作者｜沙丘智库研究团队
来源｜沙丘社区（www.shaqiu.cn）
随着汽车产业向网联化、智能化和软件定义汽车加速演进，车企的安全边界已从传统办公网络扩展到云、管、端、车及供应链等多类环境。不同安全设备和业务系统持续产生海量告警，传统SOC依赖人工筛选、跨平台查询和专家研判，不仅响应效率受限，也容易因信息割裂和能力差异造成误报、漏报。大模型凭借自然语言理解、知识推理和工具调用能力，正在推动汽车安全运营从“规则自动化”迈向“认知自动化”：智能体可以完成告警降噪、威胁研判、日志检索、攻击链还原、工单生成和协同响应，并将安全专家的经验沉淀为可重复执行的工作流程。
当前，大模型赋能车企安全运营正在形成“AI赋能安全”与“安全治理AI”两条并行主线。前者关注如何提升检测、调查、响应和复盘效率，后者则解决智能助手及多智能体引入后的提示词注入、越权访问、敏感数据泄露和责任追溯等新风险。未来竞争的核心不只是模型能力，而是安全知识库、多源数据连接、工作流编排、工具权限控制、过程审计与持续测评能力。同时，算力成本能否收敛、模型升级后任务效果能否保持稳定，也是规模化应用必须回答的问题。较可行的路径，是先从高频、规则清晰的告警降噪切入，再逐步延伸至深度调查、多智能体协同和全生命周期安全治理。
沙丘智库通过分析蔚来、理想汽车、智己汽车等车企大模型赋能安全运营的技术实践，旨在为其他车企提供参考。
▎案例1：智己汽车大模型赋能安全运营实践
智己汽车的安全运营智能化实践分为三个进阶阶段，实现了从“用起来”到“用得准”再到“用得好”的跨越。
第一阶段：告警降噪及研判
传统安全运营流程中，防火墙、WAF、车机端等设备每天会产生海量告警，所有告警最终汇聚到SOC安全运营中心平台，需要安全运营人员逐一开展分析、研判，再跟进后续处置。
这一流程面临两大核心挑战：一是单日告警体量极大，二是人工研判存在天然的能力瓶颈，最终极易造成误报、漏报问题，同时处置质量与时效也无法得到保障，影响安全事件的闭环管理。
对此，智己汽车将全量安全告警的降噪与研判工作，全部交由安全运营智能体完成。原始告警通过API接口或Syslog系统日志同步至智能体后，由智能体完成自动化降噪与研判，仅留存需人工重点关注的告警，再由安全运营人员介入处置，处置结果将通过良性的知识反馈机制反哺智能体，持续优化模型效果。自助值守智能体一周的运营数据显示，仅中高危告警的处理量就达到3.8万条，最终筛选出需人工关注的告警仅483条。
通过该智能体，智己汽车实现了98%的告警降噪率，单日需人工研判的告警数量从数千条降至数十条；同时借助持续的学习反馈机制，研判准确率也稳定在98%，大幅缩减了后续人工复核的时间成本。
第二阶段：深度调查与响应
高危告警生成后，系统会自动派发对应工单，安全运营人员需启动全流程调查与响应工作，常规流程涵盖威胁情报收集、主机安全分析、关联告警分析、综合分析判定，最终完成事件处置。
这一流程同样面临两大核心挑战：一是溯源分析的成功率与质量，完全依赖安全运营人员的专业能力，要求人员具备丰富的攻击链技战术知识，对安全知识的深度与广度都有极高要求，这类高阶安全专家资源十分稀缺；二是告警处置过程中，关联告警分析、综合分析判定所需的信息分散在不同平台，需要跨平台协同调取，信息流转效率极低。智己汽车希望通过AI解决高阶专家稀缺与信息协同割裂两大核心痛点，全面提升事件调查效率。
对此，安全运营专家智能体可通过自主推理，调用不同工具、查询多源日志，最终还原完整的攻击链，大幅提升了事件调查的真实性、完整性与专业性。同时，智己汽车将安全专家智能体接入飞书协同工作群，智能体完成告警研判、生成工单后，会自动将相关信息同步至工作群，极大提升了跨部门协同效率，目前安全运营响应时效已从原来的2小时压缩至30分钟。
第三阶段：多智能体协同运营
在Agent中台内，智己汽车将智能体按照事前、事中、事后的全生命周期进行划分，事前类智能体负责资产盘点、漏洞分析等工作，事中类智能体负责告警研判、策略审核等工作，事后类智能体负责事件调查、复盘总结等工作。通过Agent中台的总控智能体，实现各专项智能体的协同联动，构建全新的安全运营体系，全面提升安全运营的整体质量与效率。
▎案例2：蔚来汽车AI安全运营实践
蔚来汽车在安全建设与运营的全流程各环节，持续引入大模型、工作流、智能体、检索增强生成等技术，覆盖安全识别、检测、分析、响应的全阶段，同时贯穿安全开发生命周期全过程。
今年以来，蔚来汽车通过引入多智能体协同、混合检索、深度任务规划等核心能力，得以实现更复杂的安全业务目标，但随之也衍生出新的挑战。其中最核心的问题是，随着安全报警量持续攀升，多智能体任务的算力成本能否保持收敛。蔚来汽车尝试通过混合检索，在大模型处理报警前命中工作流缓存，动态确定任务执行路径或直接锁定报警处置流程，以此避免重复推理，减少高频场景的算力重复消耗。
除此之外，企业安全部门落地智能体后，还普遍面临模型迭代带来的适配难题。当前新模型发布频次极高，基于私有化模型搭建完成复杂的安全任务链，经过调试实现稳定运行后，往往会出现性能更优的新模型，其具备更长的上下文长度、更精准的指令遵循能力与更快的推理速度。此时企业面临两难选择：要么切换新模型享受技术红利，要么保留旧模型降低变更成本，从性价比来看，为少数智能体任务长期维护老旧模型并不划算，切换新模型成为必然选择，但核心问题随之而来：原有任务链能否维持原有运行指标与效果水准，答案尚未可知，因为同一提示词在不同模型上的适配效果存在显著差异。当智能体任务愈发繁杂、链路愈发复杂时，这类问题会愈发突出。破解这一难题，既需要搭建体系化的测评能力，工作流标准化建设也是重要的解决路径。
▎案例3：理想汽车Agent安全实践
理想汽车将 Agent 的可信治理拆解为三层：
第一层是“应该做什么”，对应人类最原始的任务意图，用于判断 Agent 当前动作为何发生，以及是否仍服务于初始目标；
第二层是“能做什么”，对应 Agent 拥有的权限、身份、能力和工具，反映企业为了完成当前任务，允许 Agent 被授权到什么范围；
第三层是“实际怎么做”，对应模型正在执行的行为结果，需要根据计划、工具调用、参数、数据范围和执行结果持续判断是否遵循原始意图。
在这一框架下，可信不是单点能力，而是意图、权限和行为的持续对齐。意图定义方向，权限定义能力边界，行为体现实际执行。三者重合范围越清晰，效率和风险之间就越容易达到平衡。
内容来源：沙丘智库，更多内容可前往【沙丘智库小程序】搜索查阅