人工智能作为调查组助手：从云端智能体到离线事件调查

我们如何从最初的云端试验，走到“脱敏工具 → 人工智能智能体 → 还原”这一实用工作流程，随后打造了一套测试版离线调查系统，并正在为下一步——安全的企业级人工智能环境 Fire——做准备。

核心思想：人工智能不应“认定责任人”，也不能取代调查组。它真正有用的角色，是帮助调查组更快地把零散的材料整合成完整的图景，发现缺漏，检验因果逻辑，并准备出调查报告的第一份工作初稿。

一切从何开始

早在 2023 年，我们就开始尝试在事件调查中使用人工智能。当时的思路看起来相当简单：创建自己的智能体，把调查方法论和具体事件的材料上传进去，然后让它梳理时间线、找出书面说明中的矛盾、提出原因和措施建议。

2024 年，模型的能力明显扩展：它们不仅能熟练处理文本，还能处理图像。早期的一次试验甚至算不上真正的调查。在一处偏远的生产点，一名女员工摔倒，腿部受伤。现场拍摄了放射影像，但那里没有能立即读片的专科医生。我们把这张影像上传给人工智能，模型指出了一处疑似第五跖骨骨折的部位。

我要特别强调：这不是医学诊断，也不应该是。医学影像的最终判读是医生的职责。但对我们来说，那次经历是一个重要的技术信号：模型能够注意到图像中非专业人员可能忽略的细节。这意味着，在调查中它有可能不仅处理文本，还能处理示意图、照片和其他材料。

第一个可用版本：云端智能体

当更稳定的用户自定义智能体出现后，我们开始直接按照企业调查方法论对它们进行配置。我们在 GPT、Gemini 和 Perplexity 中都做过不同版本；早期还试过 Grok。先把方法论上传到智能体，然后是书面说明、初步情况描述、单独的文件和其他材料。

实际效果立竿见影。人工智能能迅速汇总各方陈述，给出事件发生的先后顺序，找出时间和表述上的不一致，并列出需要补充的问题清单。对调查组来说，它就像一位“第二分析师”，反复通读几十页材料也不会疲倦。

但第一个版本有一个明显的缺陷：我们实际上是在把真实的调查材料交给外部服务。对于事件调查而言，这一点尤其敏感：材料中可能包含姓名、职务、医疗信息、书面说明、照片以及企业内部信息。

工具用得越多，我们就越清楚：便利不能成为把多余数据传到外部的理由。

参见提示词附录：Prompt 1——云端智能体的安全版本，仅用于处理事先已匿名化的材料。

方法论更严格了——这也改变了对人工智能的要求

与此同时，企业内部调查方法论本身也在不断完善。对我来说这一点很重要：不能让人工智能“自己琢磨该怎么调查”。必须先有方法论，再在其基础上构建数字工具。

按照现行方法论，调查组的首要目标不是寻找责任人，而是制定最有效的措施，消除或降低类似事件再次发生的可能性。如果事件链中存在人的行为，就必须继续深挖：为什么这种行为成为可能，或被视为可以接受。

调查遵循防护屏障逻辑：危险源 → 不期望事件 → 后果；预防性屏障和缓解性屏障分别审视。在信息分析阶段，要建立时间线并识别关键因素。随后构建原因树，从直接原因和中间原因一路追溯到系统性的根本原因。

在较简单的分析中，“为什么？”的追问链条可能很短。而在复杂事件中，它会不断分叉，形成一棵完整的原因树。“蝴蝶结”屏障逻辑有助于分别检验：事件为什么会发生，以及后果为什么恰恰是这样。

