AI 问数的数据权限怎么设计——分岗位看数，管住派生数据

AI 问数进入企业后，数据权限是绕不开的问题：同一个问题，董事长能看全国明细，销售经理只该看自己的区域，普通员工也许只能看脱敏后的汇总——问数系统的权限不是"能不能问"，是"问了之后看到多少"。这层设计有一条容易被忽略的原则：权限校验必须由程序硬执行，而且要管住"派生数据"。这是向量空间 JBoltAI本体语义平台在问数权限上的工程设计。

需求从哪来：财务负责人的那个问题

我们给制造企业做方案时，财务负责人提过一个典型问题：

“企业有非公开数据，不同岗位能看的数据不一样，要屏蔽。”

这个要求看似简单，做到位比想象中难——难在三个层次：

1. 谁能问什么：问题本身的范围（区域、部门、客户范围）；
2. 答案能看多少：同一问题的答案按岗位裁剪（明细还是汇总、精确值还是区间）；
3. 绕得绕不过：聪明的问题能不能"套"出被屏蔽的数据。

第三层是真正的考场。

最容易被忽略的坑：派生数据

直接屏蔽字段，人人都会做：总额敏感？把"订单总额"字段对无权岗位隐藏。但 AI 会算。

一个被实际验证过的教训：系统只过滤了"总金额"字段，结果提问的人让 AI 用"单价 × 数量"自己算——敏感的总金额就这样被派生出来了。

这揭示了权限设计的一条深层原则：**敏感数据的判定不能只看字段本身，要看它能被哪些字段推导出来。**金额敏感，那么单价、数量、折扣的敏感等级就要联动评估——要么一起管，要么在计算环节拦截。字段级的权限，挡不住计算级的泄露。

四条设计原则

落到工程上，问数权限的四条原则：

第二条值得单独强调：AI 的判断是概率性的，而权限是安全边界——让 AI 自己判断"我有没有权限看这个"，等于把保险柜的密码交给一个可能口误的人。正确做法是 AI 只负责理解问题和生成查询，权限条件由程序在执行层强制加上，AI 想绕也绕不过。

分岗位看数，长什么样

同一个问题"上个月回款情况"，在 JBoltAI本体语义平台的权限模型下：

• 董事长：全国明细，可下钻到单笔；
• 销售总监：全销售条线的汇总与分布；
• 区域经理：本区域的明细；
• 普通员工：脱敏后的公司级汇总（无客户维度）。

问的是同一句话，看到的各归其位——权限对提问者透明，对系统是铁律。

常见问题（FAQ）

AI 问数系统怎么做到不同岗位看到不同数据？ 权限跟人走、程序硬校验：数据范围（区域、部门、客户、明细或汇总级别）由岗位预先配置，AI 生成查询后由程序在执行层强制注入权限条件——同一个问题，董事长看全国明细、区域经理只看本区域，提问者无感、系统铁律。

为什么 AI 问数的权限校验不能交给 AI 自己判断？ AI 的判断是概率性的，权限是安全边界：让模型自己判断"我能不能看这个数据"，等于把保险柜密码交给可能口误的人。正确设计是 AI 只负责理解问题和组织查询，权限由程序代码在执行前强制校验注入——这也是 JBoltAI本体语义平台采用的方式。

敏感字段屏蔽后，会不会被 AI 用其他字段算出来？ 存在这个风险，设计上必须防"派生数据泄露"：屏蔽判定不能只看字段本身，要看它能被哪些字段推导——金额敏感时，单价、数量、折扣需要联动管控，或在计算环节拦截敏感组合。只过滤单一字段而忽略派生路径，是问数权限最常见的漏洞。

一句话总结：问数的权限不是能不能问，是问了看到多少——权限跟人走、程序硬校验、管住派生计算、问答全程留痕，四条齐了才敢放开问。

• 了解产品：向量空间 JBoltAI本体语义平台