🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
欧盟在 2024 年通过了《人工智能法》，给不同风险等级的 AI 系统规定了不同义务。对大公司来说，养一个法务团队不成问题；可对只有几个人的中小企业来说，光是搞清楚“我到底算不算高风险”“我要不要做风险评估”就够头疼了，更别说请律师。于是有人想到：能不能做一个专门回答这部法律的聊天助手，企业问什么它答什么。但直接问通用聊天机器人也有风险——它可能记错条款、编造义务，甚至给出让自己吃官司的建议。作者想做的，是一个“被治理知识喂过”的定制助手，看它能不能比通用模型更靠谱。
② 研究问题（要回答什么？）
论文的研究问题是：把治理知识、提示设计和安全护栏装进一个定制助手，能不能让它在欧盟人工智能法的合规咨询上，比通用聊天机器人表现更好？具体拆成三问：第一，它给出的回答和法条预期是否吻合、能不能追溯来源？第二，人类专家（尤其是懂这部法律的律师）怎么评价它的清晰度、法律准确性和幻觉风险？第三，同一个问题反复问，它的回答稳不稳定？作者还想知道，专用助手和通用模型各自强在哪里、弱在哪里。
③ 研究方法（怎么做的？）
作者采用设计科学的研究路径，先设计再评估。设计部分：在 OpenAI 的定制 GPT 环境里搭 TESSA，核心是三样东西——一个基于欧盟人工智能法及其官方指引的知识库、一套专门设计的提示词与回答结构、以及一组安全护栏（比如遇到超范围问题要说明、要提示这不是法律意见）。评估部分分三路：一是治理贴合度测试，用 100 道覆盖十个主题的基准问题，把回答按“符合/部分符合/不符合”分类；二是人类专家评审，请一位有经验的 AI 监管律师逐条打分，评估教育清晰度、法律对齐、治理适用性和幻觉风险；三是一致性测试，同一问题重复问多次，看答案是否稳定。对照组是同样的通用 ChatGPT。
④ 结果（发现了什么？）
结果比预想的更微妙。治理贴合度：大模型初评时 TESSA 达到 90%、通用模型 87%；但经律师严格复核后，两者分别降到 71% 和 70%，几乎打平——说明“看起来对”和“律师认为对”之间有明显差距。专家评审：两者教育清晰度都很强（TESSA 99 个“强”、通用 92 个“强”），但通用模型在法律对齐、幻觉风险和总体评价上反而更好；TESSA 只在“治理适用性”上更强，因为它更爱讲利益相关方的责任和实操合规步骤。一致性：两者都很稳定，平均一致性得分 0.969（TESSA）和 0.976（通用），差别可以忽略。换句话说，专用助手改变的是回答的“关注点”，而不是全面超越通用模型。
⑤ 讨论（这些发现说明什么？）
作者很诚实地讨论了这些结果。他们认为，TESSA 的价值不在于“更准确”，而在于把回答引向治理视角：同样一个问题，通用模型可能给你一段法条摘要，TESSA 会告诉你是谁要负责、要做什么记录、怎么留痕。这对中小企业的实际合规更有用。但代价是，它有时会为了“讲治理”而牺牲法律条文的精确性，幻觉风险也略高。作者还指出，律师复核把贴合度从九成拉低到七成，说明大模型自评容易高估自己，人工复核不可省略。局限包括：只有一个案例、一家律所复核、知识库截止到某个时点，以及没有做真实企业使用场景的长期跟踪。
⑥ 结论（最终结论 + 启示）
结论是：治理型定制助手可以作为中小企业理解欧盟人工智能法的入门引导工具，它能提供更贴近实操的治理建议，但不能替代法律意见，也不该被当成“更准的法条查询器”。作者建议，这类工具上线时应保留人工复核、明确标注来源与时效、并在回答中区分“法条要求”和“实践建议”。对公共管理者而言，这是一个低成本提升合规可及性的思路，但必须配合责任界定与质量监控。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
欧盟《人工智能法》以风险分级设定义务，合规负担对中小企业（SME）尤为沉重：既缺乏内部法律能力，也难以承担外部顾问成本。生成式 AI 被视为降低合规咨询门槛的潜在工具，但通用模型存在条款记忆错误、义务编造与来源不可追溯等风险。本文以设计科学研究（DSR）方法构建 TESSA——一个面向 EU AI Act 的治理型 Custom GPT，并通过治理贴合度评估、专家评审与一致性测试三条路径，与通用 ChatGPT 基线做对照，回答“治理导向的定制化是否带来可测量的改进”这一问题。
