Greenlight Financial 喺 Amazon AWS 官方部落格（2026 年 11 月 6 日）披露，佢哋嘅安全運維中心（SOC）用咗一個叫 Luna 嘅多代理（multi-agent）系統，喺每月最多 4,000 宗安全同風險警訊入面，超過 90% 唔使人工就搞掂。
Greenlight 主要做家庭金融產品（提款卡、儲蓄工具、連網裝置），每月收 3,000–4,000 宗警訊，由四個主要渠道嚟：暗網洩露信用卡、身份及存取異常、基礎設施告警、同金融風險事件。原本一個 analyst 處理一宗暗網洩露卡通知，要查卡是否活躍、去重、睇用户 session、對睇未close嘅客服 ticket，一宗要 15–30 分鐘。4,000 宗一個月，人手根本排唔開。
Luna 嘅架構係分層監督（tiered supervisor），跟住人類 SOC 團隊嘅操作方式：L1 處理數量，L2 處理複雜個案。T1 supervisor 行緊咗 Amazon Bedrock 入面嘅大型語言模型，喺 Amazon VPC 嘅私有子網上跑；運行時用 AgentCore runtime，代碼用 ZIP 檔直接部署。AgentCore memory 則俾佢個多代理系統提供層級記憶，避免自己要建自己維護呢啲基建。
全個系統部署咗超過 30 個專門化代理，覆蓋四個警訊來源，用 Episodic memory（情境記憶）做持續學習。Luna 處理一宗警訊嘅時間係數秒級，喺數秒內完成分類同初判。複雜個案會連全部上下文一起升級俾人類 analyst。
AWS 呢篇帖文強調係「生產指標」（production metrics），但具體數字（例如 90% 準確率、平均處理時間）原文只講「超過 90%」同「數秒」，冇再列更細嘅 KPI。
值得留意嘅係：呢篇帖文係 AWS 嘅產品部落格，Greenlight 係客户，文章冇獨立第三方驗證。AWS 嘅博客係供應商內容，Greenlight 嘅數據都冇獨立審核。90% 自動處理率同「數秒」處理時間，都只係雙方嘅聲稱。
阿調搞兩下
一個 SOC 每月幾千宗警訊，一宗幾十分鐘，呢個數學題本身就係一個招聘廣告。用 AI 代做呢個數學題，好正常。但正常嘅同時，要問三個嘢：第一，剩下嗰 10% 係乜？係唔肯定嘅、係最風險嘅，定係最難嘅？如果係最風險嘅，人工 review 嘅 SLA 係幾耐？第二，Episodic memory 入面係唔係有客户嘅金融行為數據？嗰數據保留幾耐？邊個可以調取？第三，如果 Luna 錯判，邊個執手尾？呢三個問題，AWS 嘅博客一個都冇答。
阿調｜深度調教
