How Anthropic's Cybersecurity Team Built a Threat Detection Platform with Claude Code · Anthropic（主角：检测平台工程团队技术负责人 Jackie Bow）· 2026-05-12

Jackie Bow 整个职业生涯都在想象一种工具：它能摸到真正要紧的上下文——不只是日志和告警，还有 Slack 里的讨论、内部文档、组织里口口相传的经验，这些才是判断"这是真威胁还是噪音"的依据——而且不需要人肉去翻这些数据。加入 Anthropic 之后，她终于有机会把它造出来，合作者就是 Claude。

她带的检测平台工程团队做的是防御性安全：发现威胁、响应潜在入侵，而不是主动挖漏洞。日常工作是盯着系统里的可疑活动、给安全告警分诊、在异常演变成事故之前把它查清楚。对一家在造越来越强的 AI 模型的公司，这份工作是地基性的——Anthropic 的负责任扩展政策（Responsible Scaling Policy）把产品发布直接绑在安全承诺上，所以这个团队的工作实际上决定着公司什么能安全地发出去。

"我觉得现在是安全工程师的黄金时代，"Bow 说，"我终于能把那些一直希望自己拥有的工具造出来了。"

问题：数据和告警把人淹了

安全负责人对这个场景太熟了。一条告警响了，分析师打开终端，开始那套熟悉的仪式：在五六个工具之间来回跳，每个工具有自己的查询语言和心智模型。他们得同时维持对多个平台的熟练度，还要在不同界面和查询语法之间不停切换。每次调查都变成一场数据考古，从一堆互不连通的系统里拼碎片。对多数团队来说，简单的调查要耗几个小时，复杂的能拖上好几天。

"一个人一天能认真看的告警就那么多，超过了，看的深度就往下掉，"Bow 说。

她的团队决定动手解决，先问了自己三个问题：什么在消耗我们的精力？什么是重复劳动？什么在阻止我们做真正有影响的工作？答案很清楚：告警分诊能吃掉几个小时，分析师才能确认威胁是不是真的；跨系统的手工关联拖慢一切；查询语言和界面之间的反复切换制造认知负担，而且一天下来越积越重。公司在长大，攻击面在长大，压在安全团队身上的需求也在长大。"不借助 Claude 这样的东西，我们不可能扩张到能满足 Anthropic 的需要，"Bow 说。

解法：CLUE，让 Claude 自己去查证据

几个月里，团队造出了 CLUE（Claude Looks Up Evidence），一个重新设想安全调查方式的检测响应平台。它不是往工具栈里再加一块仪表盘，而是给出一个由 Claude 驱动的自然语言界面，通过工具调用直接连着 Anthropic 的内部系统。

用 Claude Code 来造 CLUE，把传统的软件开发周期压缩了不止一个量级——团队是在日常工作之外把这套系统做出来的。概念验证一天就跑起来了；设计文档、开发步骤、正式实现，一周之内全部完成。"我们做的很大一部分事情，就是在跟 Claude Code 对话，"Bow 回忆，"它既是设计伙伴，也是协作者。"

真正扭转她认知的是一个小事。她让 Claude Code 给 CLUE 的界面加一个按钮，心里已经做好了跟 JavaScript 框架和 CSS 缠斗的准备。结果 Claude Code 当场实现了，而且做得比她自己做更好。

CLUE Triage：告警先过一遍 AI 的手

告警流进来时，CLUE Triage 在人看到之前先做第一轮分诊。Claude 用工具从 Anthropic 各处系统里给每条告警补上下文——Slack 消息、内部文档、代码仓库、数据仓库——然后给出定性：误报、真报、恶意、还是预期行为，每条都附一个置信度分数，分析师由此知道注意力该往哪放。

这个"补上下文"的步骤，解的是每个安全分析师都认得的题：告警到手时都是孤立信号。一次失败登录，一个不寻常的 API 调用，一处配置变更——没有上下文，这些就是噪音；有了上下文（这个用户是谁、最近在干什么、这个行为符不符合他们团队的惯例），清晰的信号才浮出来。"内部上下文就是那块缺失的拼图，有了它，告警才能在你自己的环境里被读懂。"

CLUE Investigate：用自然语言查所有安全日志

有了 CLUE，分析师可以用自然语言查询所有安全关键日志。想知道"这个系统过去一天所有的失败登录"？直接问，Claude 会执行必要的 SQL。"Claude 写精确查询的水平比人高得多，"Bow 说。工具内部跑的是一个 agent 循环：一个编排者向子 agent 下指令，子 agent 并行执行查询、汇集发现，最后综合成连贯的调查摘要。过去要几小时的手工关联，现在三四分钟跑完。

