AI时代隐私工具选型指南：按任务分级匹配工具

1. 为什么“按任务选工具”是 AI 时代的第一课

1.1 一个真实踩坑场景：把敏感数据喂给了通用大模型

去年帮一个做跨境电商的朋友处理售后数据，他图省事，直接把包含客户姓名、电话、收货地址的 Excel 表格拖进了一个公开的在线 AI 对话工具，让 AI 帮忙分类整理。结果第二天就收到了平台的风控提醒，账号被临时限制，理由是“疑似批量上传用户隐私数据”。他当时特别委屈：“我就是让它帮我分个类，又没干别的。”

问题就出在这里——很多人把 AI 工具当成一个“黑盒子”，只关心它能不能干活，却忽略了数据进去之后去了哪里、存了多久、谁能看到。这跟把公司公章随手扔在公共打印机上是一个道理，不是工具本身有问题，而是使用场景和工具能力没有匹配上。

我后来帮他复盘，发现他其实只需要一个本地运行的表格处理脚本，或者一个支持“数据不出本地”的桌面端 AI 工具就能搞定，根本不需要把原始数据传到云端。这就是典型的“任务与工具错配”。

1.2 隐私工具不是“越安全越好”，而是“越匹配越好”

很多人一听到“隐私工具”四个字，第一反应就是“那肯定要用最加密的、最复杂的”。但实际工作中，过度加密和过度隔离反而会拖垮效率。比如你只是想让 AI 帮你润色一段公开的产品介绍文案，结果非要走本地部署的大模型，光环境配置就花了两小时，生成速度还慢得让人抓狂，这就属于“杀鸡用牛刀”。

我自己的经验是：先给任务定级，再给工具分类，最后做匹配。任务定级看三个维度——数据敏感度、任务复杂度、协作范围。数据敏感度决定“数据能不能出本地”，任务复杂度决定“需不需要大模型”，协作范围决定“要不要支持多人共享”。这三个维度一交叉，工具选型基本就清晰了。

举个例子，同样是“用 AI 写东西”：

• 写公开的技术博客：数据敏感度低，任务复杂度中等，协作范围单人，直接用在线大模型对话工具就行，效率最高。
• 写包含内部项目代号的技术方案：数据敏感度中高，任务复杂度高，协作范围小团队，那就需要支持“对话记录不用于训练”的企业版工具，或者本地部署。
• 处理包含用户身份证号的表格：数据敏感度极高，任务复杂度低，协作范围单人，那就必须用本地脚本或离线工具，数据绝对不能出设备。

你看，同样是“用 AI 做事”，选型逻辑完全不同。按任务选工具的核心，就是先搞清楚你的数据“能不能见光”，再决定用什么工具。

1.3 本文适合谁看：从个人用户到小团队负责人的选型指南

这篇内容不是给安全专家看的，也不是给已经有一套完整合规体系的大厂看的。它更适合以下几类人：

• 个人自由职业者：经常用 AI 辅助写作、翻译、代码生成，但手头数据涉及客户隐私或商业机密，不知道怎么选工具才安全。
• 小团队负责人：团队开始用 AI 提效，但没人专门管数据安全，你需要在效率和风险之间找一个平衡点。
• 刚接触 AI 工具的新手：看到各种“本地部署”“端侧 AI”“隐私计算”的概念有点懵，想知道到底哪些场景该用哪些工具。

我会尽量用大白话把“为什么这么选”讲清楚，每个建议都会给出具体的判断标准和操作思路，让你看完就能对照自己的任务做决策。不堆术语，不搞恐吓，只讲实际干活时怎么选、怎么用、怎么避坑。

2. 任务分级：先搞清楚你的数据“能不能见光”

2.1 三个维度快速给任务定级

给任务定级不需要复杂的评估表，我平时就用三个问题快速判断：

第一个问题：数据里有没有“不能说的东西”？

这里的“不能说的东西”包括：真实姓名、手机号、身份证号、家庭住址、银行账号、客户名单、未公开的产品设计、内部项目代号、源代码、合同条款。只要沾了其中任何一项，数据敏感度就直接拉到“高”。

第二个问题：这个任务 AI 需要“理解”多少上下文？

如果只是简单的格式转换、关键词提取、错别字检查，那属于“低复杂度”，小模型甚至规则脚本就能搞定。如果需要 AI 理解长文档、做逻辑推理、生成创意内容，那属于“高复杂度”，需要大模型。

