本文是一篇关于安全运营中心（SOC）中人类与AI协作的实证研究。研究背景是，随着大语言模型（LLM）在安全分析工具中的快速集成，理解人类分析师如何与这些AI系统实际协作变得至关重要。然而，目前缺乏针对真实SOC环境中人机交互模式的系统性、实证性探索。该研究通过设计并实施一项受控实验或实地研究，招募具备SOC工作经验的参与者，观察他们在模拟或真实的告警分析场景中与LLM辅助工具的交互行为。核心方法包括：收集参与者在分析过程中与AI的对话日志、决策记录、任务完成时间以及主观反馈问卷，并采用定量与定性相结合的分析手段，对比有/无LLM辅助时的分析效率、准确性和认知负担变化。主要贡献为：（1）首次系统性地刻画了SOC分析师在使用LLM时的协作模式，包括信任建立、信息验证、告警优先级判断等关键行为；（2）识别出LLM辅助带来的效率提升与潜在风险，例如过度依赖、提示注入攻击的暴露面增加等；（3）提出了改善人机协作界面设计和工作流集成的建议，以支持更安全的自动化决策；（4）为后续研究提供了可复用的实验范式和数据集。本文适合SOC管理人员、安全工具开发者以及人机交互（HCI）与AI安全交叉领域的研究人员阅读，能够帮助他们理解LLM在实际防御工作中的效用边界与安全含义。

该论文首次系统性地研究了大型语言模型（LLM）在软件逆向工程（SRE）中与人类分析师的协作效果。研究分为两部分：首先通过一项包含153名从业者的在线调查，记录了当前LLM在SRE领域的应用现状；随后设计了一项精细的人类实验，选取两个具有CTF风格的二进制程序（代表真实软件），对48名参与者（24名新手和24名专家）进行了超过109小时的逆向工程工作流监测。通过18项发现，论文揭示了LLM在SRE中的多重益处与危害。显著结果表明：LLM辅助缩小了专业差距——新手的理解率提升了约98%，达到专家水平，而专家获益甚微；但同时存在有害幻觉、无建议和低效结果。已知算法函数的分类速度提升最高达2.4倍，工件恢复（符号、注释、类型）增加至少66%。总体而言，研究发现人机协同在SRE中具有强大潜力，但也凸显了当前LLM集成中的显著缺陷。该研究为安全分析师、逆向工程师及AI辅助工具开发者提供了重要参考，有助于理解LLM在实际逆向任务中的真实效用与局限性。