正是这一顺序，后来成为我们本地应用程序的骨架。

参见 Prompt 2–6：时间线与关键因素 → 问题与矛盾 → 屏障 → 原因树 → 措施。

第二个版本：手工脱敏

下一阶段要安全得多，尽管相当不便。在把材料上传到云端智能体之前，我们手工替换姓氏和其他敏感信息：“员工 1”“员工 2”“负责人 1”“部门 1”，依此类推。

从保密角度看，这已经是向前迈进了一步。智能体能看到事件的逻辑，却看不到真实姓名。分析结束后，还得手工把代号换回原名——往往要借助 Ctrl+F 逐一查找。

如果只有两三名当事人，这样的流程尚可忍受。但当调查涉及大量书面说明、证人、文件以及反复出现的姓氏时，手工脱敏和反向还原就变成了一项独立的工作，还带来出错的风险。

第三个版本：本地脱敏工具与音频这一单独难题

当我们掌握了氛围编程的技能后，就用本地脱敏工具取代了手工操作——我在本系列第一篇文章中介绍过它。Word 文档在电脑上完成处理，换上代号，同时单独保存一份还原密钥。密钥受密码保护，不会交给智能体。

这样一来，发送到云端人工智能的只有经过脱敏的书面说明和其他材料。得到的结果传回电脑，在本地还原。这正是我们目前在用的工作流程：本地脱敏工具 → 经过配置的调查智能体 → 本地还原。它已经能让我们发挥云端模型的优势，同时又不向其提供原始姓名和还原密钥。

但还剩下一个薄弱环节——录音。书面说明和问询用语音记录很方便，但要分析，首先得把它们转成文字。过去我们为此使用单独的在线服务和手机应用。后来，大型人工智能服务本身也具备了转写功能。这很方便，但带有当事人声音的原始录音依然会传到外部。

因此我们又做了一个工具——本地转写工具。它直接在电脑上运行 Whisper。在我们的测试中，转写质量与常用的云端方案完全可以相提并论，而原始录音始终不离开电脑。本地转写完成后，可以先对文本进行脱敏，然后在需要时再交给调查工作智能体。

这一阶段的组合：本地转写 → 本地脱敏工具 → 云端智能体。材料分析参见 Prompt 1–6。

第四个版本：离线系统已经建成——现在我们正在测试它

这时出现了另一个问题。既然转写、文档读取和模型都已经能在本地运行，为什么不把它们整合到一个安全的环境中？实验性的离线调查系统就这样诞生了。它已经开发完成并投入运行，但目前我们有意把它定位为测试版：在教学案例和匿名化案例上进行检验，把结果与调查组的工作进行对比，并寻找下一轮迭代方向，让流程更快、更便捷、更稳定。

任务是这样的：为调查组打造一个统一的工作台，可以上传方法指南、初步信息、书面说明、Word 和 PDF 文件、录音、照片和示意图；在本地完成语音和文档识别；按方法论的各个阶段逐步推进，最终得到一份可编辑的 Word 报告初稿。

只有用一句话说出来时，这才显得简单。实际上迭代了无数次。本地语音识别并不是一下子就跑通的，之后又要解决 PDF 扫描件、图像、大体量材料、本地模型、时间线、原因以及最终文档等问题。开发的工作模式和我们其他项目一样：一处改动 → 运行 → 结果或报错截图 → 与 ChatGPT 进行下一轮迭代。

最终，我们得到了一套带浏览器界面、拥有独立本地人工智能环境的本地系统。它已经能很好地转写录音、读取准备好的材料，并生成结构化的调查初稿。现在我们的任务不是宣布它是“成品”，而是踏踏实实地测试、比较结果、改进工作逻辑。要运行完整的本地模型并快速处理大量材料，最好配备一台性能足够强的电脑。

参见 Prompt 8——用氛围编程打造调查组本地工作台的主提示词。

测试版离线系统已经能做什么

在测试版离线系统中，整个流程已经围绕方法论搭建，而不是围绕普通的人工智能聊天。

首先，调查组记录初步信息：发生了什么、危险源、不期望事件、后果、当事人、现场勘查结果。接着制定计划：需要解决哪些问题、询问哪些人、获取哪些文件和鉴定结论。

材料板块可以上传 DOCX 文件和文本型 PDF。扫描件和照片可以在本地识别；示意图和图像保存在案卷中，模型可以对其中可见的细节给出描述建议。音频和视频在本地转写。还可以直接通过麦克风录制问询，随后获得转写文本。