第三个问题：产出结果要不要给别人看？

如果只是自己看的草稿，协作范围就是“单人”。如果要发给同事、客户、公开发布，协作范围就是“多人”，需要考虑传输和共享环节的隐私保护。

把这三个问题的答案组合起来，就能得到一个任务分级矩阵：

这个矩阵不是绝对的，但能帮你快速判断“这个任务大概需要什么级别的工具”。一级任务随便用在线工具，二级任务注意一下工具的数据政策，三级任务优先考虑本地或企业版，四级任务必须本地离线处理。

2.2 数据敏感度：从“公开”到“绝密”的四档划分

我把数据敏感度分成四档，每档对应不同的处理原则：

第一档：公开数据。比如已经发布的产品介绍、公开的技术文档、社交媒体上的公开评论。这类数据随便用在线 AI 工具处理，没有任何风险。我经常把公开的行业报告扔给 AI 让它帮我总结要点，效率很高。

第二档：内部数据。比如公司内部的会议纪要、项目排期、非核心的代码片段。这类数据不涉及个人隐私和商业机密，但也不适合公开。处理这类数据时，要选那些明确承诺“对话数据不用于模型训练”的工具。很多主流 AI 工具都有这个选项，在设置里可以关掉“改进模型”的开关。

第三档：敏感数据。比如客户名单、员工信息、财务数据、未公开的产品设计。这类数据一旦泄露，可能造成实际损失。处理这类数据，优先用本地部署的工具，或者支持“端侧处理”的桌面应用。如果必须用在线工具，要确保工具有企业级的数据隔离和加密传输。

第四档：绝密数据。比如身份证号、银行账号、核心源代码、并购谈判条款。这类数据绝对不能用任何在线 AI 工具处理，只能用完全离线的本地脚本或本地大模型。我自己的做法是，这类数据连截图都不截，直接在本地用命令行工具处理，处理完立即删除临时文件。

注意：很多人以为“把数据里的姓名删掉就安全了”，但实际上，地址、电话号码、订单号组合起来，照样能定位到具体个人。脱敏不是简单删几个字段，而是要确保“无法通过任何组合信息反推到个人”。

2.3 任务复杂度：什么时候需要大模型，什么时候脚本就够了

不是所有任务都需要大模型。我见过有人用大模型做“把 CSV 转成 JSON”这种规则明确的任务，纯属浪费算力和时间。判断任务复杂度，看两点：

第一，任务规则是否明确。如果规则可以用“如果……那么……”描述清楚，比如“提取所有邮箱地址”“把日期格式从 MM/DD/YYYY 改成 YYYY-MM-DD”，那用正则表达式或简单脚本就够了，不需要 AI。脚本处理这类任务更快、更准、更安全。

第二，任务是否需要“理解语义”。比如“把这段客户反馈分类成好评、差评、建议”“从合同里找出所有对甲方不利的条款”，这类任务规则模糊，需要理解上下文，才需要大模型。

我自己的经验法则是：能用脚本解决的，绝不用 AI；能用小模型解决的，绝不用大模型。小模型（比如 7B 参数级别的本地模型）在普通笔记本上就能跑，处理摘要、分类、简单问答足够用，而且数据完全不出本地。只有需要复杂推理、长文生成、多轮对话时，才考虑调用更大的模型。

2.4 协作范围：单人自用和多人共享的工具选型差异

单人自用和多人共享，工具选型逻辑完全不同。

单人自用：你只需要对自己负责，工具选型可以更灵活。比如你可以用一个本地脚本处理敏感数据，用一个在线工具处理公开数据，两者互不干扰。关键是养成习惯：处理敏感数据时，先断网，再打开本地工具。

多人共享：你需要考虑“别人怎么用”“数据怎么传”“权限怎么管”。比如团队共用一套 AI 写作工具，那就需要：

• 支持成员账号隔离，A 的对话记录 B 看不到。
• 支持数据导出和删除，方便成员离职时清理数据。
• 支持审计日志，知道谁在什么时候处理了什么数据。

很多企业版 AI 工具都提供这些功能，但个人版通常没有。所以小团队在选型时，不要只看功能，要看权限管理和数据隔离能力。如果团队只有三五个人，又不想花钱买企业版，那可以考虑“每人本地部署一套，通过共享文件夹交换脱敏后的结果”这种土办法，虽然麻烦点，但至少数据可控。

