该研究提出了SecMate，一个基于多智能体架构的网络安全故障排除虚拟客户助手（VCA）。针对传统IT支持依赖人工、效率低下且缺乏个性化的问题，SecMate通过三个维度的上下文个性化来提升故障排除的准确性和用户体验：1. 设备特异性：在客户设备上部署轻量级本地诊断工具，实时收集系统状态、配置和日志等设备级证据，使智能体能够基于实际设备状态进行诊断；2. 用户特异性：通过隐式熟练度推断（分析用户对话中的技术术语使用、问题描述详细程度等）和用户配置文件（历史故障、偏好等），调整沟通方式和故障排除策略；3. 服务特异性：利用主动上下文感知推荐器，根据当前故障场景和用户历史行为，推荐最相关的解决方案或后续步骤。 实验设计为对照研究，共144名参与者完成711次对话。参与者被随机分配到不同条件：仅LLM基线、LLM+设备证据、LLM+设备证据+逐步指导。结果表明，加入设备级证据后，正确解决率从约50%（仅LLM基线）提升至超过90%；进一步加入逐步指导（如分步操作说明）则显著提高了用户愉悦度（通过问卷调查）并减少了用户负担（如操作时间和认知负荷）。推荐器的性能通过MRR@1=0.75（平均倒数排名）证明其能有效推荐最相关步骤。此外，参与者愿意以远低于人工IT支持成本的价格（中位数约5美元）使用此类自动助手替代人工服务。 研究团队公开了完整代码库和一个丰富的带注释数据集（包含对话记录、诊断数据、用户标注等），以支持可重复研究和自适应VCA的后续开发。该工作主要面向AI for cybersecurity、人机交互和智能客服领域的研究者，展示了LLM智能体在复杂场景下结合多源上下文信息实现个性化服务的潜力。