Як Outtake побудував long-running cyber investigator на Claude
Production-кейс Outtake Recon Agent: один threat signal → багатокрокове autonomous investigation → graph of infrastructure/actors → human decision, з Claude, durable state, evidence trace і containment.
Картка кейсу
Що тут автоматизовано
Обсяг автоматизації
Outtake's Recon Agent uses Claude for long-running, multi-step investigations that expand from one signal into related infrastructure, entities and threat relationships. The workflow is A4 because investigation can execute autonomously across many read/analyze steps, while consequential takedown, attribution publication, enforcement and other external actions remain behind human or separate policy authority.
Роль людини
Analysts choose/validate high-value investigations, interpret attribution confidence and own consequential response decisions. Security/platform teams own data-source permissions, tool allowlists, investigation budgets, evidence retention, incident handling and model/eval rollout.
Заявлені результати
- Outtake reports an average 16-minute Recon Agent investigation and describes this as roughly 30x faster than 5+ hours of manual analyst work; company-reported, not independently benchmarked
- Outtake reports 34+ connected threat nodes per investigation on average, actor identity surfaced in 68% of investigations and country of origin in one third; product-reported metrics with vendor-defined denominators
- Outtake reports its broader platform handles 90% of threats automatically and Recon Agent is used for the 10% warranting deeper investigation; this is company-reported operating context, not a universal SOC automation rate
Anthropic's April 28, 2026 session states that Outtake's Recon Agent, built on Claude, traces a single threat indicator to the broader adversarial network and that Outtake uses Claude to autonomously investigate and map threat infrastructure at scale. Outtake's current Recon Agent page reports an average 16-minute investigation, about 30x faster than 5+ hours of manual analyst work, 34+ connected threat nodes on average and attribution-related rates; these are company-reported product metrics and not independent cyber benchmarks.
Зміст статті
- 01Бізнес-задача: від одного IOC до карти операції
- 02Trigger, input, AI stage, integrations та output
- 03Durable state: multi-hour agent не може жити тільки в transcript
- 04Error handling і containment
- 05Evaluation contract: graph correctness важливіший за красивий narrative
- 06Frequency, scalability і cost model
- 07Як повторити: 8-кроковий rollout
Бізнес-задача: від одного IOC до карти операції
Traditional investigation часто починається з domain/account/app і ручного pivot через WHOIS, hosting, certificates, related infrastructure, social profiles, behavioral signals та historical context. Вузьке місце — не окремий query, а здатність тримати hypothesis/evidence state протягом десятків кроків і не втратити причинний ланцюг.
Outtake позиціонує Recon Agent саме як long-running investigator: один signal розгортається в network map, actor/infrastructure hypotheses і evidence package. Це інший клас системи, ніж chatbot для SOC — agent має стан, budgets, tools, termination rules і доказ того, що його висновок справді підтримується спостереженнями.
architecture
Карта системи: Як Outtake побудував long-running cyber investigator на Claude
Trigger, input, AI stage, integrations та output
Trigger може надходити з Brand Protection, Executive Protection, Event Monitoring, Product Security або Threat Intelligence. Input — seed IOC/entity, allowed sources, prior graph, case context, timestamps, identity/tenant scope і investigation policy. Claude планує pivots, інтерпретує результати, формує hypotheses і вирішує, який bounded read-tool викликати далі.
Output — structured graph: entities, relationships, infrastructure, confidence/evidence, unresolved branches і recommended next action. Кожен claim має бути traceable до source/tool observation. External takedown або enforcement не повинен бути побічним ефектом inference loop; це окрема action plane з власною authorization policy.
- Trigger → seed threat indicator або escalated case.
- Input → IOC/entity + authorized sources + prior graph + policy/budget.
- AI → plan pivots, query tools, connect evidence, update hypotheses.
- Output → evidence-backed graph + confidence + human/action handoff.
decision-tree
Контрольні точки для практичного застосування
Контрольна теза з матеріалу статті.
Контрольна теза з матеріалу статті.
Контрольна теза з матеріалу статті.
Контрольна теза з матеріалу статті.
Durable state: multi-hour agent не може жити тільки в transcript
Long-running investigation потребує окремого case state: hypotheses, visited nodes, source timestamps, pending branches, confidence, tool failures, budget consumption і stop reason. Transcript корисний як trace, але поганий source of truth: його compaction або context truncation не повинні змінювати те, що вважається вже перевіреним evidence.
Checkpoint створюється перед дорогими branches, approvals та external side effects. Після resume система перевіряє freshness і доступність джерел, tool scopes та model/instruction version. Pending work, створений під старою policy revision, не продовжується автоматично, якщо authority або source semantics змінилися.
Error handling і containment
Failure modes: poisoned webpage/tool result, prompt injection у scraped content, false entity match, stale DNS/hosting record, cyclic graph expansion, tool timeout, rate limit, source contradiction, duplicated branch або runaway investigation, яка спалює бюджет, але не додає інформації.
