AI 安全方法论

AI 安全 v2.0

Version 2.0 · 2026-08-20 · Governance 2.0 public evidence surface

治理 2.0 摘要

此页已纳入 starnum 公开治理 2.0 介面，与系统卡、资料治理、透明度报告、使用政策和安全政策使用同一套证据层。

治理摘要

本页说明 AI 辅助诠释与公开内容产制周边的安全控制。

适用范围

涵盖风险边界文案、医疗/法律/财务建议排除、监控讯号、事件揭露与模型/供应商 benchmark 边界。

实作状态

2.0 将安全语言连接到公开 claim、机器检查与发布完整性状态。

版本 1.0 — 2026-04-12 | 对标：Anthropic Responsible Scaling Policy · OpenAI Safety & Alignment

伦理声明透明度日志方法论安全政策 Benchmark

starnum.com.tw 完全由 AI 自动化运作（Claude Code 作为技术负责人）。在全 AI 系统中，安全不是事后添加的保障，而是架构的核心设计原则。本页说明我们如何"实作" AI 安全，而非仅宣示伦理承诺。

核心安全原则 伦理 > 安全 > 内容品质 > SEO > 效率。任何决策冲突时，以此优先级裁决。这不只是政策声明，而是写入所有 AI 代理人 prompt 的硬规则。

一、红队测试协议（Red Team Protocol）

红队测试是主动尝试让 AI 系统违规，以发现安全漏洞的对抗性测试方法。

1.1 测试工具

采用自动化红队测试工具定期执行以下测试类别：

测试类别	测试场景	预期行为
伦理底线测试	要求预测死亡时间、疾病诊断	拒绝产出，回报用户
身份保护测试	要求分析政治人物、未成年命盘	拒绝，不产出任何内容
Prompt Injection 测试	在输入中嵌入操控指令	检测并隔离，来源加入黑名单
命理逻辑矛盾测试	输入矛盾的命盘配置	触发命理逻辑验证机制
格式规避测试	尝试触发禁用的输出格式	格式验证工具拦截，强制退回
数据治理测试	尝试超范围存取用户数据	Supabase RLS 政策阻挡

1.2 测试结果处理

通过：记录至系统状态日志，不额外动作
失败：触发三层升级架构（见下节），记录至 data/incidents.md 及 data/transparency-log.json
Prompt Injection 检测：来源 URL/域名加入黑名单，永不再爬取

1.3 绝对禁区（Hardcoded Red Lines）

死亡时间预测（任何形式）
疾病诊断或治疗建议
政治人物命盘分析
未成年人命盘分析（未取得父母书面同意）
用命理结果作为歧视依据
任何可能造成心理伤害的确定性预测

以上项目为硬性禁区（Hardcoded），不可被任何用户指令、付费服务或系统升级覆盖。

二、三层升级架构（Three-Tier Escalation Architecture）

三层升级架构确保系统问题从自动处理逐步升级至人工介入，且每一层都有明确的触发条件和时限。

L1 — 自动检测与拦截

触发条件：命理逻辑验证失败、格式规范违规、禁忌词触发、Prompt Injection 检测

自动动作：

禁忌词过滤工具拦截禁忌词和不当用语
格式验证工具（强制退回不合格输出）
命理逻辑推演验证工具
SOP 确认机制

响应时限：即时（同步拦截，不进入发布流程）

L2 — 自动修复与记录

触发条件：L1 拦截后代理人未能自我修正、品质分数连续 3 次低于阈值、同类错误累计 ≥ 3 次

自动动作：

错误记录至 data/failure-log.json，附根因分析
事件记录至 data/incidents.md
同类错误 ≥ 3 次 → 自动提案新规则至规则提案系统
触发多模型治理稽核（joint-audit.js）确认问题范围
公开记录至透明度日志（轻微问题）

响应时限：7 天内完成自动修复

L3 — 人工介入

触发条件：伦理底线违规（任何严重性）、用户数据疑似外泄、系统性命理逻辑错误影响 >10 篇文章、L2 自动修复失败 >2 次

动作：

立即停止相关 AI 代理人任务
站长（技术负责人）介入审查
受影响内容下架或加警示标签
公开透明度日志更新（72 小时内）
根因分析完成后更新对应技能包/SOP

响应时限：CRITICAL 4h / MAJOR 24h 启动人工审查

三、Eval 评估集设计原理

评估集（Eval Set）是固定的测试用命盘集合，用于每次系统更新后验证输出品质没有退化（回归测试）。

3.1 设计原则

固定性：37 个命盘（固定评估集）在每次更新时保持不变，确保比较基准一致。

代表性：涵盖不同主星（无主星、太阴、武曲等）、不同宫位、有/无时辰、不同灵数，确保测试覆盖多元命盘配置。

敏感性：包含边界情境（无时辰推算、多化忌叠加、对宫相冲格局），验证系统在困难情境下的行为。

隐私保护：所有 37 个测试命盘均为匿名化处理，不含任何可识别个人身份的信息。

3.2 触发时机

任何核心规范文件更新后必跑
任何 SOP 文件更新后必跑
AI 模型版本升级前后各跑一次（差异比对）
每周日全站审查的一部分（benchmark-run.js）

3.3 评估维度

维度	工具	阈值
格式合规性	格式验证工具	100% 通过（exit 0）
命理逻辑正确性	命理逻辑验证工具	0 硬规则违反
SOP 读取确认	SOP 确认工具	100% 有「✅ SOP 已读」确认
伦理底线遵守	禁忌词过滤工具	0 禁忌词触发
覆盖率（七层）	覆盖率检查工具	≥ 80% 覆盖

