ai-act-companion

# AI 法规伴侣 > 优先考虑本地、具有可解释性的 **欧盟人工智能法案** 风险分类器 + **人工智能风险评估 / DPIA / 偏差审计** 生成器，映射到 **NIST 人工智能风险管理框架** — 可选的人工智能辅助。 [](https://github.com/JKasteele/ai-act-companion/actions/workflows/ci.yml) [](LICENSE) [](https://www.python.org/) [](https://github.com/astral-sh/ruff) [](https://huggingface.co/spaces/JesseKasteele/ai-act-companion) AI 法规伴侣帮助您对人工智能系统进行结构化的人工智能风险评估， 与 **欧盟人工智能法案**（法规（EU）2024/1689）和 **NIST 人工智能风险管理框架** 相符， 并生成相关的文档。它完全在您的本地机器上运行。 > 🔗 **[实时演示 →](https://huggingface.co/spaces/JesseKasteele/ai-act-companion)** > Hugging Face Spaces 上的公共沙盒，运行确定性引擎，关闭人工智能层， 使用临时存储（仅限合成数据）。参见 [docs/DEPLOY-HF-SPACE.md](docs/DEPLOY-HF-SPACE.md) 了解其部署方式。 > > 📂 **[浏览示例报告 →](docs/examples/)** — 合成示例的实际生成工件 > （风险评估、人工智能安全视角、STRIDE、红队计划、控制目录、 > 数据安全、FRIA 等），可以直接在此处查看，无需设置。 > ⚠️ **不是法律建议。** 这是结构化自我评估的辅助工具。 > 它不能取代合格律师或主管当局的评估。 > 仅使用合成 / 通用示例数据。 ---  ## 为什么选择这个？ 大多数开源的欧盟人工智能法案仓库要么是静态的检查清单，要么是重量级的平台。 该项目专注于免费工具中不常见的三个方面： - **可解释和引用。** 每个裁决都告诉您哪个条款/附件驱动了它以及为什么 — 一个可追溯的确定性规则引擎，而不是黑盒。 - **经过测试。** 分类器附带一个单元测试套件（每个风险级别的黄金案例）， 因此合规逻辑是**经过验证的，而不是凭感觉的**。 - **本地和私有，带有诚实的人工智能。** 可选的人工智能辅助在本地运行（Ollama） 或通过粘贴到您自己的 LLM 流 — **永远不会为您做出决定**： 设计上需要人工审核（欧盟人工智能法案第 14 条的精神）。 - **Claude 原生。** 作为 **Claude Code 插件** 交付： 一个 MCP 服务器将确定性引擎暴露为工具，一个技能编排完整的人工智能审核。 Claude 成为界面；审核的规则引擎仍然是基本事实。参见 [在 Claude Code 中使用](#use-inside-claude-code)。 - **安全视角，而不仅仅是合规。** 将系统映射到 **OWASP LLM 应用前 10 名（2025 年）** 和 **MITRE ATLAS**，链接到欧盟人工智能法案第 15 条和 NIST 人工智能风险管理框架 — 治理 × 安全的交集，否则仅存在于商业工具中。参见 [人工智能安全视角](#ai-security-lens)。 - **从发现到红队测试计划。** 将安全视角转化为优先的、 **架构感知的对抗性测试计划**，用于授权的紫队演习 — 每个测试用例都根据相同的确定性严重性进行优先排序，并追溯到验证它的控制。 一个规划辅助工具（无利用有效载荷），不是攻击工具。参见 [红队测试计划](#red-team-test-plan)。 - **……然后回到防御控制目录。** 蓝队的镜像： 根据风险实施的控制措施，按照相同的严重性进行优先排序， 每个控制措施都命名验证它的红队测试 — **实施，然后测试**。另外，**OWASP GenAI 数据安全** 视角（DSGAI01-21）， 用于数据层（训练数据、提示、检索、嵌入、遥测），锚定在欧盟人工智能法案第 10 条。 参见 [控制目录和数据安全](#control-catalogue--data-security)。 ## 使用方式 一个确定性引擎（审核的规则分类器 + 报告生成器）位于两个可互换的前端之下 — 选择适合您工作流的任意一个： ```mermaid flowchart TB A["🔒 本地 Web 应用<br/>(隐私优先)"] B["⚡ Claude Code 插件<br/>(MCP)"] E["<b>确定性引擎</b><br/>分类器 · 报告 · 知识<br/>= 基本事实"] O["风险等级 + 引用的条款<br/>风险 · DPIA · 偏差 · 安全 · FRIA · 技术文档<br/>合规 · 监控 · 框架矩阵<br/>红队计划 · 控制目录 · 数据安全"] A -->|"可选本地 AI:<br/>Ollama 或粘贴到您自己的 LLM"| E B -->|"Claude 是界面<br/>& 叙事作者"| E E --> O ``` | | 🔒 本地 Web 应用 | ⚡ Claude Code 插件 | |---|---|---| | **界面** | 机器上的浏览器 UI | Claude Code（聊天） | | **AI 辅助** | 本地 Ollama 或粘贴到您自己的 LLM | Claude Code 本身，通过 MCP 工具 | | **隐私** | 完全本地 — 数据从不离开您的设备 | 使用您现有的 Claude Code 会话 | | **最适合** | 隐私敏感 / 离线 / 无订阅 | 如果您已经在 Claude Code 中 | | **设置** | [快速入门](#quickstart) | [在 Claude Code 中使用](#use-inside-claude-code) | 无论哪种方式，**风险等级和引用都仅来自确定性引擎** — 人工智能永远不会决定结果，并且需要人工审核。 引擎也可以通过 [CLI](#cli) 以无头模式驱动。 ## 截图 | 分类结果 | 架构感知严重性 | 红队测试计划（进攻） | |---|---|---| |  |  |  | | 控制目录（防御） | OWASP GenAI 数据安全 | CSF 2.0 / ISO 27001 矩阵 | |---|---|---| |  |  |  | | 合规跟踪器 + 处罚 | AI 辅助（人工审核） | | |---|---|---| |  |  | | ## 它做什么 1. **输入问卷** 描述人工智能系统（目的、领域、用户、 数据、自主性和第 5/6/50 条及 GPAI 的筛查问题）。 2. **基于规则的欧盟人工智能法案分类器**，根据答案确定性地映射到风险等级 — **禁止 / 高 / 有限 / 最小** — 以及理由和相关的条款/附件，包括第 6(3) 条的细微差别。 3. **从结果生成文档**： - 人工智能风险评估报告 - DPIA 骨架（GDPR 第 35 条，链接到人工智能法案） - 偏差审计检查清单 - 人工智能安全评估（OWASP LLM 前 10 名 + MITRE ATLAS，具有架构感知的严重性和 NIST CSF 2.0 / ISO 27001 矩阵） - FRIA 骨架（基本权利影响评估，第 27 条） - 附件 IV 技术文档骨架（第 11 条） - 义务和合规跟踪器，含第 99 条处罚暴露 - 市场后监测计划（第 72 条） - 框架集成矩阵（NIST CSF 2.0 / ISO 27001:2022） - 架构感知的红队测试计划（授权的紫队范围） - 防御控制目录（要实施的控制措施，每个都与验证它的红队测试相关联） - OWASP GenAI 数据安全评估（DSGAI01-21，数据层视角） 所有这些都映射到欧盟人工智能法案 + NIST 人工智能风险管理框架，可导出为 **Markdown** 和 **PDF** （通过浏览器打印为 PDF）。 4. **可选 AI 层**（人工审核）：将自由文本系统描述转换为草案答案和草案叙述部分 — 输出始终是草稿，您需要审核；它永远不会自动分类、提交或存储。 ## 技术栈 - **后端：** Python + FastAPI（基于规则的核心，无需 AI） - **前端：** 普通 HTML/CSS/JS（无需构建步骤） - **存储：** `data/` 中的 JSON 文件 - **PDF：** 浏览器打印为 PDF（零依赖） ## 快速入门 ```bash # 1. 虚拟环境 + 依赖 python -m venv .venv source .venv/bin/activate # Windows: .venv\Scripts\Activate.ps1 pip install -e ".[dev]" # 或：pip install -r requirements.txt # 2. 