AI 编程的安全、合规与最佳实践

前面十一天讲的都是"怎么快"。今天必须讲另一半：怎么不出事。

两者的性质完全不同。效率是能积累的——今天省一小时，明天省一小时。风险是一次性的——一次代码出境、一次密钥泄露、一次许可证纠纷，就能抵消掉一整年的效率收益，甚至让整个 AI 推进计划被叫停。

所以这一章不讲技巧，讲底线。

一、第一道红线：代码到底能不能出机房

这是所有讨论的起点，也是最多团队含糊过去的地方。动手前先回答三个问题：

① 代码涉不涉及敏感数据——客户真实数据、资质证照、财务与报价逻辑、算法参数，只要沾一样，就不能按"普通代码"处理。
② 公司有没有书面结论——口头同意不算。有制度、有审批、有责任人，才算。这一条最容易卡住，也最该先做。
③ 合同里有没有数据条款——投标文件、客户合同、保密协议里怎么写的？政务类项目尤其要看。合规问题一旦变成违约问题，性质就变了。

回答完再看部署形态怎么选：

以 CodeBuddy 为例，其企业版提供的能力正好覆盖后两行：私有化离线部署、可选本地模型推理（让源码不出机房）、传输加密、以及等保相关的合规资质。版本能力与报价以官方为准，官网可以预约 POC 环境做实测验证——建议在正式推广前先跑一轮 POC，把"能不能满足我们的合规要求"落到实测结论上，而不是停留在宣传材料里。

二、敏感信息脱敏：四类必须脱

不管用哪种形态，脱敏都是基本功。四类信息绝不能原样喂给 AI：

• 密钥类
  ：数据库连接串、API Key、Token、证书私钥——最高危，泄露即事故
• 内网信息
  ：内网 IP、域名、拓扑、库表真实结构——拼起来就是一张攻击地图
• 客户数据
  ：真实姓名、证件号、手机号、交易明细——法律风险最直接
• 商业信息
  ：算法参数、报价规则、成本结构——竞争情报

三个可执行的做法：① 造脱敏样本库（用假数据提问，真实结构不变）；② 提问前先自查一遍（把配置类文件排除在引用范围外）；③ 提交前扫描（用规则或脚本扫 diff 里的疑似密钥，禁止硬编码入库）。

一个特别容易踩的坑：把真实日志贴给 AI 排查问题。日志里往往混着手机号、证件号、完整请求体——你今天贴的是生产日志，它今天进的就是别人的服务器。用 Day 33 那套"现场数据"投喂方法没问题，前提是数据先脱敏。

三、生成代码的许可证风险

AI 生成代码的另一重风险在"来源"：模型训练数据里包含大量开源代码，生成结果可能与某段受许可证约束的代码高度相似。三条实用原则：

• 高风险区重点查
  ：加密算法实现、压缩与序列化库、UI 组件、复杂算法——这些领域训练数据密集，撞库概率更高
• 引入前查相似度
  ：对高风险代码做一次查重（含开源代码库比对），结论留档
• 敏感产品提前过法务
  ：商业软件、对外交付产品，把"AI 生成代码的许可证审查"写进发布流程，而不是出事再补

四、AI 代码安全审计清单：六个高发区

这张表可以直接当 Day 35 智能评审的检查维度配置——审计清单和审查规则是同一份东西的两种用场：人查用清单，自动查写进规则。

五、可靠性验证：三道闸，没有例外通道

一条硬规矩：AI 生成的代码，必须过了编译、测试、review 三道闸才能合入。

"紧急"不是例外——恰恰相反，越紧急越要守。赶工期时放松验证，是 AI 时代最容易发生的质量事故形态：以前的紧急改动至少是人写的，人对自己写的东西有直觉；AI 生成的代码你没有那个直觉。

前面十一讲的工具正好构成这条流水线：Day 32 的 /tests 补测、Day 33 的闭环验证、Day 35 的自动评审。三道闸不是额外负担，是把已建好的能力串成制度。

六、过度依赖与技能维护

接一个不太好回答的问题：如果 AI 帮你写完了，你还会写吗？

三条做法，成本都不高：

• 每周留一段"不用 AI 手写"的时间
  ：挑一个小的、非紧急的功能，从设计到编码自己走一遍，保持手感
• 把 AI 代码当学习材料读
  ：看到不熟悉的写法，追问"为什么这么做、有什么替代方案"——把一个工具用成一位家教
• 坚持自己定方案
  ：架构决策、边界取舍、异常策略，这些必须出自你的判断（Day 30 的结论："AI 管算术，人管承诺"）

一个判断标准：如果 AI 明天全部下线，你的项目还能不能继续推进？ 能，说明你在用它；不能，说明你依赖它。这个区别，在顺利的时候看不出来，在出问题的时候决定生死。

七、十条军规

八、模板与检查清单

AI 编程安全合规清单（可打印）：
□ 公司已有书面结论：允许/禁止/有条件使用，明确到数据范围
□ 项目已判定敏感级别，选定了对应部署形态
□ 涉敏感项目已完成 POC 实测（含私有化 / 本地模型推理验证）
□ 脱敏样本库已建立，日志外传前必脱敏
□ 密钥与凭据已纳入提交前扫描，命中即拦截
□ 高风险代码引入前做过相似度查重，结论留档
□ 依赖版本已核对 + 漏洞扫描已跑
□ 编译 / 测试 / review 三道闸写进流程，无例外通道
□ 架构与业务决策仍由人拍板
□ 每周手写练习已排进日程
□ 试点团队已跑通完整流程，再谈推广

企业版 / 私有化选型问询清单（向厂商问这几条）：
① 部署形态：支持公有云 / 私有化 / 本地模型推理中的哪几种？
② 数据留存：代码与对话内容保存多久？可否关闭留存、可否审计？
③ 模型可控性：可选哪些模型？本地推理是否支持自有模型？
④ 合规资质：等保、传输加密、权限与审计日志提供到什么程度？
⑤ 落地验证：能否提供 POC 环境做实测？周期与条件是什么？
⑥ 报价与版本：以官方为准，重点问"哪些能力只在企业版"

明天 Day 38：《第三阶段总结与全系列收官》——三阶段全景、个人 AI 开发工作流全景图、38 天效率账单，以及后续方向。