3. 工具分类：从在线对话到本地部署，各自适合什么任务

3.1 在线对话类工具：效率最高，但要注意数据政策

在线对话类工具是大家最熟悉的，打开网页就能用，生成速度快，模型能力强。但它也是隐私风险最集中的地方，因为你的数据要上传到别人的服务器。

我平时用这类工具处理一级和二级任务，比如：

• 润色公开的博客文章。
• 翻译公开的行业资讯。
• 让 AI 帮我头脑风暴一些公开话题的选题。
• 解释一些公开的技术概念。

用这类工具时，我会特别注意三件事：

第一，关掉“数据用于改进模型”的开关。大多数主流工具在设置里都有这个选项，默认可能是开着的，一定要手动关掉。关掉之后，你的对话数据不会被用于训练模型，虽然数据仍然会经过服务器，但至少不会被“学”进去。

第二，不输入任何真实个人信息。哪怕是二级任务，我也会把姓名、电话、地址替换成“张三”“13800000000”“某市某区”这样的占位符。AI 不需要知道真实信息就能完成任务，给它假数据完全不影响效果。

第三，定期清理对话历史。很多工具会保存你的对话记录，方便你下次继续。但这也意味着数据会长期留在服务器上。我一般每周清理一次不重要的对话，重要的对话导出到本地后立即删除。

提示：有些在线工具提供“临时对话”模式，开启后对话记录不会保存。处理稍微敏感一点的数据时，优先用这个模式。

3.2 企业版/团队版工具：多一层管理，多一层保障

企业版工具比个人版贵，但贵在“管理能力”上。我帮几个小团队选过企业版 AI 工具，总结下来，企业版的核心价值有三个：

第一，数据隔离。企业版通常承诺“你的数据不会和其他客户的数据混在一起”，也不会被用于训练公共模型。有些还支持“数据驻留”，也就是数据只存储在指定区域，满足一些行业的合规要求。

第二，权限管理。管理员可以设置哪些成员能用哪些功能，可以查看审计日志，可以远程删除某个成员的对话记录。成员离职时，一键回收权限，不用担心数据留在个人账号里。

第三，统一计费和配额。小团队用个人版，经常出现“某个人用超了额度，其他人用不了”的情况。企业版可以统一管理配额，按团队分配，避免混乱。

但企业版也不是万能的。如果任务涉及四级敏感数据，企业版在线工具照样不能用，因为数据还是要上传到云端。企业版解决的是“多人协作时的管理问题”，不是“数据不出本地的问题”。这一点一定要分清楚。

3.3 本地部署工具：数据不出设备，但需要一点折腾

本地部署工具是我处理三级和四级任务的首选。它的核心优势就一个：数据完全不出你的设备。AI 模型跑在你自己的电脑上，输入输出都在本地，没有任何数据上传到云端。

本地部署的工具大概分两类：

第一类：本地大模型对话工具。比如一些开源的桌面应用，可以加载本地模型文件，提供类似在线工具的对话界面。这类工具适合处理“需要 AI 理解语义，但数据不能出本地”的任务，比如分析内部合同、整理敏感会议纪要。缺点是模型能力比在线大模型弱一些，生成速度取决于你的电脑配置。

第二类：本地脚本和命令行工具。比如用 Python 写的数据处理脚本，调用本地的机器学习库做分类、提取、转换。这类工具适合处理“规则明确、数据量大”的任务，比如批量清洗客户数据、提取身份证号并脱敏。优点是速度快、可控性强，缺点是需要一点编程基础。

我自己的配置是：一台普通笔记本，装了一个 7B 参数级别的本地模型，配合几个 Python 脚本。处理敏感数据时，断网，打开本地工具，处理完直接删除临时文件。这套方案不算完美，但足够应付大部分日常任务。

注意：本地部署不代表绝对安全。如果你的电脑中了木马，或者你把处理后的文件随手传到网盘，数据照样会泄露。本地部署只是“数据不出设备”的第一步，后续的存储和传输环节也要注意。

3.4 端侧 AI 功能：手机和电脑自带的隐私友好选项

最近一两年，很多手机和电脑开始内置“端侧 AI”功能，比如本地照片分类、本地文本摘要、本地语音转文字。这些功能的特点是：AI 模型直接跑在你的设备上，数据不需要上传到云端。