Контролі: source trust labels, treat external content as data not instruction, deterministic URL/domain normalization, deduplication, maximum depth/time/tool/cost budgets, no-write tool default, network egress allowlist, contradiction state і explicit stop condition. Якщо tool може виконувати takedown або іншу side-effect дію, capability ізольована від investigation loop і потребує exact-action authorization.
Evaluation contract: graph correctness важливіший за красивий narrative
Eval set має включати known threat networks, benign shared infrastructure, reused hosting, false-friend domains, privacy-sensitive identities, stale/deleted assets, adversarial pages, contradictory sources і no-attribution cases. Graders окремо оцінюють node/edge precision, evidence support, missing critical branches, false attribution, tool policy і final case state.
Hard blockers: unsupported actor attribution, cross-case/tenant leak, unauthorized takedown, prompt-injection privilege escalation, fabricated source або loss of provenance. Reported 16-minute average чи 30x speed не замінюють власний false-attribution ceiling — швидка помилка в cyber investigations просто швидше доїжджає до юридичного відділу.
Frequency, scalability і cost model
Investigations можуть запускатися on demand для escalated 10% або за policy trigger. Масштабування через parallel branches корисне, але потребує shared graph lock/dedup і budget allocator; інакше десять subagents одночасно куплять ту саму дорогу data-enrichment відповідь і урочисто назвуть це orchestration.
Full cost = model inference + external intelligence/data APIs + browser/network compute + durable state + graph storage + observability + analyst review + retries + failed branches + evals + incident handling. Практичний denominator — cost per verified investigation або per validated new connected entity, а не tokens per turn.
Як повторити: 8-кроковий rollout
1) Виберіть один seed type, наприклад domain. 2) Дайте лише read-only vetted sources. 3) Збережіть graph/evidence поза transcript. 4) Побудуйте known-network evals і false-attribution hard blockers. 5) Запустіть shadow поруч із analysts. 6) Додайте parallel branches із budgets/dedup. 7) Введіть human handoff для attribution/response. 8) Лише потім підключайте bounded external actions через окрему authority plane.
Підходить threat-intelligence, brand-abuse і fraud teams із великою кількістю повторюваних pivots і визначеним source policy. Не підходить середовищу, яке вважає будь-яку OSINT-згадку доказом identity або хоче дозволити agent самостійно блокувати людей на основі probabilistic graph.
Практичні приклади
Seed domain → graph → analyst handoff
Analyst подає підозрілий domain. Agent нормалізує IOC, перевіряє vetted sources, паралельно розширює hosting/certificate/ownership links, дедуплікує graph, фіксує provenance і contradictions, зупиняється за budget/coverage rule та передає analyst evidence-backed network map. Consequential response виконується окремо.
FAQ
Чи Recon Agent справді побудований на Claude?
Так. Anthropic і Outtake прямо описують Recon Agent як Claude-based long-running cyber investigator. Поточні performance figures наводить сама Outtake і вони залишаються company-reported.
Чи 30x faster означає 30x кращу якість?
Ні. Це company-reported time comparison. Quality потребує окремих graph/evidence/false-attribution evals.
Чи варто одразу автоматизувати takedown?
Ні. Спочатку read-only investigation, durable evidence, false-attribution tests і human handoff. Consequential actions підключаються окремою authorization plane.
Пов’язані матеріали
Production-кейс AIG: Claude в страховому underwriting, data extraction і decision support — з human-owned risk decisions, auditability, evidence controls, deterministic policy gates та staged rollout.
Як Warp будує self-improving agents з Claude і SkillsProduction-кейс Warp: Claude-based agents, Skills і feedback loops для PR review, issue triage та community workflows — з versioned skill updates, evals, human correction і guarded promotion.
Як Trellix використовує Claude для автономних security investigationsProduction-кейс Trellix: Claude через Amazon Bedrock для alert analysis, autonomous investigations і security engineering — з human escalation, model routing, evidence trace, containment та verified remediation.
Як Vega будує agentic cyber defense на Claude: detection, triage, investigation, oversightProduction-кейс Vega Security + Claude Platform/Agent SDK: federated security-data access через Security Analytics Mesh, model routing за ризиком, окремі detection/triage/investigation/oversight agents, production evals і human sign-off для змін у detection logic.
State machines для агентівState machines для агентів — практичний розбір production-архітектури: відокремлення ймовірнісного рішення моделі від детермінованого життєвого циклу виконання. Матеріал охоплює контракти, межі повноважень, failure modes, оцінювання та контрольований rollout.
Red teaming LLM-системПрактичний red teaming перетворює припущення про безпеку LLM-системи на відтворювані атаки, докази та regression-тести. Розглядаємо threat model, ручні й автоматизовані кампанії, triage, безпечну лабораторію та перевірку виправлень.