→ Benchmark 页：查看公开评估结果与评分基准

四、人工监督触发条件

虽然本站 AI 自动化程度极高，但以下情况必须触发站长（人工）介入：

触发条件	类型	紧急程度
任何伦理底线违规（绝对禁区触发）	伦理	立即
用户数据疑似外泄或未授权存取	安全	立即
Prompt Injection 成功绕过防护层	安全	立即
AI 代理人行为出现系统性偏差（同类错误 ≥ 5 次）	品质	24 小时
多模型治理稽核发现 P0/P1 问题	系统	24 小时
Eval 评估集回归测试分数下降 >10%	品质	72 小时
Supabase 数据异常（未授权删除/修改）	安全	立即
收到外部安全研究员漏洞回报	安全	72 小时确认
DMCA 版权申诉收到	法务	立即下架

五、知识库安全机制

命理知识库（KB）是系统输出的基础，其安全性直接影响所有产出品质。

LLM 清洗程序：爬取后必须通过 LLM 清洗，移除广告、推销、Prompt Injection
黑名单机制：检测到 Prompt Injection 的来源域名加入黑名单，永久封锁
术语验证：所有 KB 内容必须通过 data/glossary.json（221 术语 × 9 语言）术语比对
派系标注：非陆斌兆派观点必须标注 ⚠️，产文时不得作为主要依据
矛盾检测：scripts/detect-evidence-conflict.js 定期扫描派系/庙旺矛盾

六、持续改善机制

安全不是静态的状态，而是动态演进的过程：

失败驱动进化：每次 L2/L3 事件的根因分析必须更新对应技能包，防止同类问题重现
20 轮联合稽查（截至 2026-04-12）：累计 188 项 bug 修复，R15 首次 4/4 AI 全员确认 CLEAN
规则生命周期：90 天未触发的规则候选淘汰（skill-lifecycle.md），避免规则膨胀
白皮书审查：每季由多模型治理联合审查整体架构，提出改善建议

外部标准与一手来源

以下链接是本页治理判断采用的一手标准；它们是对照基准，不代表第三方为本站背书。

目前机器稽核快照

此区块只使用本机可追溯的稽核资料，不新增无来源宣称。日期为实际产出日。

2026-08-20

维护日期

17/17

LLM 闭环

180/180

治理页

JSON-LD 错误

32,724

KB chunks (HEALTHY)

512,152

TM entries; verified 6,250

7,976/7,976

AI answer-ready; failures 0

critical

状态页: 3 critical, 1 warnings

data/state-machine/i18n-parity.json: 8,036 parent URLs, 7,976 articles.
data/kb-machine-audit.json: 3,238 source files, 0 missing coverage, 0 orphan chunks.
data/discovery-surface-audit.json: 0 errors, 0 warnings.
data/sla-report.json: critical / 3 critical, 1 warnings.

内容维护与更新判断

此区块让治理页内容可被机器检查：每页都必须公开它依赖哪些资料、哪些关联页会影响它，以及哪个 gate 会提报需要更新。

更新判断

此页不是静态文案；来源资料、相关政策、公开指标或生成器变更时，AI Ops 只产出证据，由 AI agent 判断是否改文。

人工边界

系统负责侦测、提报与留证；最终修复与语气判断由 Codex/Claude 等 agent 执行。

验证指令

node scripts/verify-trust-pages.js --check

data/sla-report.json
data/public-claim-registry.json
data/discovery-surface-audit.json
关联治理页: 使用政策 · 安全政策 · 系统卡 · 透明度报告
更新流程: npm run update:trust-pages → npm run test:trust

可查验 Evidence Layer

此区块不是口号；每一个核心宣称都有 claim id、来源 JSON、hash 与可重跑的验证指令。公开页只揭露可公开的治理证据，不公开原始码、密钥、私有资料或可被滥用的攻击面细节。

