AiSOC：开源自托管 AI 安全运营中心
融合告警、紫队演练、AI 辅助分诊与 MITRE ATT&CK 调查的自托管开源安全运营中心。
证据显示：README 明确说明默认 copilot/只读模式，自主响应需高置信度且可逆低爆炸半径，并有回滚机制；数据流文档详细说明伪匿名化和本地模型选项；依赖有 pnpm overrides 修复已知漏洞；外部效果有明确策略（如 mesh 可选且隐私保护）。扣分：未验证发布者身份，且未提供实际执行证据，故部分标准仅部分满足。
证据显示：README 声称 CI 门控和测试，但未提供测试结果；依赖可用性有 pnpm lock 和 overrides，但未验证；失败消息有文档但未实际测试。扣分：静态审查无法确认实际可靠性。
证据显示：README 提供多种安装路径（Docker、Codespaces、Python 等），场景丰富（多种捆绑场景），环境适配良好（支持多种部署平台）。扣分：能力边界描述较清晰但未完全验证。
证据显示：信息架构清晰（文档目录、架构图），安装说明详细，命名稳定（版本号），示例和 FAQ 丰富，已知限制有提及，MIT 许可证明确，有 CHANGELOG 和版本号，维护责任有 SECURITY.md 和贡献指南。扣分：维护责任未明确指定个人或团队。
证据显示：输出可用性有 JSON 输出和演示，边际价值高（开源 AI SOC），成本效益好（免费自托管）。扣分：未实际运行，无法验证输出质量。
证据显示：README 提供大量文档链接和 CI 门控声明，但未提供实际测试结果；跨来源验证有限；事实与推断分离较好（有 REALITY_REPORT）。扣分：静态审查无法验证实际测试。
- 发布者身份未验证，需谨慎对待。
- 静态审查无法确认实际运行效果，建议在隔离环境测试。
- 依赖安全虽有 overrides，但未验证所有依赖。
这个 Agent 能做什么，适合哪些场景？
AiSOC 是一个自托管的开源 AI 安全运营中心（SOC），采用 MIT 许可证。它集成了安全事件摄取、关联分析、AI 驱动的调查和统一的 SOC 控制台。其核心是一个通过 LangGraph 实现的约 600 行代码的编排器，支持读取和修改。Agent 的每个步骤（提示、工具调用、推理）都会记录在 Investigation Ledger 中，可回放。它包含 83 个点击即用的数据连接器、947 条可执行检测规则（其中 869 条为原生规则），以及一个包含 6000 条规则、可追溯来源的导入库。平台支持通过 Docker Compose、Kubernetes 或 Terraform 进行部署，并提供了三种一键式快速体验路径：基于 Python 的 aisoc-sandbox 模拟器、浏览器中的 GitHub Codespaces，以及用于本地完整环境的 Docker 安装脚本。它还包含一个 MCP 服务器，用于与 IDE 集成，以及一个用于评估的公共 CI 门控基准测试套件。
AiSOC 作为端到端安全运营平台运行：通过连接器（Python 编写的 78 家厂商）或 osquery-tls 摄取事件，在 Go 摄取服务中经过 OCSF 规范化、IOC 和 Shodan 丰富化，并发布到 Apache Kafka 事件总线。检测引擎（Sigma、YARA、KQL）通过融合（机器学习）、UEBA（基线）和规则引擎处理流，融合生成告警。LangGraph agent 使用真实工具（IOC 丰富化、MITRE 查找、图爆炸半径）通过 LLM 工具调用循环执行自主调查。结果记录在 Investigation Ledger 中，展示在 Web 控制台中，并提供 /explore 数据浏览器、/hunt 自然语言工作台，以及一个包含插件和检测的市场。响应执行由策略控制，默认 copilot 模式，并进行提示注入防护。该平台还提供联合搜索（Splunk SPL、Sentinel KQL、Elastic ES|QL、QRadar AQL）、状态化/窗口化检测（暴力破解、密码喷洒、端口扫描），以及成本调控的 LLM 路由，支持按租户预算和电路断路器。
- 希望获得可审计、可回放 AI 调查过程的安全团队，通过自托管方式满足合规要求。
- 希望通过公共评估工具和 CI 门控基准测试来验证告警减少效果的安全工程师。
- 分析师希望使用自然语言编写查询，通过 /hunt 后台自动生成 ES|QL、SPL 或 KQL 查询。
- 希望从单一界面探索存储事件，通过 /explore 进行身份/图谱/情报数据透视的调查人员。