运行服务器 uvicorn app.main:app --reload # 3. 打开 http://127.0.0.1:8000 ``` 点击 **"加载示例"** 以获取合成的高风险示例，或加载 `examples/` 中的文件之一。 ### Docker ```bash docker build -t ai-act-companion . docker run --rm -p 8000:8000 -v "$PWD/data:/app/data" ai-act-companion ``` ## 在 Claude Code 中使用 AI 法规伴侣也是一个 **Claude Code 插件**。一个 MCP 服务器 （`mcp_server.py`）将确定性引擎暴露为工具 （`classify_ai_system`, `generate_report`, `get_questionnaire`, ...）， 而 `ai-act-assessment` 技能驱动完整的人工智能审核 — Claude 运行输入并编写叙述，但 **风险等级和引用仅来自引擎**， 并且在您确认之前不会保存任何内容。 ```bash pip install -e ".[mcp]" # 安装 MCP 依赖 ``` **选项 A — 只需打开仓库。** 项目范围内的 `.mcp.json` 自动注册服务器； 批准时，Claude Code 提示，然后询问： *"为我的 CV 筛选系统运行欧盟人工智能法案评估。"* **选项 B — 作为插件安装**（适用于任何项目）： ```text /plugin marketplace add JKasteele/ai-act-companion /plugin install ai-act-companion@ai-act-companion ``` 然后使用 `/ai-act-companion:ai-act-assessment` 调用技能或 描述系统，让 Claude 选中它。 > MCP 服务器运行 `python mcp_server.py`；确保 `python` 在您的 > PATH 上具有已安装的依赖项 (`pip install -e ".[mcp]"`)。 ## 在 GitHub Copilot 中使用 相同的 MCP 引擎也适用于 **GitHub Copilot** — 编码代理，**Copilot Cowork**，VS Code 代理模式和 Copilot CLI。 仓库提供 `.github/copilot-instructions.md`（`CLAUDE.md` 的对应文件）， 一个 `.github/prompts/ai-act-assessment.prompt.md` 剧本，一个 `.vscode/mcp.json` VS Code 注册，和一个 `copilot-setup-steps.yml` 用于云代理。 与所有情况一样，**风险等级和引用仅来自引擎**， 并且需要人工审核。参见 **[docs/COPILOT.md](docs/COPILOT.md)** 了解每个表面布线（包括要在存储库设置中粘贴的 MCP JSON 以用于编码代理 / Cowork）。 ## CLI 一个可脚本化的入口点，位于同一个引擎上（由 MCP 服务器使用，并且自己就很方便）： ```bash ai-act questionnaire # 打印输入模式 ai-act classify --answers examples/hiring_cv_screening.json cat answers.json | ai-act classify --answers - # 从 stdin 读取 ai-act classify --answers a.json --save # 持久化 + 打印 id ai-act report --answers a.json --type dpia --out dpia.md ai-act list ``` （`ai-act` 通过 `pip install -e .` 安装；或运行 `python -m app.cli …`。） ## 测试和验证 ```bash pytest # 或：python tests/test_classifier.py ruff check . # lint ``` 套件包括 **25 个案例的黄金集准确性评估** （`tests/test_accuracy.py` 对 `examples/golden_set.json`，100% — 预期级别由独立的监管推理标记），和一个 **对抗性红队套件** （`tests/test_red_team.py`）证明提示注入 / 越狱输入无法移动确定性风险等级。 