外部行业实践 ·
Figma落地AI代理优化安全运维流程 降本提效补全漏洞检测短板
Figma作为云原生设计软件服务商，其工程团队面向内部安全运维全场景搭建AI代理矩阵，覆盖安全告警处置、历史事件回溯、多环境安全巡检、漏洞排查、代码修复支撑等多个核心环节，全程保留人工校验机制与严格的安全管控规则，既大幅减少了安全团队的重复事务负担，也提升了安全事件响应效率、漏洞检出准确率与代码审查质量，弥补了传统安全工具的能力盲区。
仅供行业学习与场景参考，不代表优秘交付、客户关系或效果承诺。
面临的问题
Figma安全团队日常运维存在三类核心痛点：第一是安全告警总量大，大量重复核查工作挤占工程师核心精力，复杂告警处置周期长、无效值班告警多，整体运维效率偏低；第二是传统漏洞检测工具存在覆盖盲区，高危漏洞漏检风险较高，代码审查环节对编码类错误的检出能力不足，存在安全隐患；第三是过往安全事件的处置经验难以快速复用，安全数据分散在多个不同平台中，人工跨平台调取分析的成本高、耗时长。
AI 落地做法
Figma依托已有的Panther SIEM安全系统搭建AI代理体系，核心采用类Claude Opus大模型支撑告警分诊代理，同时搭建三类独立存储的记忆模块，分别留存历史告警数据、操作行为指南、已学习的数据库结构，支撑AI代理的处置能力持续迭代；同时对接多款主流云原生数据检索、流程管理、数据计算类工具，实现多源安全数据的统一调取与分析；系统内置多层安全管控规则，AI生成的代码合并请求默认设为草稿状态，优化提示词逻辑避免公共沟通渠道泄露敏感信息，全流程保留人工审核节点，平衡自动化效率与安全风险。
实施路径
- 基于Panther SIEM搭建融合AI代理能力的安全运维系统，对接AWS、Okta、GitHub、GCP、osquery等100多个数据源的审计日志，支持代码合并请求发起能力
- 搭建以类Claude Opus大模型为核心的告警分诊代理，接入内部沟通工具对话记录、专属引导内存作为上下文，配置安全值班人员常用的运维工具集
- 对接多款云侧知识库、企业搜索、流程自动化、云数仓类工具，实现历史告警一键检索、安全运营数据自动化分析
- 部署三类独立管理的记忆存储模块，分别存储历史告警数据、操作行为指南、已学习的数据库结构，支撑AI代理的调查能力随运营数据积累持续提升
- 内置多层安全管控机制，AI生成的代码合并请求默认设置为草稿状态，优化提示词设计避免公共沟通频道泄露敏感数据
- 在漏洞排查场景部署专属AI代理，搭配代码审查系统与二次自动化校验步骤，补全传统漏洞检测工具的覆盖盲区
来源：InfoQ 中文（本站改写摘要，成效数据均取自原文）
项目背景
作为面向全球用户提供在线设计服务的软件企业，Figma需要对自身托管的云服务、代码仓库、内部办公系统等多环境的安全状态进行持续监控，安全团队需处理来自不同平台的海量审计日志，随着业务规模持续扩张，安全运维的工作量不断攀升，需要在不降低安全管控标准的前提下，探索更高效的运维模式，同时规避自动化工具应用带来的新型安全风险。 本案例依据「InfoQ 中文」公开发布的信息整理，原文：https://www.infoq.cn/article/eS4M9XEPmLbkxksCyAye?utm_source=rss&utm_medium=article
业务问题
Figma安全团队日常运维存在三类核心痛点：第一是安全告警总量大，大量重复核查工作挤占工程师核心精力，复杂告警处置周期长、无效值班告警多，整体运维效率偏低；第二是传统漏洞检测工具存在覆盖盲区，高危漏洞漏检风险较高，代码审查环节对编码类错误的检出能力不足，存在安全隐患；第三是过往安全事件的处置经验难以快速复用，安全数据分散在多个不同平台中，人工跨平台调取分析的成本高、耗时长。
实践方案
Figma依托已有的Panther SIEM安全系统搭建AI代理体系，核心采用类Claude Opus大模型支撑告警分诊代理，同时搭建三类独立存储的记忆模块，分别留存历史告警数据、操作行为指南、已学习的数据库结构，支撑AI代理的处置能力持续迭代；同时对接多款主流云原生数据检索、流程管理、数据计算类工具，实现多源安全数据的统一调取与分析；系统内置多层安全管控规则，AI生成的代码合并请求默认设为草稿状态，优化提示词逻辑避免公共沟通渠道泄露敏感信息，全流程保留人工审核节点，平衡自动化效率与安全风险。
原始来源：https://www.infoq.cn/article/eS4M9XEPmLbkxksCyAye?utm_source=rss&utm_medium=article