- 希望在 Claude、Cursor 或 Cody 等 IDE 中管理告警和回放调查，而不切换上下文的 MCP 用户。
- 希望在攻击性安全行动中利用 AiSOC 的检测即代码生命周期和自动响应策略进行紫队演练的团队。
这个 Agent 有哪些优点和局限？
- MIT 许可证，支持自托管，无外部数据外泄；可通过 Ollama/vLLM 实现完全离线运行，并对托管 LLM 进行证据假名化。
- 完整的审计追踪：Investigation Ledger 记录每个提示、工具调用和证据，可回放并共享为经过编辑的公共链接。
- 强大的评估文化：具有公共的 CI 门控基准测试，用于告警减少效果，以及基座自洽性检查，验证产品声明（46 项已门控）。
- 高度可扩展：插件 SDK（Python、TypeScript、Go）、检测即代码、MCP 服务器，以及三种模型（语义、行为、知识）的架构。
- 成本控制的 LLM 路由，支持按租户预算、内容寻址缓存和多模型网关回退。
- 安装复杂：完全本地环境需要 Docker、pnpm 和 Node.js，并需要管理 Kafka、ClickHouse 等多项服务。
- 某些组件仍标记为预览或 v8.0 计划：例如，
npx aisocCLI 尚未发布，MCP 服务器尚未发布到 npm。 - 自主响应能力默认限制为 copilot/只读，因此可能需要配置策略才能实现完整自动化。
- 检测规则数量（947 条）可能少于某些商业 SIEM 的规则集，尽管有 6000 条导入规则可用。
- 文档提到的某些截图和视频是占位符，这可能会影响 UI 的评估。
如何安装或部署这个 Agent？
有几种安装路径，取决于现有环境：
- 无依赖快速体验（Python 3.10+，无需 Docker）：
pip install -e packages/aisoc-sandbox
aisoc-sandbox demo
- 完整本地环境（Docker 和 pnpm）：
git clone https://github.com/beenuar/AiSOC && cd AiSOC && pnpm aisoc:demo
- 全新机器引导：
curl -fsSL https://raw.githubusercontent.com/beenuar/AiSOC/main/install.sh | bash
- 生产部署：参考
apps/docs/docs/installation.md（Render、Fly.io、Docker Compose、Kubernetes、Terraform）。Helm charts 在infra/helm/，Terraform 在infra/terraform/。
注意：npx aisoc 在 v8.0 发布前无法使用；当前从 packages/aisoc-lite/ 构建。
如何使用这个 Agent？
快速体验后（完整环境），在浏览器中打开 http://localhost:3000 即可查看控制台。控制台显示预置的 LockBit 3.0 案例（INC-RT-001），并展示 AI agent 的调查过程，即时的提示、工具调用和推理以 Investigation Ledger 形式流式呈现。使用 pnpm aisoc:demo:down 停止环境。
生产使用：配置连接器（通过控制台或代码），摄取事件，检测和告警将自动出现。使用 /explore 进行数据探索，使用 /hunt 使用自然语言创建猎杀查询。MCP 服务器（services/mcp/）暴露 13 个工具，可直接在 IDE 中使用。
CLI 快速体验（应在 v8.0 后可用）：
npx aisoc triage --demo这个 Agent 与同类方案有什么区别？
该 README 将 AiSOC 与 Wazuh、Splunk ES 和闭源 AI SOC 进行了比较。主要优势包括：更宽松的开源许可证（MIT vs GPL-2 或专有）、自主 AI 调查、公开的 Investigation Ledger、CI 门控评估，以及完全的自托管能力。
常见问题
AiSOC 是否询问外部 API？
运行 AiSOC 需要哪些凭据？
AiSOC 如何防止提示注入？
是否支持多租户？
自定义检测或连接器是否困难？
detections/ 下的 Sigma YAML 文件，带有正负测试夹具。连接器通过子类化 BaseConnector 并注册实现。CI 在每次 PR 时验证这些更改。