私有化部署 AI 智能体平台怎么选?一份可逐条打勾的安全合规清单
安全评审会上,最容易被问住的一句话往往不是“这个 AI 有多强”,而是“它能不能不出内网”。业务部门已经用 AI 写完了半年的周报、整理了几百份合同,IT 负责人才发现:数据走的是公网、账号是个人注册的、操作记录一条都调不出来。这时候再回头补一份安全合规清单,成本已经翻了几倍。
私有化部署 AI 智能体平台怎么选?答案通常不在功能对比表上,而在三个部门能否对着同一份清单打勾:安全看数据边界,法务看责任归属,IT 看权限与运维。本文把这份清单拆成六块可逐条核对的检查项,每一块都说明该问厂商什么、该看什么证据、边界在哪里。
一、先把“私有化”拆成三层,否则清单根本没法落地
模型层:推理到底发生在哪里
这是最容易被当成全部的一层。模型跑在本地 GPU 服务器、专有云,还是调用外部 API,直接决定了原始数据会不会离开企业网络。
- 确认推理链路:一次任务从输入到输出,中间调用了几次模型服务,分别部署在什么位置。
- 确认可替换性:模型是否可以按企业要求更换,更换后已配置的任务是否需要重建。
- 确认降级方案:外部服务不可用时,哪些能力会失效,是否有明确的提示而不是静默失败。
数据层:知识与文件最终落在哪里
智能体要干活,必须拿到企业的制度、合同、SOP、报表。这些内容的存放位置、留存周期、删除方式,比模型参数更需要写进合同。
- 知识库与文件空间:上传的文件、切片后的内容、检索命中的片段,分别存在哪里,谁能导出。
- 临时数据:任务执行过程中生成的中间文件,任务结束后是否自动清理。
- 备份与删除:删除一份文档后,备份里是否还留着一份,保留多久。
执行层:AI 究竟在哪里动手
这一层最常被忽略,却往往是风险的真正来源。智能体不只是“回答问题”,它还要打开网页、登录系统、填写表单、点击提交。
- 操作对象:是操作公开网页、内部系统接口,还是本机安装的客户端软件。
- 执行位置:动作发生在服务器上,还是发生在某个员工的电脑上。
- 授权方式:用谁的凭据登录、凭据存在哪、离职后如何回收。
选型失败的常见根源,是把“模型私有化”当成了“平台私有化”。模型留在内网,但执行端在公网浏览器里裸奔,一样过不了评审。
二、数据边界清单:从产生到落地,每一步都要有位置
企业真正要的不是“数据不外泄”这句承诺,而是能指出每一份数据此刻在哪个位置。
- 分级在先:先把要交给智能体的资料分级——公开、内部、敏感、受限。受限级资料是否允许进入知识库,由谁审批。
- 来源可溯:每条知识是否有来源标记,检索命中后能否回到原始文档与版本。
- 出域可关:涉及外部服务的环节(如联网检索、第三方模型)是否可整体关闭,关闭后核心任务是否仍可运行。
- 产物归属:智能体生成的报告、台账、通知,存放在企业可控的空间内,而不是散落在个人账号里。
| 维度 | 关键提问 | 需要的证据 |
|---|---|---|
| 模型层 | 推理在本地还是外部?可否替换与降级? | 部署架构图、失败提示截图 |
| 数据层 | 知识、文件、中间产物分别存在哪里?删除后是否留存? | 存储位置说明、清理策略 |
| 权限层 | 角色如何分层?凭据与设备授权如何回收? | 权限矩阵、离职回收流程 |
| 执行层 | 哪些是只读、哪些有写权限?写操作是否需人工确认? | 流程配置截图、异常处置记录 |
| 审计层 | 六类记录是否齐全?能否回放现场? | 一条真实任务的完整记录 |
| 边界层 | 哪些判断明确不交给 AI?限定条件是否书面化? | 方案中的“不做清单” |
打分建议:每一行按“可演示 / 可书面承诺 / 仅口头说明”三档评价。凡是只能口头说明的,一律按未通过处理。
作为参照,实在智能自 2018 年起投入 AI 与自动化,累计服务 6,000+ 企业客户,拥有 100+ 发明专利;在 OSWorld 评测中,其实在智能产品的任务成功率为 90.2%(2026 年 7 月)。这些数字可以作为厂商能力的背景参考,但不能替代上述清单——评测成绩说明“能不能做”,清单回答的是“在你的环境里能不能放心让它做”。
结语
私有化部署 AI 智能体平台怎么选,本质是把一句“我们很安全”拆成二十个可以被追问的问题。建议不要一上来就做全公司方案:从一项重复、边界清晰、结果可核对的工作开始试跑,比如一份对账台账、一批商品的资料核查;跑完先核对结果与异常,看记录是否完整、人工确认点是否卡在该卡的地方,再决定是否扩大范围。清单的价值不在于一次打分,而在于每扩一个场景,都能重新过一遍。
常见问题解答
1. 私有化部署是不是必须要用本地大模型?
不一定。更实际的做法是分层判断:涉及受限数据的环节走本地推理,通用写作、格式整理等低敏感环节可使用外部服务,并在配置上允许整体关闭。关键是这条链路要能被说清楚,而不是笼统地写“支持私有化”。
2. 现有 ERP、CRM、OA 需要改造吗?
多数情况下不需要改系统本身,而是通过连接器接入现有接口与页面。需要确认的是:接入方式是否需要开放额外端口、账号权限如何最小化、系统升级后连接是否会失效、失效后由谁维护。
3. AI 做错了,责任怎么划分?
前提是流程里设置了人工确认节点,并且有完整记录。约定清楚三件事:哪些动作 AI 只能建议不能执行;哪些环节必须有人签字;出问题后依据哪份记录复盘。专业判断类的结论,责任仍在具备资格的责任人身上。
4. 从哪个场景开始试跑比较稳妥?
优先选重复度高、规则明确、结果可核对、失败代价低的工作,例如财务对账与凭证整理、物料齐套核对、跨境多店铺对账、商品资料与合规信息核查。避免一开始就选涉及对外承诺或资金支付的环节。
5. 和现有的 RPA、BI 是什么关系?
RPA 擅长按固定规则操作界面,BI 擅长把数据呈现出来,智能体补的是中间那段需要理解和判断的部分:读懂非结构化材料、决定下一步做什么、把结果组织成可交付的产物。三者常常组合使用——BI 提供数据,智能体做判断与串流程,RPA 或设备端执行具体操作。



