算法安全自评估报告（通用完整版・纯文字，可直接复制修改使用）
一、报告概述
（一）评估背景
依据《生成式人工智能服务管理暂行办法》《互联网信息服务算法推荐管理规定》《网络安全法》《数据安全法》《个人信息保护法》等法律法规要求，本单位针对上线运营的相关算法系统开展算法安全自评估工作，全面排查算法在设计、开发、部署、运行、迭代全流程存在的安全风险，落实算法主体责任，防范算法歧视、滥用、数据泄露、内容生成风险、恶意利用等安全问题，保障算法合规、公平、安全、可控运行。
（二）评估目的
梳理算法基础信息，明确算法功能、应用场景、技术架构、数据使用范围；
识别算法在公平性、透明度、数据安全、输出内容安全、可管控性等方面安全风险；
核查现有安全管控措施有效性，定位管控短板与漏洞；
形成风险清单，制定整改方案与持续管控机制；
满足监管备案、日常合规自查、监管问询相关材料要求。
（三）评估范围
本次自评估对象：【填写算法名称】
算法类型：□算法推荐 □生成式 AI 大模型 □人脸识别等生物识别算法 □风控决策算法 □价格决策算法 □其他
部署场景：【线上正式运营 / 内部测试使用】
服务对象：面向公众服务 / 仅企业内部使用
评估周期：自 XXXX 年 XX 月 XX 日至 XXXX 年 XX 月 XX 日
评估实施主体：本单位算法技术团队、合规安全团队联合开展自评估。
（四）评估依据
《互联网信息服务算法推荐管理规定》
《生成式人工智能服务管理暂行办法》
《中华人民共和国网络安全法》
《中华人民共和国数据安全法》
《中华人民共和国个人信息保护法》
相关国家标准、行业规范及地方监管合规指引
二、算法基础情况说明
（一）主体基本信息
单位全称：
统一社会信用代码：
注册地址：
算法负责人、安全联系人及联系方式：
（二）算法核心信息
算法功能描述：清晰说明算法实现能力，例如基于用户特征实现内容分发；支持文本生成、智能问答；基于图像进行身份核验；风险识别与自动决策等。
应用场景：写明业务场景，区分 C 端公众场景或企业内部业务场景。
技术简要说明：基础技术路线，开源框架 / 自研模型、训练方式、部署方式（本地部署、云服务器部署、API 服务调用）。
训练数据与输入输出：
训练数据来源、数据类型（文本、图像、用户行为数据、个人信息等）；
数据采集方式、数据存储位置、数据留存期限；
算法输入数据范围、算法输出内容 / 决策结果形式。
用户规模：累计用户数量、日活跃用户（测试阶段可标注暂无大规模公众用户）。
迭代机制：模型微调、版本更新、参数调整的管理流程。
（三）算法运行架构简述
简要描述数据流：数据采集→数据预处理→模型运算→结果输出→人工复核（如有）；说明是否存在第三方接口、第三方模型调用情况。若使用第三方模型，列明合作主体、风险分担方式。
三、自评估组织与评估流程
组建评估工作组：由业务部门、算法研发、网络安全、合规人员共同组成；
资料收集：调取算法设计文档、数据清单、安全策略、运维日志、应急处置预案；
风险访谈：与算法开发、运维人员沟通算法设计逻辑、边界限制、已知缺陷；
测试验证：开展黑盒、白盒测试，测试算法极端输入、对抗样本、边界场景；
风险研判：对照合规条款逐项匹配，划分风险等级；
形成初步风险清单，讨论整改措施；
内部复核，定稿自评估报告。
风险等级划分标准：
重大风险：极易引发违法违规、重大安全事件、侵害大量用户权益；
较大风险：存在明显合规隐患，可能造成不良影响；
一般风险：轻微缺陷，短期内风险可控，需持续优化。
四、重点维度安全风险评估
（一）算法公平性评估
评估内容：核查算法决策逻辑是否存在基于性别、地域、年龄、民族、外貌、学历等特征的偏见与歧视；测试不同群体样本下算法输出结果是否存在不合理差异化对待。
当前管控措施：训练数据集清洗、敏感属性屏蔽、算法偏见定期抽检、人工复核机制。
风险结论：【无歧视风险 / 存在轻微偏见隐患 / 存在明显歧视风险】
（二）算法透明度与可解释性评估
评估内容：能否对算法输出结果、决策逻辑进行合理解释；面向用户是否提供必要提示；内部是否留存完整算法文档、版本记录。
