---

name: bootstrap-ai-data-compliance description: 律师驱动的 AI 数据合规冷启动工作流：律师描述 AI+产业合规需求后，Skill 四步引导完成冷启动——产业信息收集 → 知识库构建 → 数据流图与评估报告 → 以《生成式AI行业网络数据安全风险评估工作手册》为指引的进企调研前文件包。适用于内部律师或 AI 协作代理快速搭建任意 AI 产业（客服/知识助手/营销生成/合同审查/医疗等）的数据合规项目；不用于自动出具正式法律意见、绕过律师复核、未经授权开展外部检索或处理非本项目数据。 author: 马也 license: MIT

AI数据合规冷启动（四步工作流 v0.3.0-candidate）

工作方式：四步冷启动

--target 语义：所有命令的 --target 均指向项目根目录（任意空目录即可，如 ./projects/ai-companion）；工作区为 <target>/ai_compliance/。不要传 ai_compliance 子目录本身，否则会嵌套一层。

律师收到 AI+产业合规需求后，按以下四步引导完成冷启动：

第一步：产业信息收集（对话式引导）

1. 律师用自然语言描述产业工作流程（业务用例、数据来源、模型供应商、用户范围等）。
2. Skill 按问题集逐项询问，补充缺失信息：
   • python scripts/flow.py intake --target <项目目录> --question-set <产业> --project-id <编号>
   • python scripts/flow.py intake-record --target <项目目录> --question-id <编号> --answer <回答>
3. 信息足够（必填问题答完）或律师表示"没有更多信息"时收口：
   • python scripts/flow.py intake-close --target <项目目录>
   • 收口后生成 intake.json，作为后续所有步骤的事实基础。

第二步：构建知识库（引用复用）

1. 从原论文库/实务文章库/法律法规库按产业关键词筛选，生成引用索引（不复制文件）：
   • python scripts/flow.py kb-build --target <项目目录>
2. 产业特有资料引导律师补充：
   • python scripts/flow.py kb-add --target <项目目录> --collection <论文库/实务文章库/法律法规库> --source <资料路径>

第三步：数据流图 + 评估报告

1. Skill 基于 intake 自动生成通用产业全景模型 JSON：
   • python scripts/flow.py model-generate --target <项目目录>
   • 模型 meta 含 industry（问题集标识）与 scene（产业场景标识，默认=industry；用 generic 问题集但需要专属 DFD 场景视图的项目，手动把 meta.scene 改为专属标识，如 ai-companion）。注意：重跑 model-generate 会重置 meta，需重设 scene。
   • RF-01（风险关注）答案自动解析注入模型 risks（certainty="客户陈述"），进入访谈重点核查问题与评估报告风险清单。
2. 渲染三层流程图 + 数据流图与评估报告（HTML）：
   • python scripts/flow.py render --target <项目目录>
   • 渲染全部基于 diagram-design 规范（vendor/diagram-design/），模型结构见 assets/model/generic-industry-model.schema.json：
     • process-map.html：三层流程图（标准交付），Swimlane 类型（业务/技术/数据 3 泳道 × 阶段列），scripts/processmap_builder.py 直接从模型生成——stages→列、三层节点→泳道格、layerLinks→层间映射（业务→数据自动链式化为 业务→技术→数据，避免穿过技术层）。节点 factStatus="待核实" 视为无状态（不显示）。
     • data-flow-map.html：数据流图（标准交付），Data flow 类型（角色泳道 × 阶段列），scripts/dataflow_builder.py，场景视图查找顺序 meta.scene → meta.industry → 零售模板回退（回退时显式警告，不静默）。场景视图 assets/dfd-scenes/<scene>-dataflow.json。
     • 几何自检（自动门禁）：render 后自动跑 scripts/verify_geometry.py——检测箭头 path 穿节点矩形、accent label 压节点，发现即失败（与 self_check.py 互补：self_check 管 HTML 契约，verify_geometry 管几何布局）。
     • 评估报告.html：深度评估报告，_build_report_html(model, intake) 从 intake 事实 + 模型生成 6 节（业务全景/重点合规义务核对/核心风险分析/合规差距与行动建议/已发生风险事件/待核验事项）；义务核对表按关键词命中自动标注现状（存在缺口/已有机制/待核实），法规引用为元典核验条款。
     • process-map.svg / data-flow-map.svg：保留的原 panorama/拓扑视角 SVG（兜底，非标准交付）。

数据流图（角色泳道视图）场景视图填写指南

新增产业时按以下约定填写 assets/dfd-scenes/<industry>-dataflow.json（参照 retail-ecommerce-dataflow.json）：

• lanes（角色泳道，≤4）：如 用户/客户、数据平台、专业人员、治理/合规。每条含 3 字母 key 与两行 name。
• steps（阶段列，≤6）：数据生命周期阶段（采集→存储→处理→训练→推理→退出）。恰好 1 个阶段声明 focal: true（核心风险点）。
• nodes（节点，每格一个）：lane + step 定位；sub（数据转换说明）、tool（系统/载体）；chips: {in, out} 用数据类型码（WB/DB/TB/FL/LS）标记入/出数据形态；治理/归档节点可用 color（≤3 个自定义色）；恰好 1 个节点声明 focal: true（接收关键移交的节点）。
• arrows（流，≤12）：style 为 muted（标准移交）/trigger（治理/审核触发，虚线）/accent（恰好 1 条，带 label，关键移交）/link（对外交付）。同泳道水平直连，同阶段跨泳道垂直直连，跨两者走正交直角。
• 渲染器 fail-fast：泳道/阶段/流数量、focal 唯一性、芯片码合法性任一不满足即报错不出图。

