Skip to content

CSlawyer1985/legal-skillhub / skills/ai-compliance-docs

AI合规文档生成助手

Verified

面向AI企业的专业合规文档生成工具。覆盖算法备案、数据安全评估、个人信息保护影响评估(PIA/DPIA)、AI伦理审查、等保2.0、数据安全法、个人信息保护法、生成式AI服务管理暂行办法等20+类合规场景。提供标准化文档模板、智能风险识别、合规建议生成、整改方案输出等一站式服务,帮助企业快速建立AI合规体系,降低合规风险和成本。

FileKindSize
FAQ.mdmarkdown12.2 KB
README.mdmarkdown5.4 KB
SKILL.mdskill md44.5 KB
TROUBLESHOOTING.mdmarkdown5.2 KB
_meta.jsonconfig57 B
templates/compliance-doc.mdmarkdown4.4 KB
# 常见问题(FAQ)

## 一、功能能力

**Q1:生成的合规文档能直接用于正式备案或审计吗?**

A:生成的文档是标准化的初稿和模板,可以作为合规工作的起点和参考框架,但不能直接替代专业法务和合规人员的工作。正式的算法备案、等保测评、DPIA报告等需要结合企业实际情况进行定制化调整,并由企业内部合规/法务团队审核确认后才能提交。建议将本工具作为"提升效率的助手",而非"替代专业人员的方案"。

**Q2:覆盖哪些法规和标准?更新及时吗?**

A:当前覆盖的核心法规包括:《网络安全法》《数据安全法》《个人信息保护法》《生成式人工智能服务管理暂行办法》《互联网信息服务算法推荐管理规定》《互联网信息服务深度合成管理规定》《网络安全等级保护条例》等。标准包括:GB/T 22239等保基本要求、GB/T 35273个人信息安全规范、ISO 27001、ISO 27701等。法规更新会尽量跟进,但存在一定滞后性(通常1-3个月),建议以官方最新发布的法规文本为准。

**Q3:生成一份完整的合规文档需要提供哪些信息?**

A:基本信息包括:产品/项目名称、企业主体信息、用户规模、数据类型和范围、核心功能描述、技术架构简述。文档类型不同,需要的信息深度不同。比如隐私政策需要详细的数据收集清单,DPIA报告需要数据处理活动的全链路说明,算法备案需要算法原理和风险评估等。信息提供越详细,生成的文档越贴合实际。如果信息不全,会用通用模板填充,需要后续补充。

**Q4:跟律所或合规咨询公司有什么区别?**

A:主要区别在于:① 成本——工具生成成本远低于聘请专业顾问;② 效率——几分钟出初稿 vs 几周甚至几个月;③ 灵活性——可以随时调整和迭代;④ 专业性——工具是模板化生成,深度和定制化程度不如专业顾问。两者是互补关系:日常合规文档、初稿编写、知识学习用工具;重大合规项目、正式备案、复杂场景请专业顾问。

**Q5:不同行业的合规要求不一样,能适配特定行业吗?**

A:工具提供的是通用合规框架,适用于大多数互联网和AI企业的基础合规需求。对于金融、医疗、教育、政务等强监管行业,需要额外补充行业特定的合规要求。生成文档时如果说明行业属性,会增加对应行业的特殊合规要点(如金融的个人金融信息保护、医疗的健康医疗数据安全等),但不能覆盖所有行业细则。强监管行业建议结合行业监管要求人工调整。

**Q6:生成的文档有法律效力吗?**

A:没有。工具生成的文档仅为参考模板和辅助材料,不具备任何法律效力。正式提交给监管部门的材料、对外发布的公告、合同协议等具有法律效力的文件,必须经过企业内部法务/合规部门审核确认,并以企业名义发布后才具备相应效力。工具不对生成内容的合规性、准确性或法律效力做任何担保。

**Q7:算法备案全套材料能生成吗?通过率怎么样?**

A:可以生成算法备案所需的全套材料框架,包括算法备案申请表、算法机理说明、算法安全评估报告等。但备案通过率取决于多方面因素:企业实际业务是否合规、材料与实际情况的一致性、当地监管部门的审核尺度等。工具只能保证材料格式和内容框架的规范性,不能保证备案通过。建议生成后由专业人员审核调整,再正式提交。

**Q8:隐私政策生成后,用户数据真的合规了吗?**

A:隐私政策只是合规的一部分——它是告知用户的文本。真正的合规还包括:实际数据处理行为与隐私政策一致、有相应的技术和管理措施、用户权利保障机制到位等。生成隐私政策解决的是"有没有说清楚"的问题,而"有没有做到"需要企业在技术、流程、管理上全面落地。合规是体系工程,不是写一份文档就完事了。

