Article body
正文
摘要
企业级 BI 的安全合规，不应被简化为“是否私有化部署”这一道选择题。更基础也更持续的能力，是以身份认证、权限控制、数据访问治理、审计追溯和运维管理为核心的技术治理体系。私有化部署、专有环境或物理隔离，可以在特定行业、数据边界和基础设施要求下提供补充保护，但不能替代权限、审计和治理机制。
AI 接入后，安全边界还需要延伸到模型、上下文、工具调用和人工复核环节。本文以企业 BI 的实际治理问题为主线，说明如何在不夸大部署形态或产品能力的前提下，建立更可验证的安全合规底座。
一、安全的起点：让“谁能在什么范围内做什么”可被控制与追溯
在 BI 场景中，数据风险往往不来自单一的存放位置，而来自身份失真、超范围访问、口径混乱、授权失控和操作不可追溯。因此，安全设计应先回答四个问题：
- 谁在访问系统，身份如何认证与撤销？
- 不同角色、组织或租户可以看到哪些数据、使用哪些功能？
- 报表查看、导出、配置变更和关键操作如何留痕与复核？
- 数据从来源到分析结果经过哪些链路，相关规则和责任人是否清晰？
衡石的安全治理应以这些技术控制为核心：结合统一身份认证或企业现有身份体系，按业务职责配置权限，在已授权范围内提供数据消费与分析能力，并通过审计和流程控制支持追溯。具体可用的认证方式、权限粒度和审计范围，应以产品版本、部署架构和项目配置为准。
二、部署隔离：一种手段，而不是安全的全部
私有化部署、专有环境、网络隔离或物理隔离，适用于对数据位置、网络边界、运维责任或基础设施有明确要求的场景。衡石 BOX 等本地化部署形态，可作为满足特定部署要求的方案选项之一。
但部署在本地并不会自动消除授权与治理风险：若身份管理薄弱、权限配置过宽、审计缺失或数据导出无控制，物理边界依然无法保证数据被正确使用。采用其他部署形态时，同样需要通过认证、权限、加密、审计、网络与运维控制来满足组织的安全要求。
部署模式应由数据分类分级、法规与合同要求、现有基础设施、运维能力和业务连续性共同决定。物理隔离是可选手段之一，不是通用前提。
三、面向 BI 的技术治理控制
身份与访问控制
企业应将用户、角色、组织与数据使用职责对应起来，并将入职、转岗、离职等身份变化纳入授权变更流程。对于 BIPaaS 等嵌入式或多租户场景，还需结合标准 SSO、细粒度权限控制和租户隔离能力，避免身份传递或租户边界设计不当造成越权访问。
权限不是一次性配置。模型、数据集、报表、嵌入式页面和管理能力发生变化时，都应同步审查授权范围，并通过定期复核减少长期闲置或超范围权限。
数据访问与指标治理
BI 的安全性与数据可信度密切相关。数据集、字段、指标和业务口径应有明确来源、适用范围和负责人；对敏感数据的展示、导出或进一步处理，应遵循组织的数据分类分级与授权规则。
语义建模可以帮助业务以统一指标理解数据，但语义层不应被描述为“天然解决所有权限问题”。它需要与数据源权限、平台授权和项目治理规则协同设计，并在模型变更时重新验证。
审计与变更管理
关键访问与配置操作应具备可追溯性。审计的范围、保留期限、查询权限和告警规则，需要由企业结合自身合规要求制定。对涉及大范围授权、数据导出、生产配置或重要指标变更的操作，可通过复核、审批或双人确认等流程降低风险。
四、AI 边界：先限定可见上下文，再讨论智能能力
当问数、报告生成或智能体辅助能力接入 BI 时，安全边界从“用户能看到什么”扩展为“模型在一次任务中可以获得什么上下文、调用什么工具、产生什么动作”。稳妥的设计至少包括：
- 受控上下文。 仅向模型提供当前用户已获授权且与任务相关的语义对象、指标和数据范围。
- 受控工具调用。 对查询、导出、配置修改或外部系统调用设置明确权限与操作边界；高风险动作不应只依赖自然语言指令。
- 可追溯过程。 保留必要的请求、上下文、执行结果和审批记录，便于复核与问题定位，同时遵循组织的隐私与留存规则。
- 人工复核。 对风控、财务、经营决策或生产操作等高影响场景，AI 输出应进入既定的业务复核流程，而不是自动替代责任人。
- 部署与模型评估。 模型部署位置、外部服务使用、日志处理和数据流向，需要在方案阶段逐项确认，不能笼统承诺所有模型和所有数据都在某一固定环境内处理。
衡石的数据智能能力应建立在已建模、已授权、可审计的数据基础上。AI 能提高查询与内容生产效率，但不能绕过既有的权限和治理边界。
五、开发与运维场景的安全实践
对于需要通过 HENGSHI CLI 或其他工程化方式操作环境的团队，应采用企业级凭据和变更控制习惯。HENGSHI CLI 支持使用操作系统 Keyring 管理令牌，并支持 OAuth 与企业 SSO 等认证方式；实际接入时仍应依据企业的身份体系与安全规范配置。
涉及资源变更的操作，应在变更前确认作用范围，并结合预览、权限校验、审计和多人复核等机制进行管理。不同操作、版本和部署环境所支持的能力不尽相同，不能把个别流程中的预览或确认机制外推为所有场景都具备自动回滚或完全无风险的保障。
六、实施检查清单
| 领域 | 应确认的问题 |
|---|---|
| 身份认证 | 是否接入企业身份体系；账号生命周期和异常访问如何管理？ |
| 权限 | 用户、组织、角色、租户与数据范围如何对应；谁负责定期复核？ |
| 数据治理 | 数据来源、敏感等级、指标口径、刷新规则与负责人是否清晰？ |
| 审计 | 哪些访问和变更需要留痕；日志如何保留、查询和告警？ |
| 部署 | 数据边界、网络条件、运维责任与业务连续性要求是什么；是否需要私有化或隔离部署？ |
| AI | 可用上下文、工具权限、外部模型、人工复核和记录留存如何界定？ |
常见问题
私有化部署是否等于安全合规？
不等于。它可能满足特定的数据位置或隔离要求，但仍需要身份认证、权限控制、审计、数据治理和运维流程等技术与管理控制共同发挥作用。
是否所有数据都必须物理隔离？
不是。是否采用物理隔离或其他部署方式，应由数据分类、监管与合同要求、基础设施和运维能力共同评估。物理隔离是可选手段之一，不是通用前提。
AI 问数是否可以直接访问全部企业数据？
不应如此设计。AI 能访问的语义对象、数据范围和工具调用应遵循当前用户权限及任务边界，并对高影响结论和动作保留人工复核。
是否可以承诺某种硬件配置一定满足所有 AI 推理需求？
不能。模型类型、并发、上下文规模、部署方式和可用资源都会影响实际能力，硬件与方案应按项目验证。
结语
企业 BI 的安全合规底座，首先是持续有效的技术治理：身份可信、权限受控、数据可管、操作可审计、变更可追溯。私有化与物理隔离可以在特定场景中提供额外的部署边界，但只能作为这一体系的一部分。面对 AI，衡石更应将智能能力放在受控的数据、权限和流程之内，帮助企业在效率与合规之间建立可验证的平衡。