工业界的 Windows 恶意软件检测系统通常被描述为由多种异构组件构成的复合 AI 系统，其中包括基于规则的检测机制以及基于机器学习的静态与动态分析模块。然而，由于工业界保密和公开信息有限，这些系统的内部架构往往只能被推测，导致难以对其检测准确率、计算开销和对抗鲁棒性进行系统性评估。相比之下，学术研究提供了可重复、透明的评估方法，却通常只针对孤立的检测组件进行考察，与真实复杂系统存在较大差距。为弥合这一鸿沟，本文受先进工业级 Windows 恶意软件检测架构的启发，提出了一种新的评估方法，用于显式平衡检测性能、计算需求与鲁棒性之间的权衡，并引入了系统级威胁模型，以刻画攻击者如何利用不同程度的知识来逃避整个复合 AI 系统，而非仅绕过单个检测器。基于真实数据的实验表明，复合 AI 系统的训练时间可被缩短、响应能力得以提升，而检测性能仅出现微弱损失。利用所提出的威胁建模，研究者发现知识越丰富的攻击者能够构造出更有效的对抗样本，这些样本会揭示系统的优势与弱点、降低其响应速度，并暴露出效率与鲁棒性之间的直接权衡。最后，作者将这些权衡转化为可执行的结论与部署指南，以帮助安全从业者根据自身的运维约束选择最合适的检测系统。本文的核心贡献在于提出了一个能够同时兼顾性能、效率与安全性的系统级评估框架，为学术研究与工业实践之间的鸿沟提供了连接桥梁。