数字能说明密度：平均每次调查 25 次工具调用、将近 11 条查询——远超一个分析师手工操作的合理上限，而且精度更高。这些工具调用里的每一次，放在过去都意味着多开一个控制台、多切一次界面。

但真正的差异化不在速度，在内部上下文。CLUE 通过工具直连 Anthropic 的系统，Claude 拿得到外部安全平台永远碰不到的组织知识：告警响了，它可以去 Slack 看看团队是不是讨论过计划内维护，可以查数据仓库了解基线行为，可以翻代码仓库搞清楚一个服务到底是干什么的。这一点反过来读更有意思：它其实是在论证"安全工具自建"的可行性——护城河不是模型（谁都租得到），是模型和内部系统的打通深度。Microsoft Security Copilot 这类商用产品恰恰卡在这里，它进不了你的 Slack 和代码库。

一个演示：数据治理审查

团队用一个常见的数据治理场景演示过 CLUE 的能力：检查三名外包人员过去两个月有没有访问过不该看的文档。按 Bow 的说法，这类调查手工做至少要半天——查访问日志、比对权限、核对文档密级。交给 CLUE，Claude 读懂请求、拟好计划、生成把技术复杂度包起来的详细查询，几分钟出结果：一份摘要加处理建议，每条执行过的查询全程可见。

效果怎么量

造 CLUE 时团队就想好了：不能只凭"感觉快了"，要能拿数字说话。

还有他们承认没量清楚的：准确率比速度难度量。团队会复核 CLUE 的定性结论、记录分歧，但"Claude 抓到了多少人会漏掉的东西、又漏掉了多少人能抓到的东西"，这个反馈闭环还在搭。调查全程的转录帮了忙：每次调查都能审计，Claude 查了什么、结论怎么来的，一条条可查。

下一步：让 Claude 用 Claude 的方式调查

AI 研究里有个说法叫"苦涩的教训"（the bitter lesson）：把人类特有的推理方式编码进模型，长期看总是干不过给模型通用能力、让它自己找路子。Bow 的团队一直在想这对检测响应意味着什么。

"CLUE 开发早期，我们争论过要把 Claude 的调查路径限制到什么程度，"Bow 说，"SOAR 时代的本能是：写 playbook，定义每一步，让流程确定下来。但我们反复注意到一件事：当我们给 Claude 探索的余地——给它工具和一个目标，而不是一套死板的步骤——它经常走出我们不会预设的调查路径。有些路径翻出了我们本来会漏掉的上下文。"

**关键是给 Claude 边界——能用什么工具、能碰什么数据——而把策略留白。**这个认识决定了 CLUE 接下来往哪走：

• 从被动到主动：今天的 CLUE 是响应式的，告警触发、Claude 调查。但这套架构撑得起更有野心的玩法：持续探索。不等检测规则触发，Claude agent 可以主动猎捕可疑模式——不匹配任何已写规则的异常，单看正常、合起来不对劲的行为。
• 从自己身上学：每次调查的转录都存了下来。这个语料库正在变成一个 Claude 可以查询的知识库——过去的调查是怎么展开的、什么样的路径有效。日积月累，CLUE 会形成一种任何人类分析师都维持不了的组织记忆。
• 拥抱不确定性：传统安全工具把不一致当 bug，CLUE 把它当特性。同一条告警在不同日子可能被用不同方式调查，这没关系——有时第二条路恰好找到第一条路漏掉的东西。团队正在实验并行跑多套调查策略、比较结果。

"安全运营的苦涩教训是什么？我们花了很多年造那些把'人类怎么调查'编码进去的系统。下一代工具应该给模型调查的能力，让它找到比我们预设的更好的路。"

后记

这篇最值得带走的不是 CLUE 本身，而是它背后的买卖判断变了：当一个安全团队一周就能搭出贴合自己环境的调查平台，"买商用 SOC 产品还是自建"这道题的答案开始翻转。文章说得很清楚，差异化全在内部上下文——而这恰恰是任何外部产品给不了、只有自建才能吃到的部分。

另一条暗线是信任的放权节奏：先让 Claude 分诊但人复核每个结论，记录分歧，再逐步扩大自主范围——这和 Anthropic 那篇讲人机团队的文章（"自主权和被验证过的可靠性成正比"）是同一套方法在安全场景的落地。两篇对照着读，能看出他们内部推 agent 的路数是一致的：不是一步到位的自动化，是带审计的逐步让权。

参考资料

• How Anthropic's Cybersecurity Team Built a Threat Detection Platform with Claude Code — 原文
• The Bitter Lesson — Rich Sutton，2019。"苦涩的教训"的出处，两千字短文，值得一读
• Building Effective Human-Agent Teams — Anthropic 讲人机团队协作的姊妹篇，信任放权那套方法的通用版