论文提出企业安全大脑需补充组织上下文层以解决信息断层问题

该研究针对企业安全智能体在资产判断中过度依赖机器可读状态而忽略人为记录信息的缺陷，正式引入“组织上下文”作为企业安全大脑的一个独立层级。作者指出，资产的正确评估不仅取决于配置和关系等机器状态，还高度依赖谁拥有它、服务什么业务功能、受哪些政策管辖以及接受了哪些风险，而这些关键信息通常散落在策略文档、审计报告和对话等非结构化数据中，形成了所谓的“组织上下文缺口”。

研究团队定义了一个包含六项属性的上下文模型，要求每个主张具有唯一含义，来源通过证词记录，强度基于读取时的实时证据推导，且主张能解析到资产图谱实体。在涵盖 AWS、Okta、Google Workspace 和 GitHub 的生产环境中，该系统从异构数据中提取主张的召回率为 0.80，精确率为 0.87，仅 0.5% 的主张缺乏来源支持。当智能体结合实时状态与解析后的上下文进行推理时，在发现过时主张的任务中冲突识别率达到 0.97，在政策对齐任务中的答案正确率达到 0.83，在架构任务中达到 0.86。

事实层面，该工作验证了将非机器状态数据纳入安全推理流程的技术可行性及具体性能指标。推断层面，这意味着构建高可靠性的企业级安全 Agent 必须解决跨系统数据提取与时效性校验的工程难题，单纯优化模型推理能力不足以弥合业务逻辑与底层资源的鸿沟。猜测层面，若行业广泛采纳此架构，安全产品的竞争焦点将从单一模型精度转向对组织内部复杂数据生态的整合深度与实时同步机制。