这类功能适合处理三级敏感数据，比如：

• 用手机自带的 AI 功能整理相册，自动分类包含家人照片的相册。
• 用电脑自带的 AI 功能做会议录音转文字，录音文件不出本地。
• 用输入法自带的 AI 功能做本地润色，输入内容不上传。

端侧 AI 的优点是方便，不需要额外安装工具，也不需要配置环境。缺点是功能相对有限，模型能力比在线大模型弱，而且不同设备的功能差异很大。我一般把端侧 AI 当作“第一道防线”：能在端侧处理的任务，绝不传到云端。

3.5 工具选型速查表：按任务等级直接抄作业

为了方便你快速决策，我整理了一个工具选型速查表：

这张表不是死的，你可以根据自己的实际情况调整。比如你的电脑配置很高，本地模型跑得很快，那二级任务也可以用本地工具，更安全。核心原则是：数据敏感度越高，工具离本地越近。

4. 实操过程：从任务拆解到工具落地的完整流程

4.1 第一步：给任务打标签，明确数据边界

拿到一个任务，先别急着打开 AI 工具。花两分钟做三件事：

第一，列出任务涉及的所有数据字段。比如“整理客户反馈”这个任务，涉及的数据字段可能有：客户姓名、联系方式、反馈内容、反馈时间、产品型号。把这些字段写下来，逐个判断敏感度。

第二，标记哪些字段是“必须保留”的，哪些是“可以替换”的。比如客户姓名和联系方式，AI 不需要知道真实值就能完成分类任务，可以替换成占位符。反馈内容和产品型号可能需要保留，因为 AI 要理解具体内容。

第三，确定数据边界。也就是“哪些数据可以给 AI 看，哪些绝对不能”。我一般会把“绝对不能”的字段先删掉或替换掉，再进入下一步。

这一步看起来简单，但实际工作中最容易偷懒。我见过太多人直接复制整个表格扔给 AI，结果把不该给的数据也给出去了。花两分钟打标签，能省掉后面两小时的补救。

4.2 第二步：脱敏处理，把“不能说的”替换掉

脱敏不是简单删字段，而是要在“保留任务所需信息”和“去除个人标识”之间找平衡。我常用的脱敏方法有三种：

方法一：占位符替换。把真实姓名替换成“用户A”“用户B”，把手机号替换成“13800000000”，把地址替换成“某市某区”。这种方法适合 AI 需要理解“不同用户”但不需要知道具体是谁的场景。

方法二：泛化处理。把具体年龄替换成年龄段（如“25-30岁”），把具体收入替换成收入区间，把具体日期替换成月份。这种方法适合做统计分析类任务。

方法三：哈希处理。对需要保持唯一性但不能暴露原始值的字段（如用户ID），用哈希函数生成一个固定长度的字符串。这样 AI 可以区分不同用户，但无法反推原始ID。

我平时用 Python 脚本做批量脱敏，核心代码大概长这样：

import hashlib import pandas as pd def mask_name(name): """姓名脱敏：保留姓氏，名字用*代替""" if len(name) <= 1: return name return name[0] + '*' * (len(name) - 1) def mask_phone(phone): """手机号脱敏：保留前3后4""" phone = str(phone) if len(phone) != 11: return phone return phone[:3] + '****' + phone[-4:] def hash_id(id_value): """ID哈希：生成固定长度字符串""" return hashlib.sha256(str(id_value).encode()).hexdigest()[:16] # 读取原始数据 df = pd.read_excel('customer_data.xlsx') # 逐列脱敏 df['姓名'] = df['姓名'].apply(mask_name) df['手机号'] = df['手机号'].apply(mask_phone) df['客户ID'] = df['客户ID'].apply(hash_id) # 保存脱敏后的数据 df.to_excel('customer_data_masked.xlsx', index=False)

这段脚本处理一千行数据大概只需要几秒钟，比手动替换快得多，而且不会漏字段。脱敏后的数据可以放心用在线工具处理，因为已经无法反推到具体个人。

4.3 第三步：按任务等级选工具，执行处理

脱敏完成后，根据任务等级选工具。我举三个不同等级的实际操作例子：

一级任务示例：润色公开博客文章。

操作：直接把文章粘贴到在线 AI 对话工具，输入指令“请帮我润色这篇文章，保持原意，提升可读性”。生成后人工检查一遍，确认没有改变原意，直接发布。全程不需要脱敏，因为文章本来就是公开的。