材料核对完毕后，应用程序帮助构建时间线。人工智能提出事件和引文建议，但是否纳入某条记录由调查组决定。关键因素单独标注。

下一个板块是防护屏障和原因。调查组检查预防性屏障和缓解性屏障，构建两条初始分支：不期望事件为什么会发生，以及为什么会造成这样的后果。人工智能提出的原因，在调查组确认之前始终只是假设。

原因分析之后制定措施：措施针对哪一项原因、由谁负责、期限多长、可以检验什么结果、是否需要临时屏障、措施是否应推广到单个作业区域之外。

直到这时才生成报告初稿。应用程序可以按照方法指南的结构汇编第一份 Word 初稿，纳入时间线、原因树、屏障、材料登记表和附件。

参见 Prompt 2——时间线；Prompt 3——矛盾与缺失数据；Prompt 4——屏障；Prompt 5——原因树；Prompt 6——措施；Prompt 7——最终报告初稿。

本地人工智能做什么——以及不该做什么

这里重要的是不要高估自动化。人工智能分段阅读经过核对的文本，提出时间线、问题、屏障、原因假设以及措施方案。它能发现两份书面说明之间的矛盾，或者注意到时间线中缺少了某个重要时段。

但文件中的引文只能证明材料里确实有这些话，并不能证明陈述属实。识别出的文本可能有错误。示意图可能被误读。因果关系可能只是一种假设。

因此，应用程序内置了一条原则：人工智能提出建议——调查组采纳、否决或修改。原因不会自动变成已确认。责任人和期限不由模型指定。Word 初稿就是第一份工作草稿，而不是“拿去签字即可”的文件。

这一点尤为重要，因为内部报告不能取代法律和既定程序所要求的文件。调查的责任始终在调查组。

参见 Prompt 9——在使用结果之前，对质量、保密性和自动化边界进行把关。

保密成为架构的一部分，而不是一份单独的说明

在事件调查中，保密问题不能“留到以后再说”。方法论本身就将内部调查材料列为仅限内部使用的文件，并专门要求在创建和传输文件时保护个人数据。

在测试版离线系统中，案卷材料、转写文本、分析结果和 Word 文档都保留在电脑上。本地模型通过 本地回环地址运行；在准备好所需模型之后，处理案卷的工作会话可以在不连接外部互联网的情况下进行。

但这里同样没有魔法。本地运行并不等于自动匿名化。如果把姓名和医疗信息上传到案卷中，它们就会留在这台电脑上以及案卷附件里。因此需要常规的信息安全措施：受保护的账户、访问权限、存储规则、备份，必要时还要进行额外的脱敏。

也就是说，我们的演进并没有以“全部离线就全部安全”这样的口号收尾。更准确的说法是：我们去掉了不必要的对外材料传输，把数据控制权留在它应该在的地方——企业内部。

我们现在在用什么

目前我们实际上有两条流程。第一条是实用流程：在本地对材料脱敏，把匿名化副本交给经过配置的调查智能体，再在本地还原得到的结果。这套方案已经可以用于实际工作。

第二条是测试流程：完全离线的系统，它能自行在本地转写音频、读取材料，帮助构建时间线、屏障和原因，并生成第一份报告初稿。它已经在运行，但我们仍在继续检验和改进。对我们来说，这是原则问题：不能仅仅因为试点看起来漂亮，就把它当作成熟的生产系统。

实用流程：脱敏工具 → 经过配置的人工智能调查智能体 → 还原。

测试流程：完全本地化的调查组工作台 → 检验与后续迭代。

下一步——安全的企业级 Fire

与此同时，集团信息技术部门正在企业环境 Collab 中开发内部人工智能 Fire。对我们来说，这是顺理成章的下一阶段：把调查组助手的方法论逻辑迁移到安全的企业服务器环境中，在那里无需在大模型的强大能力和保密要求之间二选一。

