Skip to content

CSlawyer1985/legal-skillhub / skills/ai-governance-reviewer-carl-ditzler

ai-governance-reviewer-carl-ditzler

Verified

当用户希望对内部 AI 用例、AI 产品功能、LLM 工作流或第三方 AI 供应商进行 AI 治理、法律风险、隐私、合规、采购或供应商风险审查时,使用本技能。当事实或证据缺失时,技能首先提出受理和澄清问题,识别所需的文件和缺失的证据,将用例映射到 AI 治理框架和适用的法律领域,并产出带记分卡、发现、责任方、补救行动和后续问题的初步或最终治理审查。

FileKindSize
LICENSE.TXTmarkdown11.1 KB
README.mdmarkdown399 B
SKILL.mdskill md15.2 KB
references/example-outputs.mdmarkdown2.4 KB
references/frameworks.mdmarkdown5.5 KB
references/official/EU AI ACT.pdfbinary2.5 MB
references/official/EU GPAI Code_of_Practice_for_GeneralPurpose_AI_Models_Copyright_Chapter.pdfbinary436.4 KB
references/official/EU GPAI Code_of_Practice_for_GeneralPurpose_AI_Models_Safety_and_Security_Chapter.pdfbinary1.0 MB
references/official/EU GPAI Code_of_Practice_for_GeneralPurpose_AI_Models_Transparency_Chapter.pdfbinary430.8 KB
references/official/GDPR.pdfbinary959.3 KB
references/official/Model_Documentation_Form_lE0Ni71wAwnEx7l2v9xbxbwbCTs_118118.docxbinary102.2 KB
references/official/NIST AI RMF 100-1.pdfbinary1.9 MB
references/official/OECD-LEGAL-0449-en.pdfbinary662.5 KB
references/output-template.mdmarkdown9.6 KB
references/responsible-ai-practice.mdmarkdown4.6 KB
references/scenarios-internal.mdmarkdown1.9 KB
references/scenarios-product.mdmarkdown2.1 KB
references/scenarios-vendor.mdmarkdown2.0 KB
references/working/EU AI ACT.mdmarkdown443.5 KB
references/working/EU GPAI Code_of_Practice_for_GeneralPurpose_AI_Models_Copyright_Chapter.mdmarkdown10.1 KB
references/working/EU GPAI Code_of_Practice_for_GeneralPurpose_AI_Models_Safety_and_Security_Chapter.mdmarkdown85.2 KB
references/working/EU GPAI Code_of_Practice_for_GeneralPurpose_AI_Models_Transparency_Chapter.mdmarkdown8.7 KB
references/working/GDPR.mdmarkdown257.5 KB
references/working/NIST AI RMF 100-1.mdmarkdown86.8 KB
references/working/OECD-LEGAL-0449-en.mdmarkdown25.1 KB

references/output-template.md

View on GitHub
# 输出模板

起草治理审查输出前阅读本文件。

需要具体回应模式时,另请参阅 [example-outputs.md](example-outputs.md)。

## 审查状态规则

- 仅在角色、用例、数据类型、部署模式、监督和测试状态均已知时,使用 `Final Review`(最终审查)。
- 不要仅因事实缺失而将输出标记为 `Preliminary Review`(初步审查)。
- 事实缺失首先触发提问,而非审查。
- 只有模型提出缺失的收集问题并请求缺失证据后,才可将输出标记为 `Preliminary Review`。
- 在初步审查中,使用 `Unknown`(未知)条目而非猜测,并说明审查不完整。
- 如实质性证据缺失,在生成审查前向用户请求该证据。仅当用户无法提供、拒绝提供或明确要求无论如何继续时,才在缺少证据的情况下起草审查,此种情况下保持审查为初步性质。

## 首次回应规则

当用户尚未提供足以支持审查的事实或证据时:
- 回应必须首先是收集与证据请求消息。
- 尚不生成 `Draft AI Governance Review`(AI 治理审查草案)部分。
- 尚不生成记分卡、调查结果、补救措施或建议。
- 仅将第一个主题块作为直接问题提出。
- 不要在首次回应中提及 `Preliminary Review` 作为默认下一步。
- 绝不要要求用户在助手回应中填写表格、markdown 表格或治理证据表。
- 将每个缺失文件或状态项目作为单独的直接问题提出。
- 不要以网络搜索结果、供应商材料或你当前理解的摘要作为问题的前言。
- 除非用户已提供较早答案,否则不要在首次回应中包含后续主题块。
- 除非用户明确询问文件就绪状态,否则不要在首次回应中前置治理文件状态问题。

