距离2026年8月2日欧盟AI法案高风险系统合规大限仅剩不到40天，但执法早已启动。2026年Q2，招聘平台RecruitAI因未主动将算法分类为高风险被立案，医疗诊断系统MediDiag因缺乏人类监督被要求整改——流程不可追溯是它们的共同痛点。中小团队不必啃完153页法案条文，更需要一套能直接塞进Git仓库、跑在CI管道里的自动化合规工具箱。
自动合规检查从哪里下手
根据甫瀚咨询（Protiviti）的合规解读，法案对高风险系统的核心要求集中在公平性、透明性、鲁棒性和人类监督。对中小团队，最紧迫且最适合自动化的三件事：判断系统属不属于高风险、按要求准备技术文档、做安全与偏见测试。
风险分类：用规则引擎自动判定
AI法案按风险等级分义务，高风险涵盖生物特征识别、就业管理、教育评估等八大类（附录III）。归类有模糊地带，比如对话式招聘助手是否算“就业管理”？欧盟委员会2025年7月发布的《通用人工智能模型提供者义务范围指南》（环球律师事务所曾专文解读）给出了判定通用AI模型是否具有系统性风险的算力阈值（>10^25 FLOPs）。对标准应用，推荐用开源规则引擎（如Drools）将附录III条款写成判定树，几秒输出标签。社区已有维护好的规则库（eu-ai-act-classifier），定期同步官方解释。只需在CI管道里加一个check，每次上线自动分类。
技术文档：用MLflow和模板自动填充
高风险系统提供者必须备好详尽技术文档：系统用途、训练数据、精度、安全措施等。OpenAI和微软都公开过参考模板。实操上，用MLflow或Kubeflow记录每次训练配置，再用Jinja2模板引擎填充到法案要求的结构化文档里。IBM在EU AI Act专题中提到文档还需包含公平性评估。集成AIF360（公平性指标开源库），自动把偏见测试结果写入文档的“公平性分析”节。整个过程跑完不到十分钟，数据直接锁定模型版本。
安全测试：开源武器库
高风险系统需要证明鲁棒性。开源社区有现成武器：
- 对抗攻击测试：Adversarial Robustness Toolkit (ART) 支持文本、图像、表格的多类攻击，设个阈值（比如关键误判率≤2%），不通过就阻断发布。
- 红队自动化：微软PyRIT能自动生成prompt注入和越狱用例，出风险评估报告，建议放进夜间构建每天跑。
- 偏见与隐私检测：Fairness Indicators评估跨群体性能差异；PrivacyRaven检测模型是否记忆个人数据。
- 模型格式扫描：ModelScan检查ONNX、TensorFlow等模型中是否藏恶意代码。
这些工具都可以打成Docker镜像，用Kubernetes CronJob定时执行，结果统一汇到合规Dashboard。
把工具串成流水线
单点工具不够，需要用Apache Airflow或Kubeflow Pipeline编排：代码提交→风险分类（非高风险可跳步）→自动生成文档草稿→运行攻击测试→记录日志→生成合规报告。社区已有开源流水线模板（如ai-act-pipeline），配置好API和参数就能用。
开源模型的“减负”机会
如果你的产品基于免费开源许可的通用AI模型（如Llama 3、Mistral），且没本地大改，根据《欧盟AI法案》第53(2)条，部分透明度义务可豁免。全球律师事务所Bird & Bird的指南指出：提供者以开源许可发布并公开相关信息，就免于履行(a)(b)(f)项义务——除非模型被认定有系统性风险。但注意，一旦模型被用于高风险应用或造成系统性风险，豁免失效。即使符合条件，也建议自主完成基础合规——在消费者保护诉讼里，“已尽合理努力”是重要抗辩。
六项速查清单
把这六项写进团队README：
- 系统被自动分类为高风险？→用eu-ai-act-classifier检查
- 高风险：技术文档覆盖所有章节？→自动生成模板
- 对抗性攻击测试是否通过？→ART/PyRIT报告
- 公平性偏见是否评估？→AIF360指标
- 持续监控机制建立？→日志至合规Dashboard
- 使用开源模型？是否满足免费开源许可条件争取豁免？
RecruitAI、MediDiag的案例表明，没有嵌入式自动化管道，问题上线前很难发现。合规不是枷锁——当客户或监管要证明时，一键导出开源工具的审计报告，比翻一个月前的邮件附件更让人踏实。从一份检查清单开始，用开源工具串起来，中小团队也能在合规浪潮里站稳脚跟。