距离8月2日，还剩不到40天。欧盟《人工智能法案》的高风险条款就要生效了，罚款最高能到全球营业额的7%。
如果你在用Llama或者Mistral这类开源模型做产品，比如一个简历筛选工具，面向欧盟市场，那最紧要的事可能不是调参，而是写一份能过监管关的技术文档。
用开源模型不等于免责。法案写得很清楚，就算是基于通用人工智能（GPAI）模型的应用，一旦被划为高风险——比如用于招聘、信贷审批——应用开发方就得承担主要的合规责任。你得证明系统是安全、透明、可控的。技术文档就是你的证据。
系统描述：先说清楚你的工具是干嘛的
这部分要让一个非技术背景的审计员，十来分钟能看懂。以简历筛选工具为例，得说清楚几件事：
- 用了什么模型：直接写，比如“Llama 4 Scout（Meta开源）”或者“Mistral Large 2”，并说明为啥选它。
- 数据怎么流：简历从哪儿进来（用户上传还是API），经过哪些处理（解析、向量化、模型推理），最后输出什么（分数、推荐理由、淘汰原因）。
- 谁在用、怎么用：是给HR用的辅助工具，还是自动筛人的系统？这直接决定风险等级和透明度要求。
说不清楚，后面全是白搭。
风险管理：预判哪里会出问题
这是文档的重点。欧盟AI法案特别盯着三样东西：歧视、隐私和决策黑箱。你得系统性地把风险列出来。比如：
| 风险 | 可能后果 | 怎么应对 |
|---|---|---|
| 模型从历史数据里学到了性别或种族偏见 | 系统性歧视 | 用去偏数据集持续评估；输出前加一层公平性校验 |
| 解析简历时泄露敏感信息（比如健康状况） | 违反GDPR | 处理前做信息脱敏；定好数据保留期限和删除流程 |
| 拒绝理由模糊，用户看不懂 | 决策不透明 | 要求模型输出可解释的匹配维度，比如“技能匹配度” |
| 系统被攻击或数据投毒 | 错误筛选 | 做好输入验证、定期安全审计，留人工复核和申诉通道 |
风险管理不是写一次就完的文档。得说明白你怎么定期复查，比如每季度，或者模型更新的时候。
技术细节：让别人能复现和验证
这部分要够“技术”，但目标是可复现。重点包括：
- 你对模型做了什么：是直接用，还是做了LoRA微调？用了什么数据集？超参数是啥？就算只用了提示词，也得记下模板和版本。
- 数据怎么处理：简历解析、文本清洗、用了什么向量化方法（比如Sentence-BERT）、有没有做特征工程。
- 系统怎么接：模型怎么跟你现有的HR系统（比如SAP、Workday）对接？API长啥样？安全校验怎么做的？
- 运行依赖：需要什么硬件（云服务器型号、GPU）、什么软件框架（PyTorch 2.x、vLLM）和关键库。这关系到系统能不能被审计。
如果用了多个模型（比如先粗筛再精排），必须画架构图。技术文档说白了就是你这个AI系统的“岗位说明书”，把职责、流程都定清楚。
测试与验证：用证据说话
光说“准确率99%”没用，你得证明。这部分要包括：
- 怎么测的：用了什么测试数据？覆盖了不同背景的求职者吗？考虑过格式混乱、信息不全的简历吗？
- 看什么指标：除了准确率、召回率，更要看公平性指标（不同群体的通过率差异）、误差分析（误判的简历有啥共性）、可解释性评估（匹配理由合不合理）。
- 上线后怎么盯：计划怎么监控性能漂移？比如设个月度审查，看看拒绝率、人工复核率这些指标。
测试是为了找问题，不是为了过关。文档得诚实记录已知缺陷和改进计划。成功的团队不是不犯错，而是有从数据到规则的优化闭环。
开源模型的锅，谁背？
很多人觉得模型是Meta或者Mistral开源的，出了事该找他们。事实正好相反。
欧盟AI法案把责任主要压在了AI系统的提供者身上。对于你的简历筛选工具：
- 如果你只是部署了开源模型：模型提供商（比如Meta）主要负责GPAI模型层面的部分义务（比如提供训练数据摘要）。但你作为把模型集成到高风险应用里的开发者，就是该高风险AI系统的提供者，得承担文档、测试、风险管理、事后监控这些大头责任。
- 如果你微调了模型：责任更重。微调可能改变模型行为，你得为微调后的模型性能和安全负全责。技术文档里必须详细记录微调过程。
换句话说，开源给你的是技术基础，但合规责任没法“开源”。你得为自己开发的应用负责到底。
现在能做什么
- 拉个小组：产品、ML工程师、法务都得有。技术文档不是纯技术活。
- 从描述系统开始：用最直白的话写，这是后面所有工作的底子。
- 画清数据流：从数据输入到决策输出，每一步怎么处理，风险点在哪儿。
- 翻翻测试报告：如果没测过公平性，现在就得计划补测。
- 找齐模型“护照”：开源模型的完整版本号、许可证类型（比如Llama 4 Community License）、下载记录，都保存好。
合规不是一蹴而就的，但一份扎实的技术文档，是你在欧盟市场的准入证。先把文档写好，再去卷模型精度。
