟悉企業情況，能針對性防護的安全智能體，並不是一件難事。 

03 奔向“智能體蜂羣”的未來

一如周鴻禕所言，2025年，是智能體的“安全”元年，也是安全智能體的誕生之年。安全智能體，在大模型“腦子”的基礎上，增加了手和腳，意味着能夠進行主動攻防，主動使用工具，如果放在企業實務中，無異於增加了新質的生產力和戰鬥力。 

從一開始，360智能體就避開了“算力內卷”，結合自身安全領域的底藴，專注更場景化，更垂直的生產力。 

在構建“智鑑、智盾、智控”五位一體安全體系閉環後，以納米AI搜索為落地產品，成為用户連接AI的第一入口。 

今年以來，360的L4級“專家”智能體，已然覆蓋多個垂直領域，協同任務錯誤率已經下降近90%。這意味着，人類“CEO”和賽博團隊的AI AGENT，用户像“BOSS直聘”一樣調配5萬+智能體，跨公司組隊形成專屬協作小隊，已經不再是夢。 

目前，AI智能體還需要人來定義，而在不遠的將來，L5級別的智能體，借蜂羣框架和社區開放，正在打造“AI時代的操作系統”，重構人機協作範式。 

如果智能體真正進入普通人的生活，那麼人類的工作內容，則會變成定義智能體、規劃智能體、管理智能體、監督智能體，智能體變成了人類的員工，做繁瑣的工作，人要學會跟智能體協作。 

這樣，每個人就會變成超級個體，大量使用智能體的公司也會變成超級組織，甚至重塑整個經濟的形態和運營邏輯。 

這種“業務人員主導AI創新”的模式，無疑進一步加速了AI技術的應用落地，使智能體真正成為“數字員工” 

一如周鴻禕預言：“智能體時代，不會指揮AI的人將被淘汰。”這一戰略，正推動360從網絡安全供應商，向AI生態主導者逐步躍遷。