我们并不把 Fire 视为“自动调查员”，而是把它看作践行同一原则的又一个环境：材料留在受保护的基础设施内部，人工智能帮助调查组分析时间线、屏障、矛盾和原因，而决策仍然由人来做。

在迁移之前，首先需要检验 Fire 的技术能力：文档和音频处理、上下文容量、访问权限划分、日志、数据存储以及结果导出。也就是说，我们再一次从方法论和信息保护出发，而不是出于不惜一切代价使用又一个新模型的愿望。

观看视频：本地调查的完整流程

在这篇文章中，我有意不让几十张大同小异的截图充斥正文。一段三分钟的录屏能更好地展示各个环节之间如何衔接，以及哪些事情是人实际在做的、哪些是程序在做的。

截图只用在需要停下来讲清架构的地方：材料类型、时间线、原因、措施和最终的 Word 文档。其余的操作细节更适合看视频——视频在文末。

时间节省在哪里

事件调查终究离不开人：勘查现场、询问当事人、获取文件、讨论事实、做出决定。调查组存在的意义无法自动化。

但可以去掉相当一部分文书杂务：誊录音频、汇总书面说明、手工查找时间上的不一致、把引文搬进时间线、初步梳理屏障、绘制原因树、准备措施草拟清单，以及汇编第一份报告初稿。

在我看来，这里的主要效果并不在于减少专业人员的数量。恰恰相反：如果专业人员花在机械性文书工作上的时间少了，他就有更多时间去做调查真正要做的事——与人交谈、在现场工作、检查屏障，并帮助管理者防止事件再次发生。

最终成果

几年下来，这条路径颇具代表性：开放的云端智能体 → 手工脱敏 → 本地脱敏工具与还原 → 本地转写 → 测试版离线系统 → 下一步迈向安全的企业级 Fire。

同时，当下的实用工具并不是实验性的离线版本，而是经过验证的脱敏流程：原始材料留在我们手中，交给智能体的是匿名化版本，还原在本地完成。离线系统目前正在测试中，我们正逐步把它完善到位。

最重要的变化甚至不是技术层面的。我们不再问人工智能“谁有过错？”，而是开始问另一个问题：“还缺哪些数据？哪些屏障失效了？它们为什么失效？哪些措施能真正降低再次发生的风险？”

这正是人工智能在调查中真正有用的角色：它不是裁判，也不是调查组组长，而是一位高效的第二分析师，帮助人们更深入地研究事实。

还有一点：不能忘记自然智能

模型越强大，就越不能把自己的思考交给它们。人工智能只有在增强自然智能时才有用：帮助更快地看清关联、检验假设、整理草稿，并腾出时间与人交谈、在现场工作。

所以在我看来，正确的道路不是仅仅做现成按钮的使用者，而是成为新解决方案的创造者：理解方法论，设定架构，检验结果，纠正错误，并与工具一起让自己变得更强。

人工智能要用，但同样要运用和发展自己的自然智能。如果这种结合能帮助我们更深入地调查事件、更好地从中吸取教训并防止事件重演，那就说明技术确实在为安全造福。

文章配套提示词

带脱敏的实用流程 → 测试版离线系统 → 下一步迈向安全的企业级 Fire

当前状态：实际工作中使用的是“本地脱敏工具 → 经过配置的云端智能体 → 本地还原”这一流程。完全离线的系统已经开发完成，但仍处于测试和改进阶段。Fire 被视为下一个安全的企业级阶段。

Prompt 1. 当前实用智能体：仅限匿名化材料

与文章的关联：“第三个版本”和“我们现在在用什么”两节。这是本地脱敏之后正在使用的实用流程。

你是职业健康与工业安全领域事件内部调查组的分析助手。

工作流程：
原始文件先在本地进行脱敏。你只会收到匿名化副本。你完成工作后，结果将借助单独的密钥和密码在本地还原，而这些密钥和密码你并不掌握。

重要：
- 只处理事先已匿名化的材料；
- 不要尝试还原姓名、部门、地址或其他被隐藏的信息；
- 不要使用互联网和外部事实，除非另行提供；
- 不要认定责任人；
- 不要把假设说成已确定的事实；
- 不要代替调查组做决定。

