Abnormal AI 如何用 Amazon Bedrock AgentCore 在十亿级邮件中实时拦截威胁

在 AI 智能体大规模落地的今天，一个共同的架构需求正在浮现：智能体需要一个「计算草稿本」。大语言模型擅长语义推理，但面对基础数学运算、数据聚合与可视化、代码验证等任务时，单靠语言生成远远不够。Amazon Bedrock AgentCore Code Interpreter 正是为此而生——它提供完全托管的无服务器运行时，让智能体能够动态执行代码，并以 API 形式暴露能力，不干预智能体自身的工作流设计。

Abnormal AI 的邮件安全系统采用三层检测架构。第一层每天处理数十亿封邮件，依靠小型模型和启发式规则完成快速分类，成本可控且效率极高。第二层接收第一层无法确信的案例，通过深度学习模型进行更精细的行为信号分析，日处理量在百万级别。第三层则专门应对最棘手的威胁——这些案例在传统流程中通常需要人工分析师介入，现在由内联智能体结合 Code Interpreter 完成动态脚本编写与威胁研判，日处理量约为数万封。

除实时检测管道外，Abnormal AI 还部署了一个批量分析智能体，负责从检测管道中摄取误分类样本和调优信号，识别大规模消息集中的模式与趋势，并自主起草候选启发式规则反哺第一层，同时为第二层生成改进后的模型。这些批处理任务每周约运行100次，单次任务可持续超过30分钟，甚至跨越整天——智能体在外部训练模型后，再重新调用 Code Interpreter 处理结果，形成完整的自我优化闭环。

在安全设计上，Abnormal AI 为 Code Interpreter 选择了零出口（no egress）的沙箱配置，背后有两个核心考量。其一是可重现性：沙箱无法访问外部网络，意味着没有任何外部因素能在会话期间干扰智能体行为，执行环境具备完全确定性。其二是防止数据外泄：威胁情报数据进入沙箱后，即便智能体行为出现异常，数据也无法通过网络通道流出，从根本上降低了敏感信息泄露的风险。

Code Interpreter 的技术规格同样值得关注。每个 MicroVM 会话的存活时间可从默认15分钟配置至最长8小时，满足长时批处理需求。会话之间在宿主操作系统层面完全隔离，文件传输支持通过 API 直接上传最大100 MB 的数据，或连接 Amazon S3 处理更大规模的数据集。预置的 Python 和 Node.js 运行时内置了常用的可视化、统计和数据处理库，日志则自动发送至 Amazon CloudWatch 和 AWS CloudTrail，提供开箱即用的可观测性。

Abnormal AI 的实践揭示了一个更广泛的趋势：AI 原生的工程文化正在重塑软件开发本身。目前该公司80%的代码变更以某种方式借助智能体完成，其中40%由后台智能体端到端独立构建，而非仅作为辅助工具。将 AgentCore Code Interpreter 用于生产级威胁检测，正是这种 AI 原生理念在运行时层面的延伸——智能体不仅参与构建系统，也在实时运行和持续优化系统本身。

要点

• 智能体在生产环境中不仅需要语义推理能力，还需要可执行代码的「计算草稿本」来处理数值运算、数据聚合和结果验证等任务
• 三层检测架构通过逐级过滤将计算资源集中于最复杂的案例，在十亿级规模下兼顾成本效率与检测精度
• 零出口沙箱配置同时解决了执行环境确定性和敏感数据防泄露两个关键安全问题
• 批量分析智能体与实时检测管道协同运作，形成误分类反馈、模式识别、规则自动生成的持续优化闭环
• Code Interpreter 以 API 形式提供能力而不绑定工作流，使其能够无缝集成进已有的智能体基础设施