推动技能集成平台的法律治理

　　近年来，人工智能技能（以下简称“技能”）爆发式增长，正在深刻改变AI产业。如果把智能体比作AI时代的“主角”，技能就是赋予这些主角能力的“灵魂”。所谓的技能，就是连接大模型与外部工具、数据、服务的功能模块。它让AI从只能聊天的对话引擎，变成能够执行复杂任务、调用专业工具、与现实世界打交道的智能系统。技能生态的繁荣极大提升了智能体的能力，但也带来了传统法律框架难以应对的新问题。多个环节叠加时责任归属复杂，信息不对称比以往更突出，现有法律规则明显跟不上技术和产业的迭代节奏。如何在鼓励创新的同时，建立既能合理分配风险、又不至于束缚产业活力的治理框架，已成为亟待解决的现实课题。

　　

　　

　　技能模块在法律属性界定层面存在规制模糊。技能模块是一种可复用、可集成的人工智能功能组件，是将特定任务能力封装为可被智能体调用的标准化接口。传统软件像一台固定的机器，输入输出确定、代码指令清晰、文档齐全、版本固定，而技能模块是“自然语言+代码”的混合体，前面靠大语言模型理解人的输入（结果不确定），后面靠代码执行（结果确定）。这种“一半靠猜、一半靠算”的混合特征，给法律定性带来了难题。传统软件遵循“代码怎么写就怎么执行”的逻辑，而技能模块的接口引入了大语言模型的概率生成，语义空间相对开放，输入输出虽可用参数约束，但很难达到传统代码那种确定程度。此外，技能模块的版本迭代相对灵活，改几句提示词或者提个新要求就能迭代出一个新版本，客观上容易导致版本管理混乱、文档难以匹配技能变化等问题。与单次交互的提示词相比，技能模块的功能形态也发生了质的变化，从“临时指令要求”变成“系统功能插件”。提示词只是用户和大模型之间的一次性对话指令，效果限于特定场景，无法跨场景复用；而技能模块能够独立调用外部工具、访问数据资源，并可以在用户不知情的前提下自主执行操作。当技能被集成到智能体工作流中时，它不再仅仅是对话中的输入指令，而是变成系统运行逻辑中不可或缺的一部分，其自主性、外部连接性和对下游系统的影响力，都远超传统软件组件或单次提示词。因此，对技能模块不能简单套用针对传统软件或提示词的规制框架。

　　技能模块在知识产权保护层面存在适用困难。传统软件作为著作权保护的对象，需要满足独立开发、有形固定、符号化序列等要求，权利边界通过源代码和文档就能清晰划定。技能模块则不同，提示词的设计和代码的编写混在一起，既有语义层面的创造性，又有语法层面的创造性，使得传统著作权法中“思想与表达二分法”难以直接套用。更棘手的是，技能开发高度依赖预训练模型和开源组件，难以确定其独创性边界，“独立开发”的标准在技能上也遇到了困难。同时，技能以可插拔模块的形式存在于平台生态中，版本迭代速度远超传统软件的生命周期管理框架，固定性和确定性都呈弱化态势。简单套用软件法律生态来治理技能模块，将在权利客体认定和保护范围界定上面临双重困境。

　　技能模块对现行法律治理体系构成结构性挑战。第一个挑战是责任分散与归属困难。在传统的软件侵权或产品责任场景中，损害通常可以追溯到特定的软件开发者或产品制造商，责任链条相对清晰。然而，技能模块的运行涉及技能开发者、技能修改者、技能集成平台、大模型提供方、最终用户以及被调用的外部工具和数据服务提供方等多个主体。技能在多个层级中被层层调用，其行为是提示词、模型推理、外部工具响应和环境状态共同作用的结果。当技能模块产生错误输出、泄露敏感数据或触发不当操作时，很难确定究竟是提示词设计缺陷、模型幻觉、工具接口异常还是环境配置等问题所致。这种责任分散的治理困境，使得受害者难以获得有效救济，也难以对潜在的风险源头进行治理。

　　第二个挑战是信息不对称显著加剧。技能模块的提示词设计通常具有商业机密属性，开发者缺乏公开其技术逻辑、训练数据来源和权限范围的外部激励。用户在使用集成技能的应用时，往往不知道这个技能具体调用了哪些数据、访问了哪些外部接口、执行了什么操作。与传统软件通过隐私政策和服务协议告知数据处理方式不同，技能模块的运行逻辑具有更高的动态性和不确定性，同一个技能在不同输入条件下可能调用完全不同的工具链，产生不可预期的数据流。这种信息不对称不仅存在于技能开发者与最终用户之间，也存在于技能集成平台与技能开发者之间。平台在审核上架技能时，往往难以穿透提示词的黑箱，准确评估其真实的数据处理行为和潜在风险。信息不对称的加剧，使得知情同意、风险告知和透明度监管等传统治理工具的有效性大打折扣。