目标：帮助调查组梳理材料，并检查调查是否完整。

对每一项结论加以区分：
FACT — 有材料直接证实；
ASSUMPTION — 有依据的推测；
CONFLICT — 材料之间的矛盾；
GAP — 缺失的信息；
QUESTION — 需要解决的问题；
HYPOTHESIS — 需要证实的可能原因。

步骤：
1. 编制所收到材料的登记表。
2. 只提取可证实的事实，并注明来源。
3. 编制初步时间线。
4. 列出矛盾和缺漏。
5. 为调查组拟定补充问题。
6. 时间线确认后，提出屏障分析建议。
7. 在调查组做出决定之前，原因只能以假设形式提出。
8. 措施只能与已确认的原因挂钩。

在所有表格中注明来源：材料编号、文档/文件名称，以及结论所依据的简短引文或确切位置。

Prompt 2. 事件时间线与关键因素

与文章的关联：关于实用智能体和测试版离线系统中时间线的部分。

我提供的是经过核对的事件材料文本。

请编制时间线草案。

规则：
1. 不要添加材料中没有的事件。
2. 如果时间是确切的——按确切时间注明。
3. 如果时间是大致的——标注“约”。
4. 如果两个来源给出的时间或先后顺序不同——不要默默地只选其中一种；标注 CONFLICT。
5. 每一行注明：日期/时间；事件或条件；来源；状态 FACT / ASSUMPTION / CONFLICT；为什么重要。
6. 另外提出一份关键因素清单：即如果没有这些事件/条件，不期望事件或后果的严重程度很可能会有所不同。
7. 在调查组做出决定之前，关键因素不视为已确认。

最后输出：
A. 时间线草案；
B. 矛盾清单；
C. 缺失数据清单；
D. 供调查组讨论的关键因素草案。

Prompt 3. 矛盾、缺漏与补充询问计划

与文章的关联：关于制定计划、收集材料以及人工智能作为第二分析师这一角色的部分。

根据材料和时间线草案，准备一份调查组工作表。

需要：
1. 找出书面说明、文件、时间和技术数据之间的矛盾。
2. 在没有证据的情况下，不要把表述上的差异解读为说谎。
3. 对每一处矛盾注明：来源 A；来源 B；差异具体在哪里；需要核查什么。
4. 拟定补充询问的问题。
5. 问题应当开放、中立，不得诱导答案。
6. 另外列出可以填补缺漏的文件、测量、鉴定、照片或示意图清单。
7. 标出哪些问题对查明事件经过、防护屏障、原因和后果严重程度至关重要。

不要仅凭存在矛盾就得出陈述不可信的结论。

Prompt 4. 屏障逻辑与“蝴蝶结”

与文章的关联：关于屏障逻辑以及过渡到原因分析的部分。

使用经调查组确认的时间线和关键因素。

编制屏障分析草案。

1. 危险源。
2. 不期望事件。
3. 后果。
4. 预防性屏障：哪道屏障本应防止事件/接触发生；它是否存在；是否可用；是否被使用；是否起作用；证实来源。
5. 缓解性屏障：哪道屏障本应防止后果发生或降低其严重程度；它是否存在；是否起作用；证实来源。
6. 针对每一道缺失或失效的屏障，提出“为什么？”这一问题。

