From ai-governance-legal
Creates and manages an AI system inventory: determines provider/user roles, risk levels, and maps regulatory obligations under Chinese AI laws. Useful for annual AI audits or new compliance classifications.
How this skill is triggered — by the user, by Claude, or both
Slash command
/ai-governance-legal:ai-inventory [系统名称或'--full'进行全量审查][系统名称或'--full'进行全量审查]The summary Claude sees in its skill listing — used to decide when to auto-load this skill
1. 读取 `~/.claude/plugins/config/claude-for-legal/ai-governance-legal/CLAUDE.md` → 既有AI系统清单(如有)、监管注册表。
~/.claude/plugins/config/claude-for-legal/ai-governance-legal/CLAUDE.md → 既有AI系统清单(如有)、监管注册表。/ai-governance-legal:ai-inventory "智能客服系统 v3"
/ai-governance-legal:ai-inventory --full
盘点你正在使用的每一件AI——作为提供者还是使用者,风险层级如何,受哪些法规约束。这是 use-case-triage(评估新事物)和 aia-generation(深度评估单个系统)的基础层。
读取 ~/.claude/plugins/config/claude-for-legal/ai-governance-legal/CLAUDE.md:
## AI系统清单 — 既有清单(如有)## 监管注册表 — 适用法规及义务## 红线 — 禁止的用例类别当提供系统名称或描述时,运行单系统录入。
如果用户提供的信息不足以填充以下字段,逐项询问:
| 字段 | 说明 |
|---|---|
| 系统名称 | 唯一标识符 |
| 功能描述 | 一段话——系统做什么 |
| AI技术类型 | 机器学习/深度学习/规则系统/大语言模型/计算机视觉/其他 |
| 模型来源 | 自主研发/基于开源模型微调/第三方API/采购的商业产品 |
| 部署方式 | 本地部署/私有云/公有云API/SaaS |
| 数据处理 | 涉及的数据类别——是否包含个人信息、敏感个人信息、商业数据、公开数据 |
| 受影响人群 | 内部员工/商业客户/公众用户/未成年人 |
| 使用场景 | 内部辅助工具/面向客户的功能/面向公众的服务 |
| 决策类型 | 非实质性(推荐、排序)/实质性(影响权利义务)/安全关键 |
| 角色 | 判定标准 |
|---|---|
| 提供者 | 自主研发并向他人(包括公司内部其他部门)提供AI服务 |
| 使用者 | 使用第三方AI服务,不对外提供AI服务本身 |
| 双重 | 基于第三方模型训练/微调后向外部提供服务 |
如果系统仅在公司内部使用且不向外部提供,则通常归为使用者(即使使用了内部数据)。但如果公司开发自己的模型/系统并向外部客户提供该系统的访问权限,则归为提供者。
灰色地带:使用LLM API构建的面向用户的功能——技术上使用了第三方模型,但你构建了应用层并向用户提供服务。此类情况通常归为"双重"角色:对用户来说你是提供者,同时你是底层模型的使用者。
| 等级 | 定义 | 触发特征 |
|---|---|---|
| 高风险 | 对权利和利益有实质性影响,或面向弱势群体,或安全关键 | 自动化决策影响信贷/就业/教育/保险;涉及敏感个人信息;面向未成年人;医疗/交通/基础设施安全场景 |
| 中风险 | 面向公众但对权利无实质性影响 | 内容推荐/个性化;使用个人信息但非敏感;生成合成内容 |
| 低风险 | 内部使用,不涉及个人信息,无外部影响 | 内部数据分析;非个人信息处理;生产力和效率工具 |
| 不适用 | 系统中没有AI组件 | 纯确定性的自动化、传统软件 |
基于角色和风险等级,确定义务:
| 法规 | 高风险 + 提供者 | 中风险 + 提供者 | 高风险 + 使用者 | 中/低风险 + 使用者 |
|---|---|---|---|---|
生成式AI安全评估(《管理办法》第17条 [法条原文]) | ✅ 必须 | ✅ 必须 | ❌ 不直接 | ❌ 不直接 |
算法备案(《算法推荐管理规定》第24条 [法条原文]) | ✅ 必须(如适用) | ✅ 必须(如适用) | ❌ | ❌ |