## 二、使用场景

**Q9:适用于什么场景?不适用于什么场景?**

A:
- ✅ 适用场景:合规文档初稿快速生成、学习了解合规要求、内部自查自纠、中小团队合规体系从零搭建、合规培训教学材料、正式提交前的参考框架。
- ❌ 不适用场景:直接提交给监管部门的正式材料(需人工审核)、复杂或争议性的合法律师意见、替代专业法律顾问、跨境数据传输等高度复杂的合规场景、需要承担法律责任的正式文件。

## 三、反模式警告

**❌ 反模式1:生成完直接用,不审核不调整**

- **错误做法**:工具生成完文档,看都不仔细看就直接用——隐私政策直接挂网上、备案材料直接提交给监管部门。
- **原因**:生成的文档是基于通用模板的,不可能100%符合你的实际业务情况。直接用可能导致:文档内容与实际不符(虚假陈述)、遗漏重要合规点、措辞不当引发法律风险。合规不是"有文档就行",是"实际合规+文档如实反映"。
- **正确做法**:生成初稿后,安排熟悉业务的人员和合规/法务人员审核,对照实际业务逐条核对修改,确认内容真实、准确、完整后再使用。正式提交前务必经过企业内部审批流程。

**❌ 反模式2:把合规文档当作装饰品,写完就不管了**

- **错误做法**:生成了一堆合规文档,整齐地放在文件夹里,就算"合规了"。实际业务该怎么干还怎么干,跟文档写的完全两回事。
- **原因**:合规的核心是"实际合规",文档只是记录和证明。如果实际操作和文档不一致,一旦出事,文档反而成了违法违规的证据——"你自己都写了要这么做,结果根本没做",性质更严重。
- **正确做法**:文档要与实际业务保持一致。业务变了文档要更新,文档里写了的措施要落地执行。定期(至少每季度或半年)做一次合规自查,确保"文实相符"。

**❌ 反模式3:用AI生成的合规文档替代专业法律意见**

- **错误做法**:遇到合规问题不去找律师或合规专家,直接问AI,然后照着AI说的做。
- **原因**:AI生成的内容是基于训练数据的通用知识,不是针对你具体情况的专业法律意见。法律问题很复杂,一个细节的差异可能导致结论完全不同。依靠AI意见做决策,出了问题没人替你承担责任。
- **正确做法**:把AI生成的内容当作"学习材料"和"参考框架",帮助你理解合规要求、梳理思路。具体决策和重大合规问题,一定要咨询专业律师或合规顾问。

**❌ 反模式4:合规文档越厚越好,越多越安全**

- **错误做法**:觉得合规文档越多、越厚,就显得越合规。生成十几份文档,各种制度、流程、预案堆满文件夹,但没人看也没人执行。
- **原因**:合规效果不取决于文档数量,而取决于实际执行。一堆没人执行的制度,不如几条真正落地的措施有效。监管检查时也不是看你文档多厚,而是看你实际做了什么、做得怎么样。
- **正确做法**:从关键合规点入手,做一份落地一份。先把最核心的(隐私政策、数据分类分级、安全管理制度)做好做实,再逐步扩展。宁缺毋滥,确保每一份文档都有对应的执行机制。

**❌ 反模式5:一次生成,永久不变**

- **错误做法**:产品上线时生成了一版合规文档,之后产品改了、数据处理变了、法规更新了,文档还是那版。
- **原因**:合规是动态的,不是静态的。业务在变,法规在变,合规文档也要跟着变。文档和实际情况不一致,比没有文档还危险——说明你知道应该怎么做,但没做到。
- **正确做法**:建立文档定期更新机制——至少每半年review一次。以下情况必须立即更新:重大产品功能变更、数据处理活动重大调整、新法规出台、发生安全事件后整改。

**❌ 反模式6:抄同行的合规文档,改个名字就用**

- **错误做法**:看竞品的隐私政策写得不错,直接抄过来改个公司名就用了,或者直接用AI生成的通用模板不做任何调整。
- **原因**:每个企业的业务模式、数据处理方式、用户群体都不一样,别人的合规文档不一定适合你。直接套用可能导致:该说的没说到(披露不充分)、说了的没做到(虚假陈述)、不该承诺的乱承诺(增加法律责任)。
- **正确做法**:以模板为参考,逐条对照自己的实际业务修改。每一条数据收集、每一项处理活动、每一个用户权利,都要跟实际情况对得上。宁可不写,也不要乱写。