三级任务示例：整理内部会议纪要。

操作：会议录音先用端侧 AI 转成文字（录音不出本地），然后把文字稿中的参会人姓名替换成“发言人A”“发言人B”，再把脱敏后的文字稿粘贴到在线 AI 工具，输入指令“请帮我整理成会议纪要，提取关键决策和待办事项”。生成后导出到本地，删除在线工具中的对话记录。

四级任务示例：分析敏感合同条款。

操作：断网，打开本地部署的大模型工具，加载合同文本，输入指令“请找出合同中所有对甲方不利的条款，并给出修改建议”。生成结果保存在本地，处理完后删除临时文件。全程不联网，不截图，不把合同内容复制到任何在线工具。

这三个例子的核心区别就是：数据敏感度越高，工具离本地越近，操作步骤越谨慎。

4.4 第四步：结果输出与清理，不留痕迹

很多人做完前三步就结束了，忽略了最后一步：清理。清理不是可选项，是必须项。我自己的清理清单包括：

• 删除在线工具中的对话记录（如果工具支持）。
• 删除本地临时文件（脱敏前的原始文件、脱敏后的中间文件、AI 生成的草稿）。
• 清空剪贴板（防止敏感内容残留在剪贴板历史中）。
• 如果用了共享文件夹，确认共享权限已关闭。

对于四级任务，我还会额外做两件事：

• 用文件粉碎工具彻底删除临时文件，防止被恢复。
• 检查浏览器历史记录，确保没有意外打开过在线工具。

这些操作看起来繁琐，但养成习惯后，每次也就多花一两分钟。跟数据泄露的风险比起来，这一两分钟太值了。

5. 常见问题与排查技巧实录

5.1 在线工具的数据政策怎么看？重点看这三条

很多人选在线工具时，只看功能好不好用，不看数据政策。其实数据政策里最关键的就三条：

第一条：数据是否用于训练模型。如果政策里写着“我们可能使用你的对话数据来改进服务”，那就意味着你的数据会被用于训练。大多数工具提供关闭选项，一定要关掉。

第二条：数据保留多久。有些工具承诺“对话记录在30天后自动删除”，有些则“无限期保留”。优先选有明确保留期限的工具。

第三条：数据存储在哪里。如果工具承诺“数据存储在本地数据中心”，那相对可控。如果数据要跨境传输，就要额外注意合规问题。

我一般会在工具官网的“隐私政策”或“数据使用条款”页面找这三条信息。如果找不到，或者写得含糊其辞，那就默认这个工具“数据政策不透明”，不用于处理二级以上任务。

5.2 本地部署模型跑不动？先检查这三个配置

本地部署大模型对电脑配置有一定要求。如果跑不起来，先检查这三个地方：

第一，内存够不够。7B 参数级别的模型，量化后大概需要 4-8GB 内存。如果你的电脑只有 8GB 内存，跑起来会很吃力。建议至少 16GB 内存，32GB 更流畅。

第二，有没有独立显卡。有独立显卡（尤其是 NVIDIA 显卡）的话，模型可以跑在 GPU 上，速度快很多。没有独立显卡也能跑，但只能用 CPU，速度会慢一些。

第三，模型文件有没有下载完整。有时候模型跑不起来是因为文件下载不完整或损坏。检查文件大小是否和官方标注一致，不一致就重新下载。

如果配置实在不够，可以考虑用更小的模型（如 3B 参数级别），或者用“量化版”模型（牺牲一点精度换取更低的内存占用）。我自己的笔记本是 16GB 内存加一块入门级独立显卡，跑 7B 量化模型大概每秒生成 10-20 个 token，处理日常任务够用了。

5.3 脱敏后 AI 还是“猜出”了真实信息？可能是组合泄露

有时候你明明把姓名、电话都替换了，AI 还是能“猜出”一些信息。这不是 AI 有多聪明，而是组合泄露——多个看似不敏感的字段组合起来，能反推出敏感信息。

比如你保留了“公司名称”“部门”“职位”“入职年份”，AI 可能通过这些信息推断出具体是谁。再比如你保留了“小区名称”“户型”“楼层”，组合起来可能定位到具体住址。

