n8n构建SOC分诊Agent:AI建议、规则审批

开发者用 n8n 搭建 SOC 告警分诊 Agent,AI 只建议、代码定审批,并开源演示。
文章介绍了一个基于 n8n 的开源安全告警分诊工作流,核心设计原则是“AI 提议、规则拍板”:Gemini Agent 负责富化事件、查询威胁情报并给出建议动作,而隔离主机、重置凭据等敏感操作的审批判定由独立代码步骤完成,而非写在提示词中。流程覆盖 SSH 暴力破解、信标外联、不可能旅行登录和内部扫描四类模拟事件,结果经校验后推送 Slack 审批并落库 Postgres,整套技术栈均使用免费额度。作者总结了三条经验:规则入代码提升可审计性、AI 输出先校验再进 Slack、Slack 消息需用 Expression 模式。项目定位为演示原型,威胁情报为 mock 数据、审批无回传、动作不自动执行,并抛出审批规则还应纳入哪些信号的开放问题。
安全运营中心(SOC)每天要面对大量告警,其中多数是噪音。一位开发者用 n8n 搭建了一个分诊 Agent,让 AI 像初级分析师一样完成第一轮调查,但明确划出一条边界:AI 只负责建议,是否触发敏感操作由写死的代码规则决定。项目已在 GitHub 开源,面向社区收集反馈。
整体设计:让 AI 做调查,让规则做裁决
这个工作流的核心思路可以概括为一句话——AI 提议,规则拍板。Agent 会检查来源 IP、判断严重程度、给出建议动作,但像“隔离主机”“重置凭据”这类敏感操作,绝不让模型自行决定。
据作者在 Reddit 帖中的说明,之所以这样拆分,是因为模型可能给出看似合理的建议,但它无法为后果负责。把审批逻辑放在代码里,既方便审计,也堵住了模型靠措辞绕过限制的可能。有意思的是,审批规则并没有写在提示词里,而是作为独立代码步骤存在,这一点对合规场景尤其关键。
工作流拆解:从事件到审批的完整链路
整个流程从模拟安全事件开始,覆盖了四类典型场景:SSH 暴力破解、进程外联信标(beaconing)、管理员账号的不可能旅行登录,以及内部扫描。
事件富化与 AI 调查
每条事件会先经过富化步骤,从代码中的查找表补充主机的关键性等级(低、中、高、严重)。随后 AI Agent(使用 Gemini)调用 threat_intel_lookup 工具,传入来源 IP,返回 JSON 格式的严重程度、判定结论、建议动作和一句话摘要。
这里的设计意图很清晰:主机关键性来自代码查找,属于确定性数据;威胁情报查询虽然由模型发起,但结果结构固定,便于后续校验。
威胁情报查询与结构化返回
threat_intel_lookup 是一个由 AI Agent 调用的工具(Function Calling / Tool Use),它接收 IP 地址作为输入,返回固定的 JSON 结构。大模型本身并不内建对 IP 信誉的实时知识,工具调用的意义在于把外部确定性数据源引入推理链路:模型决定“要不要查、查什么”,而查到的结果由外部服务给出。由于返回结构固定(严重程度、结论、建议动作、摘要四个字段),下游代码步骤可以用稳定的字段名做校验,而不必解析自由文本。在真实系统中,这一工具通常会对接 VirusTotal、AbuseIPDB、GreyNoise 等威胁情报平台,或企业内部的资产与情报库;本文用 mock 数据替代,是为了让演示可复现、不依赖 API 配额。
审批规则的代码实现
AI 的返回结果会经过一个代码步骤验证。规则本身相当直白——isolate_host、reset_credentials,以及任何落在高或严重关键性主机上的高/严重级别事件,都会被标记为 needs_approval。
满足条件的请求会通过 IF 节点推送到 Slack 审批消息,同时所有记录写入 Postgres。作者强调,即便模型建议隔离某台主机,代码仍会独立判断是否需要人工介入,模型没有绕过的空间。
为什么把审批逻辑放在代码里而不是提示词里
提示词约束属于“软约束”:模型可能因措辞变化、上下文长度、温度参数或对抗性输入而偏离指令,且偏离难以被系统化检测。代码规则则是确定性执行——同样的输入必然得到同样的判定,可以单元测试、可以做版本 diff、可以在审计时逐行追溯。对于“隔离主机”“重置凭据”这类具有破坏性且不可逆的操作,合规框架(如 SOC 2、ISO 27001 中的变更与访问控制要求)通常要求存在明确的人为授权节点。把判定逻辑独立成一个代码步骤,还带来一个工程好处:规则与模型解耦,换模型或改提示词时审批行为不变,规则调整也不必重新调优提示词。文中提到的 needs_approval 标记正是这种解耦的产物——它是结构化字段,而非自然语言描述。
