AI 数据问答权限：自然语言不能绕过指标边界-尧图网络科技

AI 数据问答权限：自然语言不能绕过指标边界

一、数据问答越自然，越容易让人忘记权限

AI 数据问答让用户直接输入"上周新增用户为什么下降"，系统自动查数并解释。体验很顺，但风险也很明显。自然语言入口不能绕过 BI 权限、指标口径和数据分级。用户没权限看的字段，不能因为换成问句就被查出来。

为什么权限要放在查询生成之前而不是结果脱敏之后？因为 LLM 生成 SQL 的过程本身就会"看见"表结构，如果你的 Schema 里有一张salary_detail表，模型在生成查询计划的时候就已经知道这张表的存在了。等结果回来再做行级过滤，数据已经被读出来、传过来了，审计日志里也会有这条查询记录。正确的做法是：在 Prompt 里只给模型他想看的那部分 Schema，让模型根本不知道有这张表的存在。这就是"Schema 裁剪"的核心价值——不是挡住数据，是连表名都不让模型看到。

数据问答系统必须把权限放在查询生成之前。模型只能在用户可见的数据域里生成 SQL 或查询计划。权限不能等查询结果出来后再脱敏，因为那时数据已经被访问了。

二、问答链路要先做语义解析和权限裁剪

一个安全的数据问答链路，应先识别用户意图和实体，再根据权限裁剪可用指标、维度和表。模型生成查询时，只能看到裁剪后的 Schema。

flowchart TD A[自然语言问题] --> B[意图和实体识别] C[用户权限] --> D[Schema 裁剪] B --> E[可用指标维度] D --> E E --> F[生成查询计划] F --> G[SQL 审核] G --> H[执行查询] H --> I[生成回答]

SQL 审核也不能省。模型可能生成跨权限 Join、全表扫描或危险函数。审核层负责拦住不合规查询。

为什么 AI 生成的 SQL 必须经过审核层而不是直接执行？一个典型的翻车案例：用户问"上季度各部门收入对比"，模型自动 Join 了财务表和 HR 表 —— 用户没有 HR 表的权限，但因为 LLM "觉得"需要部门名称字段，就自动跨了权限边界。SQL 审核层要在执行前做三件事：检查 JOIN 的表全在用户权限范围内、拦截SELECT *这种全列拉取、禁止DROP/DELETE等危险语句。这不只是安全需求，更是合规红线。

三、查询计划比直接生成 SQL 更可控

相比让模型直接输出 SQL，可以先输出结构化查询计划，再由系统编译成 SQL。这样更容易校验指标和维度。

from dataclasses import dataclass @dataclass class QueryPlan: metric: str dimensions: list[str] filters: dict[str, str] def validate_plan(plan: QueryPlan, allowed_metrics: set[str], allowed_dims: set[str]) -> None: if plan.metric not in allowed_metrics: raise PermissionError(f"metric not allowed: {plan.metric}") denied = set(plan.dimensions) - allowed_dims if denied: raise PermissionError(f"dimensions not allowed: {denied}")

这个校验很朴素，但能表达核心原则：模型不能凭自然语言扩大权限。所有字段都要经过系统确认。

为什么不用"允许列表"而用"拒绝列表"做权限校验？用拒绝列表（黑名单）的话，你今天禁了salary，明天 HR 加了个salary_v2字段就绕过去了。正确做法是白名单模式：用户的allowed_metrics和allowed_dims是在登录时就确定好的集合，模型无论生成什么字段名，你都只跟这个集合做交集。不在集合里的直接拒绝，不存在漏网之鱼。

四、拒答也要解释清楚，不要只说没有权限

当用户无权查看某个指标时，系统应说明可见范围。例如“你可以查看部门汇总，但不能查看个人明细”。这样比冷冰冰的拒绝更容易被接受。

还要处理间接泄露。即使用户看不到个人明细，也可能通过多次过滤推断个体数据。系统应设置最小聚合粒度和查询频率限制。小样本结果需要隐藏或合并。

最后，所有问答要留审计日志。记录用户问题、生成计划、执行 SQL、返回行数和权限判断。出了问题，必须能复盘自然语言如何变成查询。

缓存也要遵守权限。数据问答为了提速，可能缓存问题到结果的映射。缓存 key 必须包含用户权限版本、指标版本和过滤条件，不能只按问题文本缓存。否则两个用户问同一句话，权限不同却命中同一份结果，就会造成越权泄露。

为什么缓存 key 要包含"用户权限版本"而不只是用户 ID？因为权限是动态的。今天 A 用户能看部门汇总，明天他调岗了，权限被收回。如果你的缓存 key 是user_id:question_text，缓存 TTL 设了 30 分钟，这 30 分钟内 A 能看到的数据仍然在缓存里躺着。把权限版本号（比如 RBAC 的 revision 号）拼进 key，权限一变，缓存自动失效。

🚨 踩坑提醒

别把 Schema 全量喂给 LLM。很多开发者图省事，把整个数据仓库的所有表和字段列出来作为 Prompt 上下文。一个中型数仓两三百张表，字段上千个，模型不仅处理慢，还会"脑补"出跨表 Join。正确的做法是只给用户权限范围内的表，且每张表只暴露聚合后的指标，不要暴露明细字段。
PermissionError抛出来要解释原因，不要只甩 403。用户问"我的绩效排名是多少"被拒绝，如果只返回"无权限"，用户会觉得系统有 bug。返回"当前角色仅支持查看部门级汇总数据，不支持查看个人明细"才是对的做法。拒答日志也要单独存，方便 HR/法务后续审查。
小样本结果必须隐藏。即使用户有权看某个维度，当过滤后的结果行数 < 阈值（如 5 条），仍然存在间接泄露个体信息的风险。比如"部门里 35 岁以上、薪资最高的员工"——如果返回了唯一一个人，就等于点名了。系统中应设min_result_threshold，低于阈值的显示为<5或直接不显示。