> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/government-llm-construction-guide.md).

# 政务大模型建设与应用指南：2027年先守住安全合规底线

本文整理自 Duaer 文档站，围绕政务大模型建设，说明为何要先划清数据边界、权限与审计，再谈模型选型和应用落地，并给出分阶段做法与衡量指标。

## 为什么政务场景的合规难度更高

很多政务部门这两年都在问同一个问题：大模型能不能真正进入业务系统？难点往往不在模型能力本身。政务数据里有大量个人信息、未公开材料和内部业务数据，一旦建设路径不清，项目就会卡在安全审查、等保测评、数据出域和责任划分这几道关口上。不少项目演示效果很好，却迟迟不能上线，根本原因是把安全合规当成了上线前的补丁，而不是建设的前提。

政务场景的特殊性在于：数据敏感度高、权限层级复杂、跨部门数据流转多，而且审计要求严格。一家企业内部的知识库出了问题，通常影响的是一个部门；政务系统出了问题，可能涉及公众信任和合规追责。因此，政务大模型的建设不能照搬企业项目的思路，需要把「哪些数据能进模型、谁能调用、调用过程能否追溯」这三个问题放在方案的最前面。

## 两个常见误区：先选模型、把内网部署当合规

第一个误区是先选模型，后谈安全。很多项目的启动顺序是：先比较几家模型的效果，选定之后再让安全部门评估。这样做的结果通常是，模型已经和业务系统深度绑定，安全部门发现数据要外传、日志无法留存或权限粒度不够，只能推倒重来。更稳妥的顺序是先做数据分级和权限边界，再决定模型放在哪里、用什么方式接入。选型应该是合规框架下的选择题，而不是合规框架之外的一道附加题。

第二个误区是把内网部署等同于合规。内网部署确实降低了数据外泄的风险，但它并不自动满足合规要求。内网里仍然可能存在越权访问、提示词注入导致的敏感信息泄露、模型输出被误用于正式决策等问题。判断一个方案是否合规，要看的是完整链路：数据从哪里来，在哪里被处理，输出给了谁，留下了什么记录。部署位置只是这条链路中的一个节点。

## 怎么做才对：先划数据等级，再定可用边界

一个可操作的做法是把政务数据按敏感程度分为公开、内部、敏感、涉密四类，每一类对应不同的处理方式。公开数据可以在更开放的环境中使用；内部数据在域内处理即可；敏感数据需要脱敏或只允许在受控环境中被检索；涉密数据则原则上不进入任何大模型链路。

在此基础上，常见的做法是坚持「数据不出域、可用不可见」：模型的训练和推理都在域内完成，跨部门协作时只返回经过脱敏和授权的结果，而不是原始材料。这样既保留了数据的使用价值，也守住了出域的底线。关于这一原则的具体落地，可以参考本站的[数据不出域、可用不可见：2027年企业AI合规怎么落地](https://doc.duaer.com/zh/guides/data-no-export-usable-invisible-ai-compliance-2027/)。

## 建设阶段的权限与审计：让每一次调用都可追溯

政务系统的权限往往按科室、岗位、职级层层划分，大模型接入后，这套权限体系必须同步延伸到模型的每一次调用上。具体来说，应该做到三点：第一，检索范围与用户权限绑定，用户看不到的文件，模型也不能引用；第二，每次调用记录用户、时间、问题、引用来源和输出内容，日志保存周期要符合档案管理要求；第三，对高风险操作，例如批量导出、跨库查询，设置二次审批。很多团队在这一步会发现，原有的业务系统权限并不够细，这恰恰说明建设大模型的过程也是一次数据治理的过程。

在把这些规则落到具体系统时，可以把数据分级、权限绑定和审计留痕放在同一个环境里统一配置，而不是分散在多个工具中各自维护。Duaer（https://www.duaer.com）提供的就是这类可以把分级、权限和流程串起来跑通的环境，适合希望先用小范围试点验证合规流程的团队直接试用。

## 应用阶段：从知识问答和材料起草起步，别急于进入决策

政务场景中，最容易落地的通常是政策问答、内部制度检索、会议材料和公文初稿的辅助起草。这类场景的共同特点是：输出有人工复核，错误成本可控，数据边界清楚。相反，把大模型直接用于行政审批结论、处罚建议等决策环节，合规和责任风险都很高。如何在众多场景中排出先后顺序，可以参考[政府 AI 应用场景：如何选择第一个试点项目](https://doc.duaer.com/zh/guides/government-ai-use-cases-first-pilot/)中的思路，按价值与风险双维度排序。

## 怎么衡量，以及本周可以做什么

很多项目的验收只看回答准确率，这远远不够。建议同时跟踪四类指标：越权访问拦截次数，说明权限设计是否真正生效；敏感信息脱敏覆盖率，说明数据分级是否落地；人工复核比例和纠错记录，说明输出的可靠程度；审计日志的完整率，说明追溯能力是否达标。业务指标，例如单次任务耗时和工作量减少，应当与这些安全指标放在同一张表里看，避免为了效率而牺牲可追溯性。

本周最值得做的一件事，是拉出一份现有业务系统清单，为每个系统标注数据等级、可接入的 AI 功能，以及明确不能进入模型的数据类别，然后交给安全、法务和业务部门共同签字确认。这份清单不需要很完美，但它能让后续所有讨论有统一的边界。

如果你的团队正在规划政务大模型项目，可以先注册 Duaer（https://www.duaer.com）试用，把数据分级、权限和审计流程放到同一个环境里跑一遍，再决定哪些环节需要正式采购或定制开发。

我们可以免费给你一份这个场景的落地路线。告诉我们你的业务场景和数据条件，我们会回复一份书面的落地路线。https://api.duaer.com/form/1fea7709-3f8a-47f7-b4e3-eb5fb90e3213

政务大模型能不能用好，取决于建设之初是否先把数据边界和责任链条说清楚，安全合规不是进度的障碍，而是项目能够上线的入场券。

## 常见问题

### 政务大模型项目应该先选模型还是先做安全合规？

应该先做数据分级和权限边界，再决定模型放在哪里、以什么方式接入。选型是在合规框架下进行的选择，而不是合规之外的附加题，否则容易出现模型已深度绑定业务后才发现要外传数据、日志不全等问题而推倒重来。

### 政务数据中哪些内容不能进入大模型？

一般可按公开、内部、敏感、涉密四个等级划分。公开数据可在较开放的环境使用，内部数据在域内处理，敏感数据需脱敏或仅允许在受控环境中检索，涉密数据原则上不进入任何大模型链路。具体边界应由安全、法务和业务部门共同确认。

### 内网部署的大模型就一定符合政务合规要求吗？

不一定。内网部署只能降低外泄风险，仍可能出现越权访问、提示词注入导致敏感信息泄露、输出被误用于正式决策等问题。判断是否合规要看完整链路，包括数据来源、处理位置、输出去向以及是否留有可追溯的记录。