為什麼這個領域重要

過去的 AI 安全討論基本圍繞一個問題：怎麼保護我的智慧體。擋住提示注入、收緊工具權限、把執行放進沙箱。可是隨著「讓智慧體寫程式並當場部署」的平台越來越多，出現了第二個方向：當使用者濫用平台的執行能力時，怎麼保護平台。防守的對象反過來了。

看結構就明白它為什麼會獨立成一個職位。智慧體編碼平台按定義就是把算力、網路和部署權限交給陌生人。有免費額度和試用點數，幾行自然語言就能拉起容器並向外發請求。在攻擊者眼裡，這既是可以白拿的資源，也是跳板。挖礦、垃圾訊息基礎設施、代理中轉、拿支付通道做卡測試，全都從同一道門進來。更麻煩的是發起請求的是智慧體而不是人，於是那些基於人類行為假設建立的異常偵測就不太管用了。

市場已經開始把這個席位拆成明確的職稱。智慧體軟體創作平台 Replit 同時開著 Engineering Manager, Anti-Abuse & Security（總薪酬 21 萬至 27.5 萬美元）和 Staff Software Engineer, Fraud（25 萬至 31.5 萬美元）。AI 程式編輯器 Cursor 用 Engineering Manager, Agent & Product Security 把智慧體安全與產品安全併入一個團隊。OpenAI 的 Offensive Security Agent Engineer 落在 34.7 萬至 49 萬美元區間。這說明濫用處置已經從信任與安全團隊的附屬任務，升格為 staff 與 lead 級別的工程職位。

值得注意的是公司規模。上面這些不是有成熟風險部門的大公司，而是使用者數快速膨脹的新創企業。當成長速度和濫用速度一起上升，把濫用治理往後放就不再是選項，因為從免費額度漏出去的算力成本會直接體現在現金消耗上。

所需技能

第一，為智慧體行為設計的異常偵測。以人為基準的訊號（打字節奏、滑鼠軌跡、工作階段長度）在這裡失效。要看的是作業的形狀：按什麼順序呼叫哪些工具，出站流量的目的地分布與正常建置有何不同，生成的程式是真的走到了部署還是只在反覆執行。只有先定義出正常使用者的作業圖，異常才看得見。

第二，資源濫用的經濟學。這份工作的成敗不只看偵出率，而是看損失金額。你需要判斷把單帳號算力上限、新帳號的信任等級、可疑作業的限速放在哪裡，才能在少傷正常使用者的前提下壓低損失。因為一次誤判就會毀掉一名新開發者的首次體驗，這件事和產品判斷緊貼在一起。

第三，詐欺領域的基本功。支付濫用、促銷點數套刷、多帳號關聯推斷、裝置與網路指紋。卡測試和點數套刷是金融科技做了二十多年的題目，那套工具箱可以直接搬過來。上面那些職位把 fraud 直接寫進職稱，原因正在這裡。

第四，隔離與切斷的執行力。偵測出來卻切不掉等於沒有意義。你需要具備容器隔離、出站政策、憑證吊銷、強制終止工作負載的基礎設施能力。這類職位反覆出現 Python 與 Go、Kubernetes 與雲端運維，背景就在此。

軟技能方面，最關鍵的是用數字講清損失與摩擦之間的取捨。能徹底堵住濫用的設定往往也是把產品堵死的設定，你得讓管理層和產品團隊認同你打算站在兩者之間的哪個位置。

職業路徑

入口有兩條。一條是從信任與安全或詐欺偵測出發，轉到智慧體平台；另一條是從基礎設施或平台工程出發，把職責範圍擴展到濫用治理。近來後者更常見，因為隔離與切斷說到底是基礎設施的活。Replit 同期還開著 Security Engineer, Vuln Management (Infra)（21 萬至 27 萬美元），正說明這種鄰接性。

過了 senior，staff 與 manager 兩條路同時打開。staff 一側負責偵測系統與切斷路徑的設計，manager 一側把濫用治理收成一個團隊目標。上述職位要求 8 到 10 年以上經驗、薪酬區間從 21 萬拉到 49 萬美元，可以讀作供給依然很薄。

在中文市場，這個職稱大多還沒分離出來。但同樣的問題已經發生在賣雲端與開發者工具的公司、免費試用開得很大的 SaaS，以及加了生成功能的電商平台。無論人在安全團隊還是平台團隊，能用數字回答「免費資源漏到哪裡去了」的那個人，實際上已經在做這個角色。如果職稱還不存在，主動把它定義出來的人在談判中更占優勢。

也有一點要留心。這份工作的成果表現為「沒有出事」，因此貢獻很難證明。從第一天就把損失金額、被攔下的濫用作業數、因誤判流失的正常使用者立成指標，這個習慣對職業發展的影響不亞於技術本身。