本文介绍了作者团队在真实安全运营中心（SOC）中设计、开发并部署一个智能体式 AI 助手（agentic AI companion）的长期实地研究成果。SOC 每天需要处理大量工单，其中绝大多数是低关注度事件，不值得深入调查，而这类重复性劳动非常适合用基于大语言模型（LLM）的自动化来减轻负担。与传统“开发完再交付”的工具不同，该 AI 助手的设计并非始于假设，而是源于研究人员在 SOC 内部参与日常工作的过程，持续一年以上。通过田野调查（fieldwork），作者深入理解分析师的真实工作流、痛点和协作模式，从而让 AI 助手能够自然地嵌入现有研判流程。在田野调查的最后四个月，SOC 分析师被邀请正式使用该助手。作者分析了分析师的使用日志，发现在超过 90% 的情况下，AI 助手生成的输出会被分析师直接复用或部分复用到工单关闭报告中。这个结果表明，当 AI 系统真正在设计阶段就与目标用户共同演化时，它不再是“又一个工具”，而是一个能够与人类使用者协同演进、随工作负载类型变化而持续调整的系统。研究者观察到分析师会自然地塑造 AI 助手的行为，使其符合自己特定的偏好和需求；而分析师对 AI 行为调整得越多，他们对 AI 输出的信任感就越强，最终体现为生产力和工作满意度的提升。论文的核心贡献在于揭示了“在战壕中”（即实际工作现场）与用户共同设计 AI 系统的重要性，并为 SOC 中如何构建人机互信的 AI 协同工作模式提供了实证依据和可复制的方法论。适合 SOC 管理者、安全运营自动化学者、SOC 产品或工具设计人员，以及对大语言模型辅助安全研判感兴趣的从业者阅读。