　　第三个挑战是规范供给明显不足。现行法律框架中，缺乏对技能模块这一新型技术形态的直接回应。从产品责任制度来看，传统产品责任规则以物理产品的缺陷及其与损害之间的因果关系为归责基础，难以适用于基于概率生成机制运行的技能模块。在数据法方面，现有规则主要管的是数据收集、存储和传输的静态合规，对技能模块在动态调用过程中实时访问、处理和组合数据的行为缺乏针对性规范。在平台治理方面，现有信息中介责任规则预设的是内容分发和链接聚合的场景，而技能平台对技能运行的控制方式、技术介入深度和收益获取模式，都显著超越了传统信息中介的范畴。规范供给的滞后，使得技能产业在快速扩张的同时，缺乏明确的合规预期和行为指引，既不利于风险预防，也不利于创新激励。

　　

　　

　　尽管技能生态涉及众多开发者、修改者和调用者，技能集成平台在治理结构中仍居于不可替代的关键位置。技能集成平台作为连接模型开发者、技能提供者与普通用户的枢纽，正在重塑人工智能产业的组织形态。技能模块往往需要依托平台提供的应用程序编程接口和运行环境才能实际生效，平台掌握着技能分发的主渠道和运行过程的技术控制。无论技能开发者如何设计其功能逻辑，只要脱离了平台的传播生态、分发网络和调用框架，技能就难以触达用户、嵌入应用以及产生实际影响。更为重要的是，在复杂的责任链条中，平台是用户唯一可以直接低成本追责的对象。当用户因技能运行遭受损害时，往往既缺乏技术能力去追溯技能开发者的身份和过错，又难以向大模型提供方证明模型推理与损害之间的直接因果关系。而平台作为技能分发的组织者和运行环境的提供者，具有明确的市场身份、可识别的法律主体地位和可执行的财产。因此，在用户“委托”人工智能模型、人工智能模型“委托”技能文件的多层委托结构中，平台实质上扮演着次级代理人的聚合者角色，其控制力远超传统意义上的信息中介。

　　技能集成平台作为“守门人”的角色定位，在国际立法趋势中已得到初步确认。欧盟《数字市场法》《数字服务法》等立法对超大型在线平台管理系统性风险的额外义务，以及欧盟《人工智能法》对通用人工智能模型提供者的透明度与系统性风险规制，均反映了平台从信息中介向“守门人”演化的国际趋势。在我国法律体系下，虽然“守门人”概念尚未被立法明确采纳，但《网络信息内容生态治理规定》与个人信息保护法均要求具有实质影响力的平台承担更高的注意义务，这种规制逻辑在技能集成场景中同样具有参考价值。随着平台对技能生态介入程度的加深，以及相关安全审查的技术流程与标准不断成熟，技能集成平台的治理趋势呈现明显的“守门人化”趋势，平台的注意义务不断趋严，单纯的技术中立抗辩空间正在收窄。

　　将技能集成平台定位为治理的关键节点，意味着对其角色的理解需要从“信息中介”迈向“守门人”。传统信息中介的核心功能是信息聚合和传输，它的责任以“通知-移除”规则为边界，只有在知道或应该知道违法内容存在时才承担责任。然而，技能集成平台对技能运行的控制已远超信息聚合的范畴。平台不仅能够决定哪些技能可以上架，还通过应用程序编程接口权限配置、调用频率限制、沙箱运行环境、数据访问边界等机制，对技能的实际运行过程施加实质性控制。平台的技术能力使其能够建立前置性审核、实时运行监控和后置效果评估机制，具备传统“守门人”理论所强调的风险预防能力。与此同时，平台通过技能分发获取收益，具有将合规成本分散到整个技能生态中的经济能力，从效率角度看也有其正当性。确立平台“守门人”的定位，可以为平台承担与其控制能力相匹配的治理义务提供理论依据。

