AI 正在改变网络攻防的方式。10月9日，路透社报道称，开源 AI Agent 工具 ARTEX 的开发者决定将项目转为闭源，此前网络安全公司 CrowdStrike 将该工具与韩国银行遭遇的网络攻击联系起来。相关事件仍在调查中，但它已经引出一个值得企业关注的问题：当 AI 工具能够自动执行更多安全测试与技术操作时，攻击和防御的门槛都在发生变化。
AI安全从发现漏洞走向分析攻击路径
传统代码安全工具通常会报告潜在漏洞，研发团队还需要判断漏洞是否真实可利用，以及它能否与其他问题组合成有效攻击路径。
9月，Rubrik 发布 Code Guardian，尝试利用前沿 AI 模型分析代码中的多步漏洞链，验证其可利用性，并对风险进行排序。该服务当时处于私人预览阶段，尚不能视为普遍可用的产品，但其技术方向值得关注：安全分析正在从单点告警，进一步走向对真实攻击路径的理解。
这意味着企业需要把安全检查更早地纳入研发流程，而不是等到系统上线后再集中处理问题。AI 可以帮助扩大检查范围，但检测结果仍需要验证，修复后的代码也应重新测试，避免解决一个问题时引入新的风险。
Agent上线之后，可靠性同样重要
企业部署 Agent，并不意味着工作到此结束。Agent 能否按业务规则执行任务、是否正确调用工具、失败后能否定位原因，都会影响它在生产环境中的实际价值。
Kore.ai 在10月发布的 Autoloop，重点是持续评估、诊断和优化企业 Agent，并在调整后重新验证其表现。它反映出企业 Agent 的建设重点正在从单次开发，转向贯穿上线前后的一套持续改进流程。
对于企业而言，不能只看 Agent 最终有没有给出答案，还应检查它如何完成任务、调用了哪些系统、在哪个步骤出现偏差，以及修改之后是否影响其他业务规则。
海外业务还要考虑连接与连续性
AI 应用通常会依赖云平台、外部模型、代码仓库和跨地域团队。系统运行不仅取决于模型本身，也与底层基础设施和跨境连接是否稳定有关。一旦关键服务访问异常，研发协作、客服处理或业务系统调用都可能受到影响。
因此，企业在规划 AI 应用时，需要分别管理应用权限、代码安全、运行监控和网络连接。它们解决的是不同层面的问题，不能相互替代。
对于有海外办公、研发协作或多地业务系统的企业，万联 WANFLOW 可通过云网关、SD-WAN 等能力协助管理跨地域网络连接与链路切换，为海外业务访问和协作提供网络基础。它并不替代 Agent 的权限控制或代码安全机制，但稳定的连接环境是业务流程持续运行的重要基础。
AI Agent 正从试验性工具走向真实业务流程。企业要获得它带来的效率提升，除了关注模型能力，也需要同步完善安全验证、执行追踪和基础设施管理，让自动化真正服务于稳定的业务运行。