首选收集格式:
- 简短标题
- 直接问题
- 默认每次一个主题块
- 纯文本问题,而非表格或填写表单

建议顺序:
1. `Core Use Case`(核心用例)
2. `Data and Deployment`(数据与部署)
3. `Oversight and Testing`(监督与测试)
4. `Governance Documents and Status`(治理文件与状态)
5. `Vendor and Contracting`(供应商与合同)

## 收集优先规则

在生成任何报告、调查结果、治理审查或记分卡之前:
- 当 AI 用例、角色、数据、部署、监督或测试事实不清楚时,提出澄清问题。
- 当分析依赖未提供的文件、技术细节、批准、测试结果或供应商材料时,请求缺失证据。
- 如缺失事实或证据仍可从用户处收集,不要直接跳到报告。
- 仅在尝试此收集优先流程之后才使用 `Preliminary Review` 路径。
- 优先采用顺序主题块,而非一个冗长的综合问卷。
- 不要因内部问题数量偏好而压制必要的跟进问题。
- 在每次收集回合中,通常只问 2 至 4 个直接问题。

使用涵盖以下内容的收集问题(如相关):
- AI 用例和预期用户
- 组织角色
- 模型或供应商
- 数据类型和数据来源
- 部署模式
- AI 影响评估
- 技术文档
- DPA 和子处理者清单
- 审计权或审计材料
- 用户披露以及用户是否会知道正在使用 AI
- 测试、红队和验证证据
- 事件响应流程
- 发布后监测计划
- AI 可接受使用政策
- 批准、负责人和升级路径

## 证据充分性规则

在将审查视为具有充分支撑之前,将其作为最低证据门槛。

### 内部 AI 使用

最好具有:
- 用例描述,
- 数据描述,
- 部署描述,
- 负责人和监督详情,
- 可接受使用或培训期望,
- 测试和监测摘要。

### 产品 AI 集成

最好具有:
- 产品或功能描述,
- 预期用户和用户依赖情境,
- 用户披露或用户体验材料,
- 架构或技术概述,
- 测试和红队摘要,
- 事件响应和监测计划,
- 负责任的负责人和批准。

### 第三方 AI 供应商

最好具有:
- 供应商文档或模型文档,
- DPA 或同等合同措辞,
- 子处理者清单,
- 保留和训练权条款,
- 审计权或控制材料,
- 事件和变更通知条款,
- 负责任的内部负责人。

如其中多项缺失,置信度应保持低或中,审查应保持初步性质,除非用户明确要求尽管存在缺口仍继续。

## 置信度纪律

- `High`(高)置信度要求强有力的证据、成熟的测试和明确的负责机制。
- 当存在一些证据但仍有缺口时,`Medium`(中)置信度适当。
- 当关键事实、文件或测试证据缺失时,必须使用 `Low`(低)置信度。

不要因为叙述听起来合理而夸大置信度。置信度跟随证据。

## 回应结构

### 1. Draft AI Governance Review(AI 治理审查草案)

报告使用此确切标题:
`Draft AI Governance Review`

### 2. Requested AI Use Case Summary(所请求的 AI 用例摘要)

使用带标签字段清晰呈现摘要,而非一个密集段落。

建议格式:
- `Use Case`(用例)
- `Scenario`(情境)
- `Organization Role`(组织角色)
- `Intended Users`(预期用户)
- `Model / Vendor`(模型/供应商)
- `Data Types Involved`(涉及的数据类型)
- `Deployment Model`(部署模式)
- `Human Oversight`(人类监督)
- `Testing and Monitoring`(测试与监测)
- `Documents / Evidence Reviewed`(已审查的文件/证据)

如字段尚不明确,标记为 `Unknown`。

### 3. Review Status(审查状态)

说明以下之一:
- `Preliminary Review`(初步审查)
- `Final Review`(最终审查)

如属初步审查,列出阻碍性的未知项。

### 4. Governance Scorecard(治理记分卡)

使用以下两个表格。

**表 A**

| 类别 | 关键问题 | 状态 | 固有风险 | 残余风险 | 提供的证据 |
|---|---|---|---|---|---|
| 功能分类 | 这是何种类型的 AI? | [状态] | [固有风险] | [残余风险] | [证据] |
| EU AI 法案风险层级 | 适用何种风险层级? | [状态] | [固有风险] | [残余风险] | [证据] |
| 禁止用途筛查 | 是否涉及任何被禁止的用途? | [状态] | [固有风险] | [残余风险] | [证据] |
| 透明度义务 | 需要哪些披露? | [状态] | [固有风险] | [残余风险] | [证据] |
| 训练数据与知识产权 | 数据权利和知识产权风险是否已处理? | [状态] | [固有风险] | [残余风险] | [证据] |
| 人类监督 | 是否建立了有意义的监督? | [状态] | [固有风险] | [残余风险] | [证据] |
| 测试证据 | 是否已进行充分测试? | [状态] | [固有风险] | [残余风险] | [证据] |
| 事件监测 | 是否建立了事件响应和监测? | [状态] | [固有风险] | [残余风险] | [证据] |
| 治理批准 | 是否已获得所需批准? | [状态] | [固有风险] | [残余风险] | [证据] |
| 超出 AI 特定法律 | 适用哪些非 AI 法律领域? | [状态] | [固有风险] | [残余风险] | [证据] |