**❌ 反模式7:合规只是法务或安全部门的事**

- **错误做法**:"合规是法务的事,跟我产品/技术/运营没关系。"把所有合规工作都推给法务或安全部门,其他部门不配合。
- **原因**:合规是全公司的事。产品设计时不考虑隐私保护,技术实现时不做数据加密,运营部门乱收集用户信息,光靠法务改文档有什么用?合规要从源头做,要融入产品研发运营的全流程。
- **正确做法**:建立全员合规意识。产品经理懂隐私设计(Privacy by Design),开发懂安全编码,运营懂数据收集规范,法务懂合规审核。各部门各司其职,法务/合规部门统筹协调,才能真正做好合规。

## 四、边界与限制

### 能做什么(核心能力)

1. **20+类合规文档模板**:覆盖算法备案、数据安全、个保合规、等保合规、AI伦理等主流合规场景的标准化文档框架
2. **智能风险识别**:根据业务场景自动识别常见合规风险点,给出风险等级和整改建议
3. **法规要点覆盖**:涵盖网安法、数安法、个保法、生成式AI管理办法等核心法规的关键要求
4. **结构化文档输出**:生成规范、完整、可编辑的文档初稿,大幅提升合规文档编写效率
5. **合规知识普及**:帮助非专业人员理解合规要求,降低合规学习门槛

### 不能做什么(明确局限性)

1. **不能提供法律意见**:生成的内容仅为参考模板,不构成法律意见,不具备法律效力
2. **不能保证100%合规**:合规要求复杂且动态变化,工具无法覆盖所有场景和最新要求,不能保证生成内容完全符合监管要求
3. **不能替代专业法务/合规人员**:复杂合规场景、强监管行业、重大合规决策仍需专业人员判断和处理
4. **不能覆盖所有行业细则**:通用模板覆盖基础合规要求,金融、医疗、政务等强监管行业的特殊要求需额外补充
5. **不能实时跟进法规更新**:法规知识有一定滞后性,最新出台的法规可能未完全覆盖
6. **不能代替实际合规执行**:工具只能生成文档,无法确保企业实际业务活动合规,落地执行靠企业自身

### 准确性说明依据

- 文档模板基于现行法律法规和行业最佳实践编制,框架结构和核心要点覆盖度约85%-90%
- 风险识别准确率取决于业务信息提供的详细程度,信息充分时约70%-80%的常见风险可被识别
- 法规内容参考公开渠道发布的正式法律文本和标准规范,以国家正式发布版本为准
- 实际合规则因企业规模、行业属性、业务模式、地域监管等因素差异较大

### 已知盲点与薄弱场景

- **跨境数据传输合规**:涉及多国法律和国际条约,复杂度高,通用模板覆盖有限
- **强监管行业特殊要求**:金融、医疗、教育、政务等行业有特殊监管要求,需专业知识
- **最新出台的法规**:刚发布的法规可能尚未完全纳入模板,存在时间差
- **地方监管差异**:不同地区的执法尺度和具体要求可能存在差异
- **复杂业务场景**:涉及多方数据共享、多方处理者、复杂数据流转的场景,模板适应性有限
- **具体法律纠纷**:涉及诉讼、投诉、监管调查等具体法律事务,需专业法律人士处理
slack-gif-creatoranthropics/skillsKnowledge and utilities for creating animated GIFs optimized for Slack. Provides constraints, validation tools, and animation concepts. Use when users request animated GIFs for Slack like "make me a GIF of X doing Y for Slack."Stars: 198kUpdated Claude CodeCodexVerifiedInstall
ponytailDietrichGebert/ponytailLazy senior dev mode for any coding task: the smallest change that fully solves it, and a reply a busy human understands in one read.Stars: 194kUpdated Claude CodeCodexVerifiedInstall
ponytail-debtDietrichGebert/ponytailHarvest every shortcut: comment into one debt ledger, so deferrals get tracked instead of forgotten. One-shot report.Stars: 194kUpdated Claude CodeCodexVerifiedInstall
ponytail-debtDietrichGebert/ponytailList every `shortcut:` comment (and older `ponytail:` ones) as a debt ledger. One-shot report, changes nothing. Use for "ponytail debt", "what did ponytail defer", "list the shortcuts", /ponytail-debt.Stars: 194kUpdated Claude CodeCodexVerifiedInstall