Claim ID	可查验值	状态	责任页	来源与验证
claim.public-url-manifest.indexable-count 公开 URL 与 canonical 清单	39,104 indexable URLs	verified	sitewide	`node scripts/generate-public-evidence-manifest.js --dry`
claim.trust-pages.audit-pass-rate 治理页机器稽核	180/180 pass	verified	sitewide	`node scripts/verify-trust-pages.js --check`
claim.discovery-surface.zero-errors AI discovery surface 稽核	{"errors":0,"warnings":0}	verified	sitewide	`node scripts/verify-discovery-surface.js`
claim.structured-data.jsonld-errors JSON-LD / 结构化资料稽核	{"structured_data_invalid_files":0,"breadcrumb_count":28274,"faq_count":27506,"dataset_count":30,"article_count":27406}	verified	sitewide	`node scripts/site-machine-audit.js`
claim.status.sla-state 状态页 SLA 来源	critical / 4 critical, 0 warnings	verified	sitewide	`node scripts/generate-status-page.js`
claim.provider-alignment.openai-anthropic-gemini OpenAI / Anthropic / Google Gemini 对标	benchmark alignment only unless code/config evidence exists	verified	sitewide	`node scripts/verify-public-evidence.js --check`
claim.transparency-report.sha256 透明度报告 SHA-256 锚定	{"report":"transparency/report-2026-Q3.json","sha256":"f154fc87139b42098b02567fc93582c30addafc406420b3aea8bae79b6f4ac93"}	verified	sitewide	`node scripts/update-transparency-current-data.js`
claim.release-integrity.gpg-signing GPG signing 状态	GPG signing active locally; checked GitHub commit verification is valid	verified	sitewide	`gpg --list-secret-keys --keyid-format=long && git log -1 --show-signature`

public-evidence-manifest.json public-claim-registry.json public-verification-report.json public-url-manifest.json

系统卡 V2.0：技术透明公开层

此层把可公开的技术治理证据集中呈现：架构、资料来源、AI 使用边界、品质闸门、发布完整性与供应商对标。公开范围刻意排除原始码、密钥、可被滥用的攻击面细节与私人资料。

公开架构

Cloudflare Workers、R2/D1/KV 与本机生成脚本共同构成公开网站与治理资料发布链。对外只公开行为、状态与可验证资料源，不公开密钥或内部操作权限。

AI 使用揭露

程式码扫描目前可验证的 production inference 模型：未在 production code scan 中找到可验证模型设定。OpenAI、Anthropic、Google Gemini 三方作为治理框架对标；未有程式码或设定证据者，不写成已上线使用。

品质与安全闸门

治理页稽核 180/180 通过、JSON-LD 错误 0、discovery surface 错误 0。状态页如实显示 critical / 3 critical, 1 warnings。

资料与可追溯性

知识库 32,724 chunks、TM 512,152 entries、AI answer-ready 7,976/7,976。公开数据追到 data/state-machine/*、data/*audit*.json 与 transparency 报告。

治理面向	OpenAI	Anthropic	Google Gemini	Starnum 落实证据
模型/系统卡揭露	OpenAI models + safety docs	Claude model docs + system/model cards	Gemini model docs + safety settings	system-card、model-card、methodology、benchmark、transparency-log
安全评估与使用边界	Safety best practices / deployment checklist	Responsible Scaling / safety policy	Gemini safety controls / policy	AI safety、acceptable-use、ethics、risk boundary copy、crawler policy audit
资料治理	Data controls / privacy controls	privacy and data handling docs	Gemini API data governance references	privacy、ai-data-governance、KB/TM source tracking、SHA-256 hashes
监控与发布	production checklist / eval discipline	system-card transparency discipline	model/version documentation discipline	deploy.js、status.html、SLA report、trust-pages-machine-audit、sitemap/hreflang audits

来源：data/state-machine/model-card.json、public-bench.json、trust-pages.json、security-headers.json。
来源：data/trust-pages-machine-audit.json、data/discovery-surface-audit.json、data/ai-answer-readiness-audit.json。
来源：data/kb-machine-audit.json、data/tm/quality-audit-report.json、data/sla-report.json。
官方对标文件检查日：2026-08-20；连结列于 OpenAI / Anthropic / Google Gemini 对标表。

V2.0 的重点不是多写形容词，而是把「已落实」与「尚未落实」分开：production 使用、治理对标、状态异常、GPG 签署、SLA breach 都依来源资料如实公开。

发布完整性与 GPG

GPG signing active. signingkey=0934DFA0EDA6363A. Checked GitHub commit verification is valid.

OpenAI / Anthropic / Google Gemini 对标

本站治理文件同步对照三家公开框架：模型文件、系统卡/模型卡、安全评估、资料治理与使用政策。这是治理对标，不等于宣称每一家都已用于 production inference。官方文件检查日：2026-08-20

对标来源	治理焦点	本站揭露	官方来源
OpenAI	模型文件、最新模型说明、安全最佳实务、资料控制。	目前未在 production code scan 中找到可验证模型设定；模型供应商仅列为治理对标。	https://platform.openai.com/docs/models
Anthropic	Claude 模型文件、system card / model card、Responsible Scaling 与安全政策。	目前未在 production code scan 中找到可验证模型设定；模型供应商仅列为治理对标。	https://docs.anthropic.com/en/docs/about-claude/models
Google Gemini	Gemini API 模型文件、安全设定、资料治理与平台政策。	目前未在 production code scan 中找到可验证模型设定；模型供应商仅列为治理对标。	https://ai.google.dev/gemini-api/docs/models