不要自动把屏障缺失认定为根本原因。
不要在未标注 HYPOTHESIS 的情况下，虚构方法论、文件或工艺逻辑中没有的屏障。

输出结果是供调查组讨论的表格，而不是已批准的结论。

Prompt 5. 原因树与根本原因

与文章的关联：“方法论更严格了”一节以及原因板块。

输入：
- 已确认的时间线；
- 关键因素；
- 屏障分析；
- 调查组对已确认事实所作的决定。

构建原因树草案。

起点：“不期望事件 + 后果”。
最初的两条分支：
A. 不期望事件为什么会发生？
B. 为什么会造成这样的后果 / 为什么后果如此严重？

接下来：
1. 对每个节点反复追问“为什么？”，直到找到系统性原因为止。
2. 把每个原因与其上一级问题关联起来。
3. 每个关键因素都必须在原因树中有所体现，或单独说明其被排除的理由。
4. 不要把人的行为/失误当作根本原因。继续分析：为什么这种行为成为可能，或被认为是可以接受的。
5. 只有当根本原因满足以下条件时才可提出：描述的是流程/体系的具体缺陷；可以消除；处于企业/集团的可控范围内；能据此提出具体措施。
6. 禁止使用未加具体说明的笼统表述：“文化水平低”“个人疏忽”“组织不善”“培训不足”。

对每个节点：
- 表述；
- 类型：直接原因 / 中间原因 / 候选根本原因；
- 证实来源；
- 相关的关键因素；
- 状态 FACT / HYPOTHESIS / CONFIRMED_BY_COMMISSION。

不要代替调查组确认根本原因。

Prompt 6. 纠正和预防措施

与文章的关联：关于措施以及在准备第一份初稿时节省时间的部分。

只使用调查组决定纳入措施制定清单的原因。

针对每项原因，提出 2–4 个措施方案。

对每个方案注明：
- 具体消除哪项原因或加强哪道屏障；
- 类型：技术 / 组织 / 培训 / 监督 / 其他；
- 预期的可检验结果；
- 如何检验有效性；
- 推广范围：事件发生地 / 类似设施 / 企业 / 集团；
- 在永久措施落实之前，是否需要临时防护措施；
- 可能的附带风险；
- 确定期限和责任人需要哪些数据。

未经调查组决定，不要填写责任人姓名和具体期限。
如果“开展计划外安全交底”这类措施并不能消除已查明的原因，不要把它当作万能方案提出。
另外标出那些只加强监督、却不能消除根本原因的措施。

Prompt 7. 按方法论编制的最终报告草案

与文章的关联：关于生成 Word 文档以及“是初稿，而不是待签文件”这一原则的部分。

仅依据调查组已批准的内容，准备内部报告的文本草案。

使用：
- 事件信息卡；
- 已确认的时间线；
- 关键因素清单；
- 已批准的屏障分析；
- 最终版原因树；
- 已批准的原因清单；
- 已商定的措施；
- 材料登记表。

不要把未经证实的假设、未加标注的争议说法以及没有来源的结论作为事实写入最终文本。

结构：
1. 简要信息与事件经过。
2. 材料及信息收集方法。
3. 时间线。
4. 关键因素。
5. 防护屏障。
6. 原因分析。
7. 根本原因。
8. 纠正和预防措施。
9. 附件 / 材料登记表。

在可能的情况下，在重要结论旁保留指向依据材料的引用。
在文件顶部标注：“草案。须经调查组审核并批准。”
不要作出关于过错的结论。

Prompt 8. 测试版离线系统的主提示词

与文章的关联：“离线系统已经建成——现在我们正在测试它”一节。

我不是程序员。请帮我开发一个测试版本地应用程序，用于按照企业方法论开展事件内部调查。本阶段的目标是试点和质量检验，而不是自动投入工业化运行。

请分步进行。每一步：
1. 说明我们在做什么、为什么这样做；
2. 给出一个操作或一个现成的文件/补丁；
3. 等待我的结果或截图；
4. 检查结果；
5. 只有在此之后才进入下一步。

目标架构
- Windows 10/11；
- 运行在 127.0.0.1 上的本地 backend 和浏览器界面；
- 模型一次性准备完成后，处理案卷材料无需连接外部互联网；
- 按高性能工作电脑进行设计；针对配置较弱的电脑提供轻量模型，但不隐瞒质量/速度的下降；
- 案卷本地存储；
- 带校验和的案卷归档；
- 版本历史；
- 不强制将材料发送到任何外部 API。