管控措施：完善算法设计文档；对外公示基础服务规则；重要决策支持人工申诉通道。
风险结论。
（三）训练数据与个人信息安全评估
评估内容：
训练数据是否合法获取；是否获得必要授权；是否超范围收集个人信息；
是否存在未经许可使用他人作品、受版权保护内容；
是否存在原始数据包含非法信息、不良内容；
数据传输、存储是否加密；是否存在数据外泄、非法共享风险；
是否落实数据分类分级、脱敏、去标识化处理。
管控措施：数据来源审核、数据脱敏处理、访问权限管控、定期数据安全审计。
风险结论。
（四）算法输出内容安全评估（生成式算法重点）
评估内容：算法能否有效防范生成违法、暴力、色情、虚假信息、煽动性内容、深度伪造内容；能否抵御提示词注入、越狱攻击；是否具备内容过滤机制。
管控措施：输入侧风控、输出内容安全过滤器、黑名单策略、不良样本持续迭代优化。
风险结论。
（五）算法滥用风险与安全可控性评估
评估内容：是否可被用于实施诈骗、伪造信息、恶意骚扰、非法监控等违规行为；是否具备访问权限控制；能否实现关停、限流、参数紧急调整。
管控措施：接口访问鉴权、调用频次限制、操作日志全程留存、紧急停机处置机制。
风险结论。
（六）人工干预与应急处置能力评估
评估内容：算法自动决策是否设置人工介入节点；出现算法失控、违规输出时，是否具备快速处置流程；是否建立用户投诉、异议受理渠道。
管控措施：重大结果人工复核、7×XX 小时运维值守、投诉处理流程、突发事件应急预案。
风险结论。
（七）知识产权合规评估
核查训练数据、基础模型、代码框架使用是否符合开源协议，避免知识产权侵权风险。
五、现存风险清单（表格形式文字版，直接抄写）
风险编号：001
风险描述：XXX
风险等级：一般 / 较大 / 重大
风险成因：XXX
现有管控手段：XXX
整改措施：XXX
整改时限：XXXX 年 XX 月 XX 日前
责任部门：XXX
可根据实际排查情况新增多条风险项。
六、整改实施方案
结合风险清单逐条落实整改工作，分为短期紧急整改、中长期持续优化。
短期整改：针对较大、重大风险，立即开展优化，封堵安全漏洞；
中长期优化：完善制度流程、持续扩充测试样本、常态化开展算法复测、优化安全防护模型。
同时建立台账，留存整改前后对比材料、测试记录，便于后续复查。
七、常态化持续管控机制
算法版本变更管理：算法微调、模型升级、参数修改前开展安全前置评估，未经评估不得上线；
定期自评估制度：至少每半年开展一次完整算法安全自评估；发生重大迭代后追加专项评估；
日志留存机制：算法调用日志、异常输出日志、人工处置记录按法规要求留存；
人员管理：算法研发、运维人员安全培训，签订保密协议；
监测预警：持续监控算法异常调用、异常输出行为；
投诉响应机制：持续畅通用户反馈渠道，针对算法相关争议及时核查处置。
八、评估结论
经过本次全面算法安全自评估，综合各维度测试与核查结果，总结总体风险水平：
示例版本 1（低风险适用）：本次评估范围内，算法整体安全风险可控。已识别若干一般安全隐患，本单位将严格按照整改方案按期完成优化，并落实常态化自查机制，持续保障算法安全合规运行。
示例版本 2（存在隐患适用）：本次自评估排查发现 XX 项风险，其中 XX 项较大风险、XX 项一般风险。单位将优先落实高风险事项整改，完善各项安全管控措施，持续降低算法安全风险，严格遵守相关法律法规要求。
本单位承诺：本次自评估材料真实有效，对评估结果承担相应主体责任，后续根据监管要求及时报送相关材料。
评估工作组负责人（签字）：
单位（盖章）：
日期：XXXX 年 XX 月 XX 日
写作实用提示（纯文字）
备案使用版本建议控制在 3000 字以内，删除无关冗余描述，所有【】标记内容全部替换为本单位真实信息；
若是生成式人工智能算法，重点扩充内容安全、提示词攻击防范、训练数据版权三部分；
若是算法推荐系统，重点写公平性、用户权益保护、不诱导沉迷相关管控措施；
不要全部写 “无任何风险”，适当填写 1-3 条一般风险，更加符合监管审阅习惯；
所有风险必须配套可落地整改方案，杜绝只列风险没有处置措施。