数据来源台账：七个来源、两条许可不清与三条个人信息路径

用户问「我的对话会不会被拿去训练」时，答案不该取决于你当时的心情，而该取决于一页写好的台账。

一、七个来源，两个他答不上来

2026 年 4 月，一位商家在续费前问周闻：「我们和消费者的对话，会不会被你们拿去训练？」他第一反应是「不会」，但话到嘴边停住了——他不知道帮助文档里的旧工单、抓来的竞品页面和一份第三方示例数据，算不算「训练数据」。

以下情境为教学假设，人物、引语和数字不代表经核实的真实案例。

他花了一个下午，把进入模型上下文的东西列成七个来源。列完发现，其中两个来源的许可状态说不清：公开网页和第三方示例数据集。

这张表最初只有「来源」和「用途」两列，看起来很干净；加上许可、保留期和可删除性之后，问题才浮出来。台账的价值不在于列全，而在于逼你回答那三个不舒服的列。

说不清许可，就是不能用。 合规问题里最危险的不是「明确禁止」，而是「以为可以」；前者会让你停手，后者会让你在半年后收到一封律师函。

二、七个来源与四列台账

他给每个来源写了四列：从哪来、许可是什么、保留多久、能不能删。

第 6 类最容易误用。很多人觉得「公开网页就是公开数据」，但公开可访问不等于允许批量使用；robots 协议、站点条款和当地法律可能给出不同答案。

第 7 类的问题在许可证。示例数据集常写着「仅用于研究」或「禁止商用」，而一人产品是商用；没核清之前，它只能停留在演示环境。

第 5 类历史工单是客户数据，保留 180 天比对话的 30 天更长，因为它要用于复盘与培训；但「用于培训」本身要写进合同，不能默认成立。保留期越长，删除请求越难做，这条要在台账里标红。

七个来源里，五个能说清，两个说不清。 28.6% 的说不清比例不算高，但足以让整个数据链路失去可辩护性。

这张表还有一个用途：客户问「你们的数据从哪来」时，直接把四列发过去；能发出去的表，才说明你真的知道答案。

三、三条个人信息路径

来源之外，个人信息还有三条进入模型的路径。

第一条最直接：消费者在对话里说「我叫张三，电话 138…，地址…」，这些内容会原样进入提示词。模型供应商可能保留 30 天，也可能有人工审阅；你没有义务替消费者冒险。