避免组合泄露的方法是：脱敏后问自己一句“通过这些字段，能不能定位到具体个人或具体业务”。如果答案是“有可能”，那就再删掉一些字段，或者做泛化处理。我一般会保留“任务必需的最小字段集”，其他一律删掉。

5.4 团队协作时怎么保证每个人都按规矩来

团队协作最大的问题是“你不知道别人怎么用”。我帮几个小团队定过规矩，总结下来就三条：

第一条：统一工具。团队统一用同一套工具，不要有人用在线版、有人用本地版。统一工具才能统一管理。

第二条：统一流程。把“脱敏→选工具→处理→清理”这个流程写成检查清单，每个人处理任务前过一遍。清单不用复杂，一页纸就够。

第三条：定期检查。每周花十分钟检查一下团队的对话记录和临时文件，看看有没有人偷懒没脱敏。发现问题及时提醒，不要等到出事了再补救。

这三条看起来简单，但执行起来需要一点纪律。我见过太多团队“规矩定了一堆，没人执行”，最后等于没定。规矩不在多，在于每个人都能记住并做到。

5.5 常见问题速查表

这张表可以打印出来贴在工位上，遇到问题先查表，查不到再深入排查。大部分问题都是流程问题，不是技术问题。

6. 我自己的工具组合与日常习惯

6.1 我的三件套：在线工具、本地模型、脱敏脚本

我日常用的工具组合很简单，就三样：

第一，一个在线对话工具。用来处理一级和二级任务，比如写公开文章、翻译公开资料、头脑风暴。用的时候一定关掉数据改进开关，敏感信息一律用占位符。

第二，一个本地部署的对话工具。用来处理三级任务，比如整理内部会议纪要、分析内部文档。模型选的是 7B 量化版，跑在笔记本上，断网使用。

第三，一套 Python 脱敏脚本。用来做批量脱敏，处理 Excel、CSV 文件。脚本不长，但覆盖了姓名、电话、身份证号、地址等常见字段的脱敏逻辑。

这三样工具覆盖了我 90% 以上的任务。剩下的 10% 是四级任务，我会用完全离线的命令行工具处理，不依赖任何图形界面。

6.2 日常习惯：断网处理、定期清理、不偷懒

工具再好，习惯不好也白搭。我养成了三个习惯：

习惯一：处理敏感数据前先断网。这个动作看起来多余，但能防止很多意外。比如你本来想打开本地工具，结果手滑点开了在线工具，断网状态下在线工具打不开，你就知道点错了。

习惯二：每周清理一次对话记录和临时文件。我固定在每周五下午花十分钟做清理，删除不需要的对话记录，清空临时文件夹，检查剪贴板历史。

习惯三：不偷懒。这是最重要的一条。有时候任务很急，你会想“就这一次，不脱敏了，直接扔给 AI 吧”。但数据泄露往往就发生在“就这一次”的时候。宁可多花两分钟脱敏，也不要冒一次险。

6.3 给不同基础读者的上手建议

如果你刚开始接触这些，不用一下子全学会。按这个顺序来：

第一步：先学会给任务定级。拿到任务先问自己“数据敏感不敏感”，养成这个意识比什么都重要。

第二步：学会基本脱敏。不用写脚本，手动替换姓名和电话就行。处理几次之后，自然就知道哪些字段需要脱敏。

第三步：尝试本地工具。找一个周末，花两小时装一个本地模型，体验一下“数据不出本地”的感觉。装一次之后，以后就轻车熟路了。

第四步：形成自己的工具组合。根据你的任务类型，固定几套工具和流程，不要每次都重新选。

我刚开始也是从“手动替换姓名”做起的，后来任务多了才写脚本。不用追求一步到位，关键是先动起来。

6.4 一个容易被忽略的细节：AI 生成内容的版权归属

最后说一个跟隐私无关但同样重要的问题：AI 生成内容的版权归属。你用 AI 写的文章、生成的代码、做的设计，版权归谁？这个问题目前没有统一答案，但我的做法是：

• 公开内容：AI 生成后人工修改至少 30%，确保有足够的人类创作成分。
• 商业内容：不用 AI 直接生成最终稿，只用来做辅助和参考。
• 代码：AI 生成的代码必须经过人工审查和测试，确认没有版权问题再使用。

这个做法不一定适合所有人，但至少能降低一些风险。用 AI 做事，效率很重要，但安全和合规更重要。