第四步：手册指引文件包

以《生成式人工智能行业网络数据安全风险评估工作手册》为指引，生成进企实地调研前全套文件：

• python scripts/flow.py field-pack --target <项目目录> --project-name <名称>

最终成果目录：render 与 field-pack 完成后，最终交付物（全景交付.html + 7 份 Word）自动聚合至 <target>/ai_compliance/07_final_deliverables/；其余文件（SVG 兜底、模型 JSON、kb 索引、intake 等）为过程性产物，保留在各自目录。

• 产出 7 份：
  1. 信息调研表（手册附录1，107 项，★必查标注）
  2. 风险识别表（手册附录2，319 指标，★必查标注）
  3. 访谈提纲（5 角色 × 12–14 问，含追问要点/证据锚点 + 模型注入的本场景重点核查问题）
  4. 进企前文件与证据清单（8 主题分类 + 证据标准/获取渠道 + 现场核查动作）
  5. 数据资产盘点清单（字段级，进企第一动作）
  6. 现场核查表（系统演示/日志抽查/安全测试）
  7. 保密承诺与进场授权函（两份文书模板）
• ★必查标注：由模型风险清单关键词自动推导（scripts/word_builder.py REQUIRED_KEYWORDS）。
• 法律依据列：按来源表/安全子类映射现行有效条款（元典核验，2026-08-20；word_builder.py SURVEY_LAW_MAP / LAW_BASIS_RULES）。
• 适用性裁剪：intake 答案确认"不涉及"时（无跨境/无生物识别/不面向未成年人），相关项状态标"不适用（理由）"，不物理删除、可恢复。
• 领域扩充：assets/field-extensions.json 规则库——AI 嵌入领域（医疗健康范例已建）命中 match 关键词时，自动向 01/02 追加领域专项调研项/评估指标及领域法规说明；新增领域按 JSON 内结构复制扩展。
• 数据源：原知识库 04_handbook_structured/（手册已结构化 CSV）。

原有状态机命令（内部能力，保留兼容）

以下命令为 v0.2.0 状态机保留（用于已有项目的证据中台/候选交付/验收归档）：

python scripts/flow.py init|adopt|preflight|advance|status|validate|package|validate-config|law-update|migrate ...

强制边界

• 禁止覆盖原始资料、正式成果和既有归档；同名异内容时停止并报告冲突。

• 只允许“文件明确记载 / 多个文件归纳 / 需律师确认 / 无直接法源 / 客户事实待核实”五类证据标签。

• 客户事实门禁未通过时，只输出缺失项；禁止生成候选风险结论或候选交付包。

• 只生成候选材料；禁止自动生成或标记正式法律意见，候选材料必须显示“候选版／需律师确认”。

• 默认仅使用本地资料。外部检索必须另获授权，且不得发送项目正文、客户资料或非公开业务信息。

• 活跃配置、索引和交付包只记录项目相对路径；不得写入操作者电脑绝对路径。

• 论文、公众号、工作手册和实务指南不得单独证明强制性法律义务。

• 生产器不得给自己签发最终通过状态；只有独立验证器检查真实产物后，才能确认完成。

停止条件

• intake 必填问题未答完且未强制收口时，停在第一步。
• 原知识库目录不可用时，停止 kb-build/field-pack。
• 模型 risks/sources 引用未收录法源时，标"待补充"，不虚构。
• 律师复核状态不明确时，所有评估材料保持候选状态。

验收

• 四步端到端验收：python scripts/run_coldstart_acceptance.py --target-root <临时目录>
• 原有三场景回归：python scripts/run_acceptance.py --bci-source-root <知识库根>
• 三轮稳定性：python scripts/run_stability.py --bci-source-root <知识库根>
• 数据流图几何自检（独立门禁）：python scripts/verify_geometry.py <data-flow-map.html>（render 已自动执行；正负样本验证：穿节点 HTML 应 FAIL exit=3）

真实场景测试（首次/新领域跑四步时）

用户以业务描述开场（一句话即可，如"帮我启动一个AI数据合规项目，产品是XX"）后，按四步完整运行。执行时：

1. 每个命令执行后检查产物真实性：Word 用 python-docx 抽查表格行数与关键列（调研表 106+ 行、风险表 319+ 行、访谈提纲含 5 角色问题表与重点核查段）；HTML 图跑 vendor/diagram-design/scripts/self_check.py。
2. 问题台账：将运行中的命令报错、产物异常、逻辑偏差、缺漏项记录到项目 workspace/测试问题台账.md，每条标注【现象/根因假设/严重程度】。
3. 领域规则：若场景触发未建领域（如拟人化互动类 AI 的深度合成/未成年人保护），在测试报告中标注"待补领域规则"，按 ai-data-compliance-field-rules 的 SKILL.md 步骤补充。
4. 测试结束输出测试报告：四步产物清单、通过/失败项、问题清单、对 Skill 的改进建议。