语料来源要能举证
自有业务数据、采购数据、公开采集数据要分开留证：授权文件、采集范围、清洗记录。公开可得不等于可随意使用，其中含个人信息或他人权益的部分仍要评估。来源说不清的语料一旦进模型，后续删除只能靠重训或强过滤，代价极高。
分级脱敏放在入口
数据进训练集或检索库之前完成分级，敏感字段做脱敏、假名化，或留在原系统只做受控检索。为什么必须前置：模型记住内容后，删除要动权重或加过滤层，效果打折；入口处一次规则校验的成本低得多。
供应商条款看路由
合同要写清不用于训练、不留存、可删除、可导出，并披露子处理者与推理节点所在区域。很多团队只看了隐私政策，没核接口实际路由到哪里，结果一次普通调用就构成数据出境，事后补评估已经来不及。
输出标识与调用日志
对外发布的生成内容按标识要求处理，日志记录谁在什么场景调用了哪个模型、输入输出是否含敏感字段。日志不是越全越好，关键是事件发生后能还原一次完整会话，包括当时的提示词与知识库版本。
申报主体是客户方
涉及生成式服务上线、算法备案或数据出境的，申报与签章主体是客户，我方提供技术材料、整改配合与留档支持，不代为申报，也不承诺审批结果。这条要写进项目确认单，避免验收时被当成交付义务。
适用与不适用
适合谁
- 准备把大模型接入业务流程的项目组
- 语料来自客户数据或多方采购的团队
- 需要向法务或监管说明合规动作的企业
不适合谁
- 只做内部演示、暂不接真实数据的试点
- 希望服务商代为申报并承担审批结果的项目
典型场景
某制造企业要用三年工单记录训练客服助手。项目组先按来源给语料分组，把身份证号与手机号脱敏后入库，检索层只返回脱敏片段；法务审供应商条款，确认推理节点在境内且不留存。上线前把语料清单、脱敏规则与条款截图整理成一册，由法务签认。
可执行步骤
- 按来源给语料分组，逐组补齐授权文件、采集范围与清洗记录，形成可查的台账
- 在入库前完成分级与脱敏，把规则写成字段清单，交给开发在数据管道里直接实现
- 审供应商条款与实际调用路由，确认训练、留存与出境安排，并留存条款截图
- 上线前整理合规档案，由客户法务逐项确认后签认归档，作为验收材料之一
常见坑
- 只审隐私政策、不核接口路由，调用落到境外节点，出境评估义务被整个漏掉，补办时业务已经停摆。
- 语料清洗只做去重不做脱敏，模型把手机号记进参数，删除只能重训或加强过滤，工期与成本都翻倍。
- 把备案与评估当成服务商的交付项，合同里没写申报主体，验收时互相推诿，项目卡在最后一步，谁都说不清该谁办。
自检与验收清单
- 语料是否按来源分组，并留存授权文件与采集范围说明
- 敏感字段是否有可执行的脱敏规则，而不是口头约定
- 供应商条款是否覆盖不训练、不留存、可删除三项
- 推理节点所在区域是否已经确认，并留档备查、可供追溯
- 合规档案是否经客户法务签认，并纳入验收材料
常见问题
开源模型就可以随便用企业数据训练吗？
模型许可只解决权重使用问题，不解决数据合规。企业数据能否用于训练，取决于来源授权、个人信息处理规则与员工告知；把开源当成免责理由，是这类项目最常见的误判，出问题时也最难解释。
调用境外接口算数据出境吗？
只要输入内容被传输到境外节点处理，通常就落入出境判断范围，与是否付费、是否调用公开接口无关。判断时要看数据类别与年度累计数量，达到门槛的按现行规定走评估、标准合同或认证。
模型答错了内容，责任怎么分？
对外发布内容的责任由发布主体承担，技术方承担系统与流程责任。可行做法是设人工复核与发布审批，保留提示词、知识库版本与复核记录，出现问题时能定位到具体环节，而不是笼统归因于模型。