科技伦理审查(《伦理审查办法》[法条原文]) | ✅ 必须 | ⚠️ 视具体场景 | ⚠️ 视具体场景 | ❌ |
个人信息保护影响评估(《个保法》第55条 [法条原文]) | ✅ 必须 | ✅ 必须 | ✅ 必须 | ⚠️ 视数据 |
算法推荐透明度(《算法推荐管理规定》第16条 [法条原文]) | ✅ 必须 | ✅ 必须 | ❌ | ❌ |
深度合成标识(《深度合成管理规定》第16条 [法条原文]) | ✅ 必须(如适用) | ✅ 必须(如适用) | ❌ | ❌ |
投诉举报机制(《管理办法》第15条 [法条原文]) | ✅ 必须 | ✅ 必须 | ❌ | ❌ |
### [系统名称]
**角色:** [提供者 / 使用者 / 双重]
**风险等级:** [高风险 / 中风险 / 低风险 / 不适用]
**状态:** [已部署 / 在评估 / 开发中 / 已退役]
| 属性 | 值 |
|------|---|
| 功能描述 | [一段话] |
| AI技术类型 | [类型] |
| 模型来源 | [来源] |
| 部署方式 | [方式] |
| 数据类别 | [类别列表] |
| 受影响人群 | [人群] |
| 面向对象 | [内部/客户/公众] |
| 决策类型 | [类型] |
**监管义务:**
| 义务 | 适用 | 状态 | 截止日期/完成日期 | 证据 |
|------|------|------|-------------------|------|
| [义务] | ✅/❌ | ✅已完成/⚠️进行中/❌未开始 | [日期] | [文档引用] |
--full当使用 --full 时,对 ## AI系统清单 中的每个系统运行单系统录入流程,此外:
## AI系统清单 是否遗漏了实践中存在的AI系统(例如供应商审查中已批准但未列入清单的供应商系统)。## AI系统清单汇总
**审查日期:** [日期]
**系统总数:** [N] | 提供者:[N] | 使用者:[N] | 双重:[N]
**按风险等级:** 高风险:[N] | 中风险:[N] | 低风险:[N]
| 系统 | 角色 | 风险等级 | 适用法规数 | 备案状态 | 上次评估 | 差距数 |
|------|------|----------|-----------|----------|----------|--------|
| [名称] | [角色] | [等级] | [N] | [状态] | [日期] | [N] |
## 监管覆盖缺口
| 法规 | 适用系统数 | 是否有覆盖缺口? | 说明 |
|------|-----------|----------------|------|
| [法规] | [N] | 是/否 | [说明] |
## 不一致标记
[标记任何类似系统获得不同分类的情况,附说明]
保存到 ~/.claude/plugins/config/claude-for-legal/ai-governance-legal/outputs/ai-inventory-[日期].md。同时更新 ## AI系统清单 中的条目。
[工作成果头 — 按照插件配置 ## 输出]
use-case-triage 的衔接use-case-triage 在系统进入开发之前评估新提议。ai-inventory 是为已存在(或即将部署)的系统创建记录。一个已通过分类的系统在部署前通常需要完成清单编制。当 triage 给出"附条件-高"分类时,应自动触发清单编制。
以 CLAUDE.md ## 输出 规定的下一步决策树收尾。定制选项:完成缺失系统的录入、处理不一致标记、填补监管覆盖缺口、升级至法律顾问。
aia-generation 的职责。此技能是对系统进行分类和分配义务,不做逐项条款的合规分析。npx claudepluginhub zhou210712/claude-for-legal-zh --plugin ai-governance-legalManages EU AI Act per-system inventory tracking roles (provider, deployer, etc.) and risk tiers (prohibited, high-risk, etc.) per AI system, not per company.
Classifies AI systems under EU AI Act Annex III and US-state high-risk laws. Helps identify provider vs deployer obligations and prohibited practices.
Applies NIST AI RMF 1.0 governance, fairness, robustness, transparency, monitoring, and incident response for AI/ML systems beyond prompt security.