本文针对安全运营中心（SOC）中常见的告警疲劳问题展开研究。在实际环境中，安全检测系统每天产生的大量告警远超分析人员可处理的范围，因此自动化的告警分诊（triage）至关重要。现有方法通常直接提示或微调大语言模型（LLM）输出分诊标签，但并未训练模型对检测结果是否为真实威胁进行推理。作者提出了一种结合思维链（Chain-of-Thought, CoT）推理能力的分诊分类器，使用真实的人工标注的Windows端点检测数据，通过自动化提示优化、自训练和带可验证奖励的强化学习来训练模型。研究发现，CoT推理会降低标签token的概率，从而影响依赖该概率的自动化分诊判断，为此作者额外训练了一个校准器（calibrator），读取完整推理轨迹并估计判定正确的概率。最终系统在测试集上达到82.6%的准确率；在高置信度阈值下，相比直接输出标签的LLM分类器，良性告警的召回率提升了43.0%，恶意告警的召回率提升了18.3%。实验还表明，训练校准器是必要的——未训练的置信度评估器会导致高置信度召回率降为零；此外，微调后的30B模型显著优于前沿通用模型，说明针对任务进行专门训练比单纯扩大模型规模更有效。本文贡献在于提出了一种可推理的告警分诊方法，并解决了推理带来的置信度校准问题，为SOC自动化分诊提供了新的思路。适合从事安全自动化、LLM应用及告警管理的研究人员和工程师阅读。