微软有最全的安全产品，以云上为主，也就有了最好的数据。他们用了OpenAI的模型，最好的，团队，也基本没有哪个公司可比。
所以微软做了Security Copilot非常炫酷，上一篇已经介绍过了，可以参考
那么，微软是如何使用大模型的？本文作一分析。
本文共分四部分
一、大模型基本能力
二、大模型的缺陷
三、微软的应用架构
四、总结
01 大模型的基本能力
我们最常使用大模型的方法，是对话。另外，还有一种方法，是API调用，用于基于大模型的软件开发。
无论是对话，还是API调用，大模型的运作是一样的，就是根据一个请求，作出相关的响应，就这一个主要功能。其实这也是大模型的基本能力。
在API调用上，对这个功能再细化，有两个能力需要重点强调：
函数调用(Function Calling)
Function Calling（函数调用）是大模型与外部系统或API交互的能力。简单地理解，你有一些函数，用于处理问题。以前的做法，是在代码里写死，流程走到哪，调用哪个函数，使用什么参数。
用大模型不一样了，你可以把函数描述和要求给到大模型作为请求，大模型会根据你的要求，找到合适的函数，并填上适当的参数给你。
函数可以是多个，大模型会根据对话内容，自动选择合适的函数及参数。
2.Sql生成
Sql生成和函数调用类似。以前需要自己写Sql，现在不用了，你把数据库的描述和查询需求给它，述数据库结构和查询需求同时给到大模型，它可以生成一个Sql语句，这个功能实际有很多用法，不过深讨论。
02 大模型的缺陷
大模型的函数调用能力，用于对外部工具的调用，是个非常有价值的工具。毕竟，相对原来根据需求，一行一行写代码调用，现在只要说一句话，它就能调用哪个工具，并准确输入参数，这对软件是个巨大的进步。
但它有个致命的缺陷：大模型并没有临时记忆，就是每次请求，都需要完整地输入所有的函数描述。你没看错，是每一次。你跟大模型聊天，看上去大模型记住了你前边说过的话，实际上，是浏览器每一次都把前边所有的对话也发给了大模型，每一次调用，都要带上所有历史记录，而大模型本身并没有会话的概念，它什么都记不住。
这是个令人崩溃的事情，一来每次调用都是巨大的tokens消耗，费用巨大，性能非常差。二是针对大的系统，函数的描述是海量的，而大模型的输入又有长度限制，很可能prompt放不下。
针对这个问题，openai最初给的方案是微调。微调就是给出一系列指令，比如说A需求，调用FA函数，B需求，调用FB函数。这个方案显然降低了大模型的智能，比传统写代码确实强点，但大模型的智能显然是没用好。
最近，OpenAI和Claude又有了一个相对优化的解决方案，是Prompt caching.
Prompt caching是一种优化大型语言模型(LLMs)性能和效率的技术。这个概念相对较新，主要应用于需要频繁使用LLMs的场景。以下是对prompt caching的详细介绍：
概念定义：Prompt caching是指将常用的prompt及其对应的模型输出存储起来，以便在后续相同或相似的查询中快速检索和重用。
这个方案，减少了延迟，降低了成本，但仍然不算最终的理想方案。
这个问题，绕不过。看看微软是怎么解决的。
03 微软的应用架构
图一
上图是微软的应用架构，重点看copilot周边的六条数据流，黄色数字标识的部分。
用户输入提示
Copilot根据用户提供，找到合适的插件（plugin，连接目标系统，取数据，函数表)
Copilot根据插件取到的信息，重新修改prompt（增加信息），送给大模型
大模型根据要求，针对Copilot的请示返回结果
Copilot把大模型的返回转给插件，作后处理，比如进一步的数据处理，函数调用要求等
Copilot 将插件处理的结果，返回给应用，包括响应，应用命令等，由具体的安全进行处理，再将结果返回给用户。
这里边，比较关键的点有两个，一个是插件(plugin),一个是Copilot的插件选择（路由能力）
1.插件（plugin）的原理
它通过标准接口与copilot对接，可与外部数据进行交互。按，每个安全产品对应一个插件，可以获取相关数据。
2.路由
如何根据用户的请求（自然语言）找到合适的插件？微软没有明确说明。但这个功能，如果用大语言模型实现是非常容易的。两个方法都可以，一是在进行步骤3之前先调用一下大模型（这与图示不符），还有一个办法是在Copilot里再放一个小一点的模型。微软用了openai的模型，但也反复强调自身的模型训练，我认为后一种可能性更大。这个方法一般称为意图识别。当然，看花容易养花难，理论上好实现，和实际上实现好，还是有很大的差距。
CrowdStrike的Charlotte AI也非常强调路由能力，说的也是这个意思。
04 总结
大模型在近两年的发展中，表现出无比巨大的能力，但仅有大模型是不够的，结合大模型，做必要的外围开发，形成Agent，具备理解用户，挖掘分析数据，外部环境感知和工具调用能力，才是应用的完整方案。客户需要的不仅仅是通识问答，而是结合客户自身情况的完整答案，这个关键在于数据获取能力。
微软的Security Copilot就是个非常完整的Agent方案。
如果再具体一点，它就是个RAG(检索增强生成）方案。目前的方案已经表现的很好，相信随着大模型技术的发展，agent能力更多的由大模型承载，未来会有更强的能力。
声明：本文来自AI与安全，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