参见 **[DESIGN.md](DESIGN.md)** 了解架构和设计原理 （确定性引擎 + LLM 接口 + 人工审核安全模式）。 ## 项目结构 ``` ai-act-companion/ ├── app/ │ ├── main.py FastAPI 应用 + 端点 │ ├── cli.py 可脚本化的 CLI 引擎 │ ├── questionnaire.py 输入定义（单一事实来源） │ ├── classifier.py 基于规则的欧盟人工智能法案分类器 │ ├── reports.py 报告生成器（风险/DPIA/偏差/安全/FRIA/技术文档/合规/监控/框架矩阵/红队/控制/数据安全/STRIDE/事件/模型卡） │ ├── security.py 人工智能安全视角 + 架构感知严重性 │ ├── redteam.py 架构感知的红队测试计划生成器 │ ├── controls.py 防御控制目录生成器（蓝队镜像） │ ├── data_security.py OWASP GenAI 数据安全视角（DSGAI01-21） │ ├── stride.py STRIDE 威胁模型（重用架构感知严重性） │ ├── incident.py 严重事件辅助工具（第 3(49) 条 + 第 73 条截止日期） │ ├── modelcard.py 模型卡生成器（Mitchell 等，2019；第 13 条） │ ├── scan.py 仓库 AI 使用扫描器（欧盟人工智能法案相关性标志） │ ├── storage.py JSON 持久化 │ ├── models.py pydantic 模型 │ ├── knowledge/ 欧盟人工智能法案、NIST 人工智能风险管理框架、ISO 42001、人工智能安全、红队、控制、GenAI 数据安全、监控、CSF/ISO 27001 作为数据 │ └── llm/ 可选本地/手动 AI 辅助（Web 应用） ├── mcp_server.py MCP 服务器（Claude Code 工具引擎） ├── skills/ Claude Code 技能（ai-act-assessment 剧本） ├── .claude-plugin/ 插件.json + marketplace.json ├── .mcp.json 项目范围内的 MCP 注册 ├── static/ 前端（index.html、app.js、style.css、print.css） ├── examples/ 合成示例评估 ├── data/ 保存的评估（JSON，gitignored） └── tests/ 分类器测试 ``` ## API | 方法 | 路径 | 描述 | |---|---|---| | GET | `/api/questionnaire` | 输入定义 | | POST | `/api/assess` | 分类 + 存储 | | GET | `/api/assessments` | 存储的评估列表（库存） | | GET | `/api/portfolio` | 库存汇总（风险分布、到期义务、第 50 条） | | GET | `/api/assessments/{id}` | 完整评估（JSON 导出） | | DELETE | `/api/assessments/{id}` | 删除评估 | | GET | `/api/export.csv` | 库存作为 CSV 注册 | | GET | `/api/assessments/{id}/report?type=risk\|dpia\|bias\|security\|fria\|techdoc\|compliance\|monitoring\|framework-matrix\|redteam\|controls\|datasec\|stride\|incident\|modelcard` | 报告（markdown） | | GET | `/api/ai/status` | AI 层状态（提供者、模型、可达性） | | POST | `/api/ai/prefill` | 自由文本 → 草案答案（或手动模式的提示） | | POST | `/api/ai/parse` | 粘贴的 LLM 答案 → 验证的草案 | | POST | `/api/ai/narrative` | 单个叙述字段的草案文本 | ## AI 层（可选） AI 层是 **可选** 且 **提供者可插拔** 的（`app/llm/`）。