　　“守门人”定位的引入必须警惕规制过度导致的抑制效应。平台义务不能无限扩大，而要与它实际能控制的程度相匹配，这符合比例原则的基本要求。平台对技能运行过程的技术控制程度越高，它应当承担的审核、监测和救济义务就越重。反之，对于平台只能进行形式审查、无法穿透技术黑箱的环节，其义务边界应相应收窄。这种对应关系不仅是对平台权益的保护，更是对治理效率的保障。如果要求平台承担其技术能力无法实现的实质审查义务，只会导致合规成本的不当转嫁和形式合规的普遍化，最终损害用户利益和产业发展。因此，平台只需在其控制范围内承担相应的审查与监督义务，而非对技能的所有行为承担无限连带责任。

　　

　　

　　面向技能集成平台的治理，法律需要构建一套与技术演进速度相适应、与平台角色定位相契合的规范体系。

　　动态安全港机制是激励平台主动治理的重要工具。安全港的本质是“可选合规模板”，监管部门或行业组织发布合规指南后，平台依此建立合规体系，即可对相关风险后果获得法律责任的减免。动态安全港机制构建了“技术标准+合规指南”的双层指引架构。技术标准设定底线要求，具有强制性，涵盖了技能安全测试、数据接口规范、权限边界限定、版本回溯机制等基础要求，任何在平台上架的技能均须满足。合规指南提供行为引导，具有推荐性，为企业提供更灵活、更可操作的合规路径，包括最佳实践范例、风险评估模板、开发者自律公约等。技术标准解决的是不可逾越的底线问题，合规指南解决的是如何更好达标的引导问题，二者相辅相成，共同构成技能治理的规范基础。安全港的“入港”标准是动态发展的，智能体安全规范的更新迭代推动“安全水位”的具体变化。由此，动态安全港机制与“守门人”角色定位在制度层面形成呼应，“守门人”义务为安全港设定了责任边界，安全港则为“守门人”义务的履行提供了激励路径。这种机制将事前激励与事后调整相结合，既为平台提供了合规激励的确定性，又保留了治理弹性以适应技术快速迭代。

　　双重分类治理是确保治理精准性的结构性安排。分类治理采用开源与闭源、功能类型与风险等级的双重矩阵化结构。对于开源技能，由于其代码透明、可审计、社区监督充分，安全性和合规性更容易通过众包方式得以验证。同时，开源社区通常遵循特定的许可证协议，平台可以通过许可证扫描机制快速识别合规风险，因此适用相对宽松的形式审查标准。对于闭源技能，由于技术黑箱无法穿透、训练数据来源不可追溯，用户与平台均难以对其内部逻辑进行实质审查，适用更为严格的准入审核与持续监测标准。在功能类型维度，高风险领域（如医疗诊断辅助、司法决策支持等）的技能适用最严格的标准，包括功能安全认证、专家评估和实时监控；低风险领域（如文档格式转换、天气查询等）则适用普通的合规标准，简化审核流程。两重分类维度的结合形成监管尺度的可调节矩阵，开源低风险技能适用最宽松的监管框架，闭源高风险技能适用最严格的监管框架，其余两类则根据具体风险特征配置相应强度的治理措施，形成矩阵化的治理结构。

　　规范化授权体系是打通权利保护与合规运行通道的基础性安排。该体系需要覆盖人格权、数据和知识产权三个层面。在上架阶段，平台应要求技能开发者就涉及特定自然人形象、声音、姓名等要素提交合法授权证明，对公众人物形象的使用应设置更严格的注意义务标准。在数据使用阶段，应明确技能的数据接口权限边界，禁止技能通过侧信道超额收集数据，确保用户授权范围与技能实际数据使用范围相匹配。在知识产权层面，平台应建立许可证扫描与兼容性检测机制，自动识别技能所依赖的开源组件及其许可证义务，对开源模型的商业使用限制、训练数据的版权归属进行形式审查。在规范化授权体系的实施阶段，应建立多主体互动的法律机制，开发者承担主要的合规义务和法律责任，须对其授权材料的真实性和完整性作出承诺；平台承担审查责任，对开发者提交的授权材料进行形式审查，必要时可以对部分关键授权作实质性核查，并建立高风险开发者及高风险技能动态调整清单，重点审查相关技能授权的真实性和完整性；用户可通过便捷的投诉机制获得权利救济，平台对投诉涉及的技能启动复核并作出处理。这种互动机制在平台能力边界与权利保护需求之间寻求平衡，既尽可能保护权利人的核心利益不因技能化利用而遭受不可弥补的损害，又避免平台因过度审查的规制负担而抑制创新发展活力。

　　〔作者系中国人民公安大学教授、数据法学研究院院长。本文系国家社会科学基金重大项目“算法治理的法律制度研究”（25&ZD233）的阶段性成果。〕

　　● 责任编辑：孙贺