**表 B**

| 类别 | 关键问题 | 缺失证据 | 调查结果 | 置信度 | 所需负责人 |
|---|---|---|---|---|---|
| 功能分类 | 这是何种类型的 AI? | [缺失证据] | [调查结果] | [置信度] | [负责人] |
| EU AI 法案风险层级 | 适用何种风险层级? | [缺失证据] | [调查结果] | [置信度] | [负责人] |
| 禁止用途筛查 | 是否涉及任何被禁止的用途? | [缺失证据] | [调查结果] | [置信度] | [负责人] |
| 透明度义务 | 需要哪些披露? | [缺失证据] | [调查结果] | [置信度] | [负责人] |
| 训练数据与知识产权 | 数据权利和知识产权风险是否已处理? | [缺失证据] | [调查结果] | [置信度] | [负责人] |
| 人类监督 | 是否建立了有意义的监督? | [缺失证据] | [调查结果] | [置信度] | [负责人] |
| 测试证据 | 是否已进行充分测试? | [缺失证据] | [调查结果] | [置信度] | [负责人] |
| 事件监测 | 是否建立了事件响应和监测? | [缺失证据] | [调查结果] | [置信度] | [负责人] |
| 治理批准 | 是否已获得所需批准? | [缺失证据] | [调查结果] | [置信度] | [负责人] |
| 超出 AI 特定法律 | 适用哪些非 AI 法律领域? | [缺失证据] | [调查结果] | [置信度] | [负责人] |

使用:
- `Status`(状态):`Pass`(通过)、`Partial`(部分)、`Fail`(失败)或 `Unknown`(未知)
- `Confidence`(置信度):`High`(高)、`Medium`(中)或 `Low`(低)

### 5. Remediation Checklist(补救检查清单)

提供具体的补救行动扁平检查清单。

示例项目:
- [ ] 完成 AI 影响评估。
- [ ] 确认是否处理个人或敏感数据。
- [ ] 在输出被依赖之前定义所需的人工审查。
- [ ] 完成质量、抗滥用和监测方面的测试。
- [ ] 确认法律、隐私、安全和业务负责机制。

### 6. Risk Confidence Assessment(风险置信度评估)

总结总体置信度,并说明哪些事实或证据提高或降低置信度。

### 7. Recommended Next Steps(建议的下一步)

确认以下内容是否在适用时存在:
- AI 影响评估
- 模型卡或同等文档
- 技术文档
- 使用说明
- 透明度披露
- 事件响应计划
- 发布后监测计划
- 负责人、批准人和升级路径

### 8. Governance as a Living Record(作为活记录的治理)

记录:
- 重新审查触发条件
- 需监测的漂移或劣化信号
- 审查节奏
- 投诉和反馈处理
- 持续改进期望

### 9. Mandatory Disclaimer(强制免责声明)

包含:
> 本审查支持 AI 治理流程,但不替代正式法律审查。这不构成法律意见。本输出为草案,可能包含错误或遗漏。请对照公司政策、主要监管来源以及适当的内部法律、隐私、安全和合规团队核实所有结论。
receiving-code-reviewobra/superpowersUse when receiving code review feedback, before implementing suggestions, especially if feedback seems unclear or technically questionable - requires technical rigor and verification, not performative agreement or blind implementationStars: 323kUpdated Claude CodeCodexVerifiedInstall
requesting-code-reviewobra/superpowersUse when completing tasks, implementing major features, or before merging to verify work meets requirementsStars: 323kUpdated Claude CodeCodexVerifiedInstall
using-git-worktreesobra/superpowersUse when starting feature work that needs isolation from current workspace or before executing implementation plans - ensures an isolated workspace exists via native tools or git worktree fallbackStars: 323kUpdated Claude CodeCodexVerifiedInstall
verification-before-completionobra/superpowersUse when about to claim work is complete, fixed, or passing, before committing or creating PRs - requires running verification commands and confirming output before making any success claims; evidence before assertions alwaysStars: 323kUpdated Claude CodeCodexVerifiedInstall