ai-decision-log

通过命令行脚本把 AI 参与的决策（内容、模型、证据、人审人和时间）写入 JSONL 台账，并可生成模型使用与人工审核覆盖率报告，重点标出无人审决策，便于合规复核。

zhaoxinghua09-cell

热度 62.48

最近更新 2026-10-17 08:21:36

分类：安全依赖：代码执行 / 读写文件应用场景：报告撰写 / 工作流 / 数据处理

安装技能

复制下面的话术发给你的 Agent，它会通过 secure-skills 检索并安装该技能。

执行命令安装此 skill： npx secure-skills-cli add ai-decision-log

Metadata

name: ai-decision-log
description: ai-decision-log — AI 参与的决策一键留痕（JSONL）：决策/模型/证据/人审人/时间；--report 统计模型使用与人审覆盖，无人审的决策重点标出。适用场景：当需要AI决策留痕器能力时使用本技能；触发词：ai-decision-log。
slug: ai-decision-log
title: ai-decision-log
version: 1.0.1
display_name: AI决策留痕器
display_name_en: AI Decision Log
agent_created: true
author: 诺声(Logos)@SynomosAI
license: MIT
license_scope: 代码（.py 文件）MIT；本 SKILL.md 与其中理论文本不在 MIT 覆盖范围内（见文末「License & attribution」）
allowed-tools: Read, Glob, Grep, Bash, Write, WebFetch
category: AI 治理
platforms: ["claude-code","codebuddy","openai-agents","cli"]
copyright: SynomosAI
description_zh: ai-decision-log — AI 参与的决策一键留痕（JSONL）：决策/模型/证据/人审人/时间；--report 统计模型使用与人审覆盖，无人审的决策重点标出。
description_en: One-command JSONL logging for AI-involved decisions: decision, model, evidence, human reviewer and time; --report surfaces model usage and human-review coverage gaps.
read_when: ["AI 决策涉及关键业务风险，需留模型/证据链/时间戳","要统计模型使用与人审覆盖率，找出无人审盲区","合规预警：无人审 AI 决策超阈值需立即标记"]
classification: {"skillhub":["security-compliance"],"iso_25010":["Security"]}
risk_tier: medium
risk_rationale: 门禁批量补丁默认 medium：调用 API/读写文件/本地执行，最小权限，密钥走 Secret；若实际涉对外代执行(push/发布/发送/上架)须人工复评，改 high。
tags: ["ai-decision-log","AI 治理"]
ai_protocol: true
spec: usk/1.0
interface: {"type":"cli","entry_point":"scripts/ai_decision_log.py","runtime":"python3","call_pattern":"args"}
input_schema: [{"name":"command","type":"string","description":"add|list|report","required":true},{"name":"decision","type":"string","description":"决策内容（add 用）","required":false},{"name":"model","type":"string","description":"所用模型","required":false},{"name":"evidence","type":"string","description":"证据摘要/@文件","required":false},{"name":"reviewer","type":"string","description":"人审人","required":false},{"name":"file","type":"string","description":"台账 JSONL 路径","required":false},{"name":"json","type":"bool","description":"JSON 输出","required":false}]
output_schema: {"stdout":"追加回执/台账列表/决策报告","exit_code":{"type":"integer","description":"0=OK/PASS; 1=findings/warnings; 2=usage or argument error"}}
capabilities: ["decision_log","audit_trail","governance"]
permissions: {"network":false,"filesystem":false,"subprocess":false}
requirements: {"python_packages":[],"min_python":"3.8"}
changelog: 1.0.1: Bilingual rewrite (full EN+ZH, English first); 1.0.0: initial upload (USK v3)

凡自治之物 · LGD 治理学 · 创造术家族｜评测协议：skill-quality-gate（外部公开评测门禁文档）

English

When to use

Decision audit trail: AI-generated plans/judgments touch key business risk; keep model, evidence chain and timestamp as legal basis.
Coverage stats: periodically compare automated model usage vs human-review coverage to find blind spots.
Compliance alert: un-reviewed AI decisions cross a threshold → flag high-priority risk immediately.

Usage

Main script: ai_decision_log.py.

Input: --decision-data (decision content/JSON), --time-stamp (force timestamp).
Output/report: .jsonl default; --generate-report triggers stats on "no human review" ratio and highlights anomalies.
Run via CLI or integrate into existing workflow APIs.

Flow

Prepare: context, model version, evidence materials.
Run: python ai_decision_log.py with the params above.
Auto-log: structured JSONL record with model + human-reviewer IDs.
Report: per --generate-report, produce coverage/risk stats.
Review: scan "no-review" entries for compliance gaps.
Close loop: backfill or notify owners for uncovered decisions.

Evidence & safety

Evidence: TBD. Version: 1.0.1. Security: no independent scan (TBD).

中文

何时用

决策留痕审计：当 AI 生成的方案或判断涉及关键业务风险，需要保留完整的模型、证据链及时间戳作为法律依据时。
覆盖率统计与优化：需定期评估模型在自动化流程中的实际使用率，并与人工复核覆盖数据对比分析，以发现盲区。
合规性检查预警：在业务流程中检测到无人工审核的 AI 决策超过阈值，需立即生成报告并标记高优先级风险。

用法

主要调用脚本为 ai_decision_log.py。

输入参数：--decision-data 指定待记录的决策原始内容或 JSON 对象；--time-stamp 强制设定决策发生的具体时间戳。
输出与报告：默认输出为 .jsonl 文件，添加 --generate-report 标记可触发统计模块，用于计算"无人审"比例及重点高亮异常案例。
执行方式：通过命令行运行或集成到现有工作流的 API 调用接口中。

流程

数据准备：收集当前决策所需的上下文信息、模型版本号及证据材料。
脚本启动：在执行环境中输入 python ai_decision_log.py 并注入上述参数。
自动记录：系统捕获决策过程，结构化写入 JSONL 日志文件，包含模型与人工标识。
报告生成：根据 --generate-report 配置，生成决策覆盖率及风险统计报表。
重点审查：扫描日志中"无人审"标记的条目，确认是否满足合规要求。
闭环处理：若发现未覆盖决策，立即触发补录流程或通知相关责任人进行人工复核。

证据与安全声明

证据：TBD（暂无评测/徽章链接；产生后在此更新实际链接）
版本：1.0.1
安全：未做独立安全扫描（TBD），结论待补；补全前不作推荐背书。