大型语言模型（LLM）已广泛应用，但其合规性与安全性仍是难点，尤其是歧视和偏见问题。现有方法多聚焦于训练后对输入输出的过滤，缺乏对模型内部结构的实时监控。我们在分析 LLM 训练流程后发现两大不足：一是检测手段主要是静态的，仅能实现局部优化；二是缺乏贯穿全流程的实时风险识别与缓解，导致灵活性受限。为此我们提出 MASCRDM（Multi‑Agent System for Compliance Risk Detection and Mitigation），在训练阶段引入多智能体协同工作。首先，依据 AI 法律法规构建合规规则，并在合规专家指导下训练专用的合规 LLM。随后，将 LLM 拆解为若干模块，利用合规知识图谱定位关键节点。训练过程中，多个智能体持续监测这些节点，实时给出风险预警并提供改进建议。实验在歧视与偏见基准上验证，MASCRDM 能在保持语义性能的前提下显著提升合规水平，展示了从模型内部系统性降低合规风险的可行路径。
点评