这条路径也最难完全堵住。用户可能在第三句话才说出地址，而你的正则只扫了第一段；所以脱敏要作用在整段上下文，而不是首条消息。

第二条常被忽略：订单查询需要订单号，但不需要收件人全名和完整地址。他的做法是只传订单号与状态，需要地址时传「城市 + 区」，不传门牌。

最小化不是把字段删到模型答不出来。删得太多，回复会变成「请提供订单号」的循环；他的做法是先保留订单号与状态，再按问题类型决定是否补城市，能答就不补。

第三条是回放。为了评测，他把历史对话存下来重跑；这些副本不在主库的删除流程里，容易被遗忘。后来改成只存哈希、功能标签与评分，不存原文。

回放还有一个隐性成本：它把「已经删除」的数据又复制了一份。客户注销后，主库删了，评测集里还有；这类副本必须在数据删除清单里单独列一行。

三条路径对应三种处理：发送前脱敏、字段最小化、回放不留原文。 只做第一条，另外两条仍会把个人信息留在你别的地方。

四、五条脱敏规则与十八小时清理

脱敏不是把整段对话删掉，而是把可识别个人的片段替换成占位符。他定了五条规则。

规则要写在发送层，不是写在提示词里。写在提示词里，模型仍能看见原文；写在发送层，原文不离开你的服务。

发送层还会留下一条命中记录：哪条规则命中、命中了哪一段。这条记录用于调整规则，不记录替换后的原文；否则脱敏又会生成一份新的个人数据副本。

清理两个说不清的来源花了 18 小时：删除抓取脚本、清空示例数据集、重跑一次评测确认没有残留。这个数字不大，但它必须在第一次客户审查之前完成。

18 小时的分配也值得记：抓取脚本 6 小时、示例数据 4 小时、重跑评测 8 小时。最贵的不是删，是证明删干净了——重跑评测占了一半。

脱敏的验收标准是「日志里搜不到」：拿手机号、邮箱、地址各搜一次，搜不到才算做完；只看代码里有没有正则，不算。

复算：
来源：7 个 = 可说明 5 + 许可不清 2
不清比例：2 ÷ 7 = 28.6%
路径：3 条 = 对话正文 + 订单字段 + 日志回放
规则：5 条 = 手机号 + 邮箱 + 地址 + 订单号 + 支付尾号
清理：18 h（抓取脚本 6 + 示例数据 4 + 重跑评测 8）
台账维护：7 来源 × 0.5 h/月 = 3.5 h/月 = 42 h/年

复算里 42 小时是持续成本，不是一次性成本。来源会变、许可会变、保留期会变；台账不维护，三个月后就会重新变成「说不清」。

季度复核只问三个问题：有没有新来源、有没有来源改许可、有没有来源的保留期到了却没删。三个问题各花 30 分钟，比一次客户审查便宜得多。

五、行动清单与复算验收

• 列出所有进入模型上下文的数据来源。
• 给每个来源写许可、保留期与可删除性三列。
• 把许可不清的来源移出生产环境。
• 标出对话、订单字段、日志回放三条个人信息路径。
• 在发送层实现五条脱敏规则，而不是写在提示词里。
• 用手机号、邮箱、地址各搜一次日志，确认搜不到。
• 给台账定一个季度复核日，来源变化时当天更新。
• 把「不训练」承诺与台账一起交给客户。

验收标准：任取一个数据来源，都能说出它的许可、保留期和删除方式。

前四条是「把来源看清」，后四条是「把路径堵住」。如果只有一小时，先做第三条：许可不清的来源留在生产环境，后面所有承诺都不成立。

使用边界与实操验收

台账不是法律意见。 许可是否成立、公开网页能否使用、第三方数据能否商用，要以许可证原文、站点条款与当地法律为准；本文只提供记录方法。

「公开」不等于「可用」。 公开网页可能受 robots、版权与数据库权利约束；不确定时，默认不用，比事后删除便宜。

脱敏不能保证匿名。 多条信息组合仍可能重新识别；高风险场景要做更严格的聚合或干脆不发送。

保留期要写进删除任务。 台账里的 30 天、90 天、180 天，必须对应到实际的清理脚本；只写在表里，等于没有。

数据来源会随功能变化。 新增一个知识库、换一个模型供应商、接入一个新的工单系统，都要重跑这张表。

不要用「用户同意」覆盖一切。 同意有范围、有期限、可撤回；把同意当成万能许可，是最常见的自欺。

关键参考与核验范围

• GDPR 第 28 条：处理者 ：用于核对处理者义务、子处理者与数据处理的合同边界。
• OWASP LLM Top 10 ：用于核对敏感信息泄露与训练数据相关的风险条目。
• NIST 生成式 AI 风险画像 ：用于核对数据来源、隐私与信息完整性的风险清单。

以上链接于 2026-10-27 实测可公开访问；未核验版本、条款更新与适用范围。核验日期：2026-10-27。

范围上只讨论一人产品如何记录数据来源与处理个人信息路径，不判定任何许可证或司法辖区的合法性，也不提供法律意见。

系列导航

• 上一篇：你的 AI 功能属于哪一档：六个功能、三档风险与十一项动作
• 下一篇：模型供应商审查：两家、十一项条款与二十八小时
• 回到目录：一个人的 AI 合规：六个功能、二十二项供应商条款与一次客户审查
• 相关阅读：一个人的隐私工程：数据地图、最小化与删除权