MASCRDM：面向大语言模型训练过程的合规风险检测与缓解多智能体系统

研究者提出 MASCRDM 多智能体系统，用于大语言模型训练全过程的合规风险检测与缓解。该方法先依据现有 AI 法律并借助合规法律专家指令构建合规规则与合规专用 LLM，再将模型拆解为若干组件，基于合规知识图谱定位关键节点，在训练中由多个智能体全程给出风险预警与建议。在歧视与偏见基准上的实验显示，该系统在维持合理语义性能的同时提升了合规性。

此前合规手段多集中在已训练模型的输入输出过滤，属于静态、局部优化。该工作把合规检测前移到训练全过程并引入实时预警，意味着合规从结果侧后置检查转向训练过程的持续干预，思路与覆盖范围均有变化。

机制上有三层：以法律专家知识形式化出合规规则并训练合规专用 LLM；用合规知识图谱把模型拆解为组件并标出关键节点；再由多智能体在训练全程监测这些节点，输出风险提示与调整建议。其假设是训练中间状态可被合规知识结构化映射，从而支持实时干预而非事后过滤。

对研发流程而言，合规检查可能从上线前的一次性评测，变为训练阶段的持续监控与告警，需要额外接入规则库、知识图谱与智能体调度；训练成本与工程复杂度上升，但可减少后期返工与合规风险。对产品侧，模型合规状态的记录与建议可能成为可审计材料。

• 为模型训练平台增加训练期合规监控模块，输出风险告警与调整建议，作为现有评测流程的补充。
• 围绕 AI 法律条文构建可维护的合规规则库与合规知识图谱，提供面向模型组件的节点标注服务。
• 提供合规专用小模型或规则审查能力，用于把法律条文转译为可执行的检测规则。
• 在模型交付文档中增加训练期合规记录，满足内部审计或客户合规问询需求。

• 论文未披露实验所采用的具体基准名称、模型规模与对比方法细节。
• 合规规则与合规专用 LLM 的构建成本、更新维护方式尚不明确。
• 多智能体全程介入对训练时间、算力开销和语义性能的具体影响幅度未知。
• 该方法对不同司法辖区法律差异的适配能力未被证据说明。