技术栈与成本
整套方案跑在 n8n Cloud、Gemini、Slack 和 Supabase(Postgres)上,全部使用免费额度。对于想低成本验证想法的安全团队来说,这个组合门槛不高。
关于 n8n 与低代码编排
n8n 是一款开源的工作流自动化工具,节点式画布把 HTTP 请求、条件分支、代码片段、数据库写入等串成可视化流水线,定位介于 Zapier 这类 SaaS 自动化与自研脚本之间。它的关键特性是允许在流程中嵌入 JavaScript/Python 代码节点,这正是本文“规则拍板”得以实现的基础——模型调用与确定性判定可以共存于同一条链路。自托管版本免费,Cloud 版按执行次数计费;配合 Gemini 免费额度与 Supabase 免费层,原型阶段几乎零成本。需要注意的是,低代码平台的便利也意味着可观测性和错误处理能力弱于专门的后端服务,生产化时通常要把关键判定逻辑迁出到独立服务,工作流只承担编排职责。
三条踩坑经验
作者在帖中总结了三点实践教训,对准备上手 n8n 的读者有直接参考价值:
- 审批规则放进代码,而不是提示词,可审计性完全不同;
- 在 AI 输出到达 Slack 之前先做校验,避免格式错误或越权建议流入人工环节;
- Slack 消息文本必须使用 Expression 模式,否则
{{ }}会原样显示为纯文本。
第三条看似琐碎,却是 n8n 用户容易反复踩的坑。
n8n 中 Expression 模式与固定文本的区别
n8n 的文本字段有两种模式:固定文本(Fixed)与表达式(Expression)。只有切到 Expression 模式,字段内容才会被当作模板求值,{{ $json.field }} 这类占位符才会被替换为上游节点的实际数据;在固定文本模式下,双花括号会被当作普通字符原样输出。这一点与许多模板引擎的默认行为不同,因此成为新手高频踩坑点。类似的隐式行为还包括:节点间的数据传递以 item 数组为单位,字段名大小写敏感,以及表达式求值发生在节点执行时而非编辑时——调试时看到的是上一次运行的快照。理解这些机制,能显著减少“流程跑通但消息内容不对”这类问题。
局限性说明:这是一个演示原型
作者主动划清了边界:威胁情报工具是硬编码数据的 mock,演示跑在模拟事件上,审批仅以 Slack 消息形式呈现。Slack 侧目前没有任何回传,所以不会有动作被自动执行。
换句话说,这个项目的价值在于展示“AI 建议 + 规则审批”的架构模式,而不是一个可直接上线的生产系统。真实部署还需要打通审批回传、接入真实威胁情报源,并处理误报与告警疲劳等实际问题。
审批规则还能加什么信号
作者在结尾抛出一个开放问题:除了主机关键性和严重程度,审批规则还应该纳入哪些信号?
从安全工程角度看,可考虑的方向包括资产归属(是否涉及生产环境或核心数据)、事件时间窗口内的重复频率、历史误报率,以及动作的可逆性。这些信号共同决定了一个动作的风险权重,而不是单纯依赖模型的严重性判断。
这个项目最值得借鉴的地方,或许不是具体实现,而是那条边界感——在自动化与人工控制之间,用代码而不是提示词画出红线。
相关推荐

AI时代为何必须掌握Git:从版本控制到Agent协作
Git和GitHub有什么区别?AI Agent写代码后如何用Issue、分支和Pull Request管理改动?本文基于NetworkChuck的Git教程,梳理从git init到冲突处理的完整流程,并分析AI时代版本控制为何成为必备技能。

OpenAI 6.2 Astra实测翻车:跑分惊艳,为何开发者却说难用?
OpenAI 6.2 Astra 跑分全面领先且价格更低,但早期测试者反馈其在长任务中频繁卡死、输出难以解析、资源管理失控。本文梳理实测中的真实体验与官方数据之间的落差,并分析这对开发者选型的意义。

GTA VI咖啡系统细节曝光:热咖啡竟能泼人?
Vergecast播客揭秘GTA VI咖啡系统:玩家可在公寓冲泡、自动贩卖机购买、餐厅点单,甚至将热咖啡泼向他人。这种对日常交互的细致还原延续了荒野大镖客2的沉浸感设计,引发对游戏细节与玩法平衡的讨论。