通过 `.env` 配置 （参见 `.env.example`）： | `LLM_PROVIDER` | 行为 | |---|---| | `ollama` *(默认)* | 通过 Ollama 的本地模型。私有，免费。 | | `manual` | 应用程序生成一个提示，您粘贴到您** | `manual` | 应用程序生成一个提示，您粘贴到您自己的 **自己的 LLM 会话中**（例如 Claude）；您将 JSON 答案粘贴回去。无需 API 密钥。 | | `none` | 关闭 AI 层（仅基于规则）。 | **硬保证（人工审核）：** 所有 AI 输出都是 *草稿*。它仅预填充问卷， 从不自动分类、提交或存储。 答案根据模式验证 — 未知字段和无效选项将被可见地忽略。 > **注意（本地模型和 GPU）：** `qwen3:32b` 提供最佳质量，但需要 > 约 20 GB VRAM。如果同时运行其他 GPU 工作，模型可能会卸载到 > CPU 并变慢 — 选择一个更轻的模型 (`OLLAMA_MODEL=qwen3:1.7b`) 或使用 > `manual` 提供商。前端有超时并降级为清晰的错误消息。 ## AI 安全视角 治理和安全是相互补充的，但免费工具很少将它们联系起来。 AI 法规伴侣添加了一个 **安全视角**：从系统的答案中，它推导出适用的 **OWASP Top 10 for LLM Applications (2025)** 项目和针对每个项目的相关 **MITRE ATLAS** 技术、欧盟 AI 法规控制（主要是第 15 条——其第 5 款明确提到了数据/模型中毒、 adversarial 示例、模型逃避和保密攻击）、NIST AI RMF 子类别（以 **MEASURE 2.7** 为基准）和缓解措施。 它在结果视图中显示为 `security` 报告（`ai-act report --type security`），并通过 `classify_ai_security` MCP 工具显示。 该视角会适应：非生成式 ML 系统仍然映射到披露、中毒和供应链项目，而暴露的 LLM 还会额外映射到提示注入、系统提示泄露和错误信息。 **基于架构的严重性**。 每个适用的项目都具有根据一组小型结构化架构上下文字段计算的确定性严重性（关键/高/中/低）——例如，*此处提示注入为关键，因为 LLM 是唯一的访问控制边界，而 API 是读写*——并附有一行理由，说明决定该严重性的字段。 严重性是这些字段的纯函数，因此构造的自由文本不能改变它（由红队套件覆盖）。 **框架桥梁**。 安全报告（和独立的 `framework-matrix` 报告）带有 **框架集成矩阵**，该矩阵将发现结果与 **NIST CSF 2.0** 和 **ISO/IEC 27001:2022**（仅公开控制标题）对齐——这些框架是安全审查员和 ISMS 审计员实际使用的。 > 标识符会针对 genai.owasp.org 和 MITRE ATLAS 数据进行验证； 交叉映射是 **伴侣衍生的分析对齐**，可追溯到这些标识符，而不是官方发布的交叉映射。 ### 红队测试计划 安全视角回答了 *哪些* AI 风险适用以及它们有多严重；**红队测试计划** 将其转化为 *如何测试它们*。 从相同的结构化答案中，它生成了一个优先的、**基于架构的** 对抗性测试用例目录，以确定授权的紫队演习范围。 每个测试用例都带有目标、它针对的 MITRE ATLAS 技术、 先决条件、方法论、通过/失败（成功）标准、**检测和日志记录** 蓝队应该看到的内容，以及它验证的欧盟 AI 法规/NIST 控制。 两个属性使其不仅仅是一个通用的检查清单： - **基于架构的优先级**。 测试用例的优先级 *是* 其父 OWASP 风险的基于架构的严重性，条件测试根据架构进行控制——例如，**关键** 的 *跨租户数据访问* 测试仅在提示中对所有用户数据强制执行访问控制时才出现，而 *间接（检索内容）注入* 测试仅在系统摄取不受信任的内容时才出现。 与分类器相同的不变性：自由文本不能添加、删除或重新优先考虑测试。 - **计划，而不是攻击工具**。 它包含 **没有可用的利用有效载荷**——只有测试设计——并且不运行任何操作。 它是用于授权测试的辅助工具，而不是扫描器或真正的红队替代品。 它表现为 **红队计划** 报告选项卡，作为 `ai-act report --type redteam`，并通过 `generate_red_team_plan` MCP 工具（结构化）/ `generate_report`（Markdown）显示。 ### 控制目录和数据安全 另外两个视角完善了紫队图景： - **防御控制目录**——红队计划的蓝队镜像。 对于每个适用的 OWASP 风险，它列出了 **要实施的控制**（它是什么，它能防止什么，如何验证它），NIST CSF 2.0 / ISO 27001:2022 锚点和欧盟 AI 法规 / NIST AI RMF 引用。 控制的优先级 *是* 它缓解的风险的基于架构的严重性（红队计划使用的相同数字），条件控制根据与进攻相同的架构条件进行控制，每个控制都指明了 **验证它的红队测试用例**——将两个报告变成一个循环：*实施控制，然后运行证明其有效的测试。* 显示为 **控制目录** 选项卡，`ai-act report --type controls`，以及 `generate_control_catalog` MCP 工具。 - **OWASP GenAI 数据安全视角**——数据层的补充，以 LLM Top 10 视角。 它将系统映射到 21 个 **OWASP GenAI 数据安全** 风险（DSGAI01-21，来自 2026 v1.0 指南），涵盖训练/微调数据、提示、检索的上下文、嵌入、遥测和输出。 相关性是根据输入确定的； 每个适用的风险都映射到 OWASP LLM Top 10、**欧盟 AI 法规第 10 条（数据治理）**、GDPR 和 NIST AI RMF。 显示为 **数据安全** 选项卡，`ai-act report --type datasec`，以及 `assess_data_security` MCP 工具。 > DSGAI 标识符会针对 genai.owasp.org 进行验证； DSGAI ⇄ OWASP ⇄ AI 法规 ⇄ NIST 映射和控制目录的框架锚点是伴侣衍生的分析对齐，而不是官方发布的交叉映射。 ### STRIDE、事件、模型卡和投资组合汇总 Tier 3 集完善了生命周期： - **STRIDE 威胁模型**——系统跨越六个 STRIDE 类别，由相同的安全架构答案驱动。 四个类别重用安全视角的 **基于架构的严重性**（因此 STRIDE 和 OWASP 视图通过构造一致）； 伪造和否认通过身份验证和日志记录进行评分。 **STRIDE 威胁模型** 选项卡 / `--type stride`。 - **严重事件辅助工具**——一个决策辅助工具，根据四个 **第 3(49) 条** 肢体返回绑定 **第 73 条** 报告截止日期（15 / 2 / 10 天），以及一个填写事件报告的模板。 **严重事件** 选项卡 / `--type incident`。 - **模型卡**（Mitchell 等人，2019 年）——一个透明度工件（**第 13 条**），从输入中预填充。 **模型卡** 选项卡 / `--type modelcard`。 - **库存投资组合汇总**——跨所有已保存评估的风险等级分布、到期义务和第 50 条披露列（在仪表板中，`/api/portfolio` 和 CSV 注册表）。 该工具还具有自己的 [THREAT_MODEL.md](THREAT_MODEL.md)——包括适用于其自身 AI 层的 OWASP LLM Top 10——以及 [SECURITY.md](SECURITY.md) 策略； `bandit` 和 `pip-audit` 在 CI 中运行。 ## 在 CI 检查中使用（GitHub Action） 尽早发现 AI 系统：捆绑的 **欧盟 AI 法规相关性扫描** 操作会标记存储库是否似乎使用 AI/ML（依赖项清单、源代码导入、模型工件）并指向值得检查的条款。 它是一个确定性的相关性标志——无需模型调用，无需分类——并将 Markdown 摘要写入作业/PR。 ```yaml # .github/workflows/ai-act.yml name: EU AI Act 相关性 on: [pull_request] jobs: scan: runs-on: ubuntu-latest steps: - uses: actions/checkout@v4 - uses: JKasteele/ai-act-companion@v0.7.0 with: path: . # fail-on-detect: "true" # 可选：将扫描转变为门控 ``` 本地运行：`ai-act scan .`（或 `--json`）。 