材料
- DOCX：段落、表格、页眉页脚；
- 带文本层的 PDF；
- PDF 扫描件 / 图像——本地识别；
- 示意图 / 照片——保存原件，描述仅作为草稿提供；
- 音频 / 视频——本地转写；
- 麦克风录音；
- 手动输入和编辑；
- 文本用于人工智能分析之前，必须标记“已与原件核对”。

本地模型
- 通过本地引擎运行的 LLM（例如 Ollama）；
- 多语种语音模型 Whisper；
- 必要时使用本地视觉模型；
- 应用程序不得在调查过程中暗中下载模型。

方法论 / 阶段
1. 初步信息。
2. 调查组计划。
3. 材料收集。
4. 时间线与关键因素。
5. 屏障与原因。
6. 措施。
7. 报告。

人工智能规则
- 人工智能只提出建议。
- 每项结论都保存来源和引文。
- 区分 FACT / ASSUMPTION / CONFLICT / GAP / HYPOTHESIS。
- 在调查组确认之前，原因均为假设。
- 模型不自行指定责任人和期限。
- 调查组必须能够采纳、否决或修改每一项建议。
- 最终的 Word 文档是可编辑的草案。
- 报告中纳入原因树、屏障、登记表和附件。

安全
- 不使用 CDN 和外部遥测；
- 调查相关的网络请求仅限 loopback；
- 向用户说明：本地运行不等于自动匿名化；
- 不在公开的客户端代码中存储机密信息；
- 提供案卷删除、备份和迁移功能。

先从目录结构、案卷数据格式和威胁模型开始。在我确认之前不要写代码。

试点状态
- 明确将版本标注为“测试版 / 试点”；
- 添加一套教学对照案例；
- 针对每个案例，将人工智能的结果与人/调查组的结论进行比较；
- 记录发现的缺陷和迭代日志；
- 在测试完成之前，不要称系统已可投入工业化运行。

Prompt 9. 试点离线系统审计

与文章的关联：关于自动化边界、保密性和当前测试状态的部分。

在移交调查组之前，对已完成的应用程序和调查草案进行审计。

技术检查
1. 处理案卷期间是否存在外部网络请求。
2. 是否使用了 CDN、外部字体、云端 speech-to-text、外部 API。
3. 原始文件、转写文本、本地模型和备份存放在哪里。
4. 删除案卷时会发生什么。
5. 原始文件是否会进入诊断日志。
6. 出错时是否会导出案卷内容。

方法论检查
7. 所有重要结论是否都有来源。
8. 事实是否与假设区分开来。
9. 所有关键因素是否都在原因分析中得到体现。
10. 是否在未分析系统性条件的情况下，把人的行为认定为根本原因。
11. 措施是否与具体原因/屏障挂钩。
12. 模型是否在调查组未作决定的情况下指定了责任人和期限。
13. 报告草案是否被表述为已批准的文件。

保密检查
14. 本地案卷中有哪些个人/医疗数据。
15. 用于演示、发布或传输时是否需要额外脱敏。
16. 文件名和截图中是否含有多余的姓名。

以表格形式输出结果：
检查项 | 状态 | 发现的风险 | 需要修正的内容 | 应由谁确认。

不要自动修改调查的实质性结论。

成熟度检查
17. 是否有一套对照案例及比较结果。
18. 哪些功能已经稳定，哪些仍处于实验阶段。
19. 在投入工业化使用之前，必须消除哪些错误/限制。
20. 界面是否会造成人工智能输出就是调查组决定的错误印象。

如何使用这些提示词

• Prompt 1——当前在用的实用流程：仅限事先已匿名化的材料；还原密钥不交给智能体。
• Prompt 2–7——方法论工作模块，既可用于当前的智能体，也可用于未来的本地/服务器环境。
• Prompt 8——创建并持续完善完全离线的测试系统。
• Prompt 9——在扩大应用范围之前对试点进行审计。

本系列的基本原则始终不变：先保护数据、确立方法论，再实现自动化。人工智能能增强调查组的工作，但不能取代专业思维、事实核查和人的责任。