I. Theoretical Framework & Hypotheses（理论框架与假设）
设计框架由三部分组成：治理知识库（EU AI Act 条文与官方指引，作为检索与生成的事实基础）、提示与回答结构（按“适用性判断—义务清单—利益相关方—记录要求”组织输出）、护栏（超范围声明、非法律意见提示、来源标注）。评估框架为多维：治理贴合度（与预期治理要点的吻合及可追溯性）、教育清晰度、法律对齐、治理适用性、幻觉风险、重复一致性。研究不预设 TESSA 全面优于基线，而是检验其在“治理适用性”维度上的相对优势及其代价。
M. Materials & Methods（材料与方法）
- 构建：OpenAI Custom GPT 环境；知识库基于 EU AI Act 与公开指引；提示设计规定回答结构与引用要求；护栏覆盖超范围与免责声明。
- 基准：100 道覆盖十个主题的合规问题，覆盖风险分级、义务分配、文档与记录、供应链角色等场景。
- 治理贴合度评估：按“符合 / 部分符合 / 不符合”三级分类；先由 LLM 辅助初评，再由有经验的 AI 监管律师复核（律师结论为准）。
- 专家评审：律师逐条评价教育清晰度、法律对齐、治理适用性、总体评价与幻觉风险（低/中/高）。
- 一致性测试：同一问题重复执行，计算平均总体一致性得分。
- 对照：相同问题、相同评估流程下的通用 ChatGPT。
R. Results（结果）
- 治理贴合度：LLM 初评 TESSA 90%、基线 83–87%；律师复核后 TESSA 71%、基线 70%，差距几乎消失，多数差异出现在“回答正确但缺少治理细节/利益相关方义务”的场景。
- 专家评审：教育清晰度两者均强（TESSA 99 项“强”、1 项“可接受”；基线 92 项“强”、8 项“可接受”）；基线在法律对齐与总体评价上更高，TESSA 在治理适用性上更高。
- 幻觉风险：TESSA 低/中/高风险分别为 61/36/3，基线为 78/21/1；基线低风险比例更高。中高风险主要源于无依据假设与过度概括，而非编造法条。
- 一致性：平均总体一致性 TESSA 0.969、基线 0.976，均高度稳定。
- 结论性判断：两者呈现“不同的强项”而非一方全面胜出；治理导向的重心转移是可测量的，但以法律精确性为代价。
| 指标 | TESSA | 通用 ChatGPT |
|---|---|---|
| 治理贴合度（律师复核） | 71% | 70% |
| 教育清晰度“强” | 99/100 | 92/100 |
| 幻觉低风险 | 61 | 78 |
| 一致性得分 | 0.969 | 0.976 |
a / D. Discussion & Conclusion（讨论与结论）
- 设计启示：治理型助手的价值在于输出结构（责任主体、义务清单、记录要求），而非更高的法条准确率；知识库与提示设计决定“关注点”，护栏决定“边界”。
- 评估启示：LLM 自评显著高估合规质量（90% vs 律师 71%），专家复核不可省略；单一平均分掩盖维度差异。
- 治理风险：中小企业可能把助手输出当作法律意见；需明确免责、来源标注与时效提示，并保留人工复核。
- 局限：单案例、单律师复核、知识库时点固定、无真实企业长期使用数据；一致性测试仅覆盖重复稳定性，未覆盖跨版本漂移。
- 结论：治理导向定制可改善合规咨询的可及性与实操性，但不能替代法律专业判断；应定位为入门引导与流程辅助工具。
🧠 IRMaD 思维导图
mindmap
root((治理型合规助手))
I 引言
欧盟 AI 法复杂
中小企业请不起律师
通用模型会编条款
R 设计
治理知识库
结构化提示
安全护栏
来源可追溯
M 方法
设计科学研究
一百道基准题
律师逐条评审
重复一致性测试
R 结果
贴合度 71 对 70
治理适用性更强
幻觉风险略高
一致性 0.969
a 讨论
改变关注点非超越
自评高估需复核
不能替代法律意见
D 结论
做合规入门引导
标注来源与时效
保留人工兜底
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。