示例输出命名了找到的库、任何模型文件和需要考虑的欧盟 AI 法规问题（第 2/5/6/10/50 条）。 ## 法律基础 引用被建模为 `app/knowledge/` 中的数据。 分类器引用每个结论的具体条款/附件： - **第 5 条**——禁止的做法 - **第 6 条 + 附件 I/III**——高风险（包括第 6(3) 条豁免） - **第 50 条**——透明度义务 - **第 51-55 条**——通用人工智能（GPAI） - **第 11 条 + 附件 IV**——技术文档 - **第 72 条**——上市后监测 - **第 99 / 101 条**——行政罚款（处罚暴露块） - **OWASP LLM Top 10 (2025) + MITRE ATLAS**——安全视角、红队测试计划和控制目录 - **OWASP GenAI 数据安全 (2026, v1.0)**——数据层视角（DSGAI01-21），以第 10 条为锚点 - **NIST AI RMF 1.0**——GOVERN / MAP / MEASURE / MANAGE 交叉映射 - **ISO/IEC 42001:2023**——AI 管理系统交叉映射（分析对齐） - **NIST CSF 2.0 + ISO/IEC 27001:2022**——安全框架集成矩阵（分析对齐） ## 路线图 - [x] 基于规则的、引用的欧盟 AI 法规分类器（禁止 / 高风险 / 有限 / 最低） - [x] 风险评估 + DPIA 骨架 + 偏差审计检查清单，映射到 NIST AI RMF - [x] 可选 AI 层（Ollama + 手动提示提供程序），带有强制的人机协作 - [x] 单元测试 + CI + Docker - [x] **Claude Code 插件**——MCP 服务器 + 技能 + CLI（Claude 作为接口，引擎作为基本事实） - [x] **AI 安全视角**——发现映射到 OWASP LLM Top 10 (2025) + MITRE ATLAS - [x] 工具本身的威胁模型 (`THREAT_MODEL.md`) + CI 中的 `bandit` / `pip-audit` - [x] EUR-Lex / AI 法规浏览器深链接 + 分阶段适用性时间线（第 113 条） - [x] 基本权利影响评估（FRIA，第 27 条）生成器 - [x] AI 系统库存（仪表板）+ CSV 注册表和 JSON 导入/导出 - [x] ISO/IEC 42001 交叉映射（在风险评估报告中） - [x] 附件 IV 技术文档生成器（第 11 条） - [x] 义务和符合性跟踪器，带有第 99 条处罚暴露 - [x] **基于架构的严重性**，适用于 AI 安全视角（关键/高/中/低） - [x] 市场后监测计划（第 72 条），结构化为 NIST AI 800-4 - [x] **NIST CSF 2.0 + ISO/IEC 27001:2022** 框架集成矩阵 - [x] **基于架构的红队测试计划**（OWASP LLM Top 10 + MITRE ATLAS，授权紫队范围） - [x] **防御控制目录**——蓝队镜像，每个控制都通过红队测试验证 - [x] **OWASP GenAI 数据安全视角**（DSGAI01-21）——数据层补充，以欧盟 AI 法规第 10 条为锚点 - [x] **STRIDE 威胁模型**——六个类别，重用基于架构的严重性（第 15 条） - [x] **严重事件辅助工具**——第 3(49) 条肢体 + 第 73 条报告截止日期 + 报告模板 - [x] **模型卡生成器**（Mitchell 等人，2019 年）——透明度工件（第 13 条），从输入中预填充 - [x] **库存投资组合汇总**——风险等级分布、到期义务、第 50 条披露列 - [x] **ISO/IEC 42001 附件 A 控制映射**——所有 38 个附件 A 控制，每个控制都锚定到其最相关的欧盟 AI 法规条款（在风险报告中） - [x] **实时演示**（Hugging Face Spaces）+ **欧盟 AI 法规截止日期倒计时** + 刷新 UI - [x] **静态示例报告库**——真实生成的工件，可在 GitHub 上查看 - [x] **存储库 AI 用量扫描器**——`ai-act scan` + GitHub Action，标记任何代码库中的欧盟 AI 法规相关性 ## 许可证 MIT — 请参阅 [LICENSE](LICENSE)。