保密与安全背后的机制。

本页面描述本站其他地方出现的每项声明背后的机制。每个部分命名一个机制并说明其在管道中的位置。这一切均非无底层实现的政策声明。

简而言之：受访者的声音在任何内容存储之前就被替换为合成声音。离开系统的每一段引用都是当事人实际说过的话。访谈者在每次对话中都会接受审计。数据路径在行和节点级别强制执行租户隔离。客户拥有租户。Anthropic 和 ElevenLabs 在无训练和无留存合同下运营。依据 Anthropic 的使用政策和合规要求，我们不从事军事应用，也不会帮助任何人重新识别受访者。

受访者的音频在零留存模式下通过 ElevenLabs 处理，该模式会在通话结束后删除提供商侧的副本。实体剥离发生在文字记录离开客户边界之前。客户自己租户内的一个代理会依据客户掌控的列表，移除被列入黑名单的姓名、指代和人员标识符。Nexa 不持有该列表，也看不到原始文字记录。该边界由客户拥有代理来强制执行，因此我们自己的员工处于边界之外。

音频留存按每次部署设定。运行公开审计或竞赛的客户会保留录音，因为该用例需要它。对于政策禁止留存语音的客户，配置会使音频永远不会到达我们运营的任何系统。在该配置下，通过声音进行重新识别没有任何可依凭的材料，因为没有保留任何录音。

在需要匿名化音频记录的场景中，清理后的文字记录会被重新生成为一段全新的合成语音。同一数据最小化设计在采集层无需专门合规工作的情况下即可在 HIPAA 级配置中运行。

离开系统的每一段引用都是真实访谈中真实用户轮次的 字面子字符串。确定性过滤器在持久化之前对此进行验证。当过滤器检测到虚构的引用时，它会删除该引用而非重写。另一个交叉污染检查确认感知映射输出中不包含受访者从未提及的实体。当检查触发时，受影响的字段会被清除并标记。

已清理、缩短和翻译的显示层均源自原始逐字内容。没有任何步骤引入新词。原始语言的逐字内容不会被翻译，它以原始语言作为溯源记录保留。

每份报告中的每项声明都通过形如 transcript_id / turn_id / sentence_id 的片段标识符链接回产生它的文字记录。该链接在每次对话中始终存在，无需抽样。这一特性在五十次访谈和五万次访谈时同样成立。

我们的 AI 对话代理基于行为树、协议执行规则、知识领域和每代理护栏构建，所有内容均在版本化规范中定义。审计由独立审计代理单独运行，针对每次访谈在六项协议 KPI 上对访谈代理进行评分：背景交付、档案覆盖率、品牌感知覆盖率、不重复提问、中立性和优雅收尾。

配置代理的协议规范与审计员使用的参考文档相同。双方基于同一来源，因此审计不会悄然偏离其所测量的协议。执行质量欠佳的对话在综合评分中的情报权重会相应降低。

我们尚未发现同类平台中有其他平台能对每次对话的自有工具进行审计。

在任何代理接触真实受访者之前，Claude 扮演模拟受访者的角色，大规模地对访谈代理运行我们的对抗攻击库。攻击库涵盖蓄意混淆、虚假数据注入、信号掩埋和品牌混淆攻击。代理必须识别操控并浮现真实信号。攻击库随平台一起交付，客户可用其特定领域的模式进行扩展。

硬失败会阻止部署。软失败会成为生产监控项。对于每种软失败模式，系统会监测同类失败是否出现在真实对话中。一旦出现，追溯到该时刻的任何情报都将从编译输出中排除。

当客户领域专家告知系统某项解释在其背景下有误时，系统会找到语料库中所有匹配该背景的对话并重新处理。它重新分析、重新标记并重新加权每个匹配项。专家的校正会传播到整个历史语料库。审计轨迹将每个先前的解释与新解释并排保留，确保新旧两版均不丢失。

有两个界面可进行校正。第一个是仪表板注释：专家看到 AI 的解释、来源逐字内容和方法论，并在需要时进行覆盖。第二个是直接通过语音与访谈代理互动，专家将代理作为辅导界面使用，优化内容进入同一校正循环。

同一循环校准半衰期。品牌感知事实在数周内衰减。培训差距事实仅在培训目录变化时才衰减。我们交付基于两年工作校准的基线，Expert-in-the-Loop 针对行业垂直对其进行调整。

安全由数据访问路径本身强制执行。请求与数据之间没有独立的策略层。每个会话票据携带安全范围，该范围级联到调用 LLM 可见的 MCP 工具、可遍历的图节点、可读取的事实存储行，以及引用时可解析的逐字片段。

未授权请求不会以错误拒绝。相反，未授权数据对调用者不可见。特权工具内的恶意行为者只能看到其范围允许的数据。他们看不到更多，也不会收到任何内容被隐藏的信号。

具体来说：Excel 用户使用其 OAuth 会话票据调用我们的 MCP。票据以其范围铸造。基于该范围，系统过滤 LLM 可见的工具列表，在节点级过滤图遍历，在行级过滤 Postgres 读取，并仅为范围内的片段解析引用。

每次部署均在客户自己的租户内运行。默认基础设施是 Cloudflare，即客户自己的 Cloudflare 账户。我们负责搭建，他们拥有所有权。AWS、Azure 和本地部署在不同供应商上遵循相同模型。采集管道、清理后的文字记录、bi-temporal 知识层（基于 Zep 和 mem0 时序模型，以带 Apache AGE 的 Postgres 作为图实现）、事实存储、仪表板和 AI 代理均运行在客户掌控的基础设施上。

架构是开放的，语料库是可移植的。bi-temporal 模型让客户可以回放任意过去日期的语料库状态，与今天进行比较，并审计方法论随时间的演变。如果 Nexa Intelligence 明天关闭，客户将不间断地继续运营。

客户的丰富化语料库是产品本身，不流向模型训练。每个方案默认使用 Anthropic 无训练合同。Enterprise 方案还额外使用无留存合同：客户 LLM 数据在模型提供商处不超过请求时间持续存在。语音在每个方案和每个层级上均与 ElevenLabs 保持无留存运行。

区别很重要：语音在每个账户上均为无留存。LLM 层在每个账户上为无训练，在 Enterprise 上为无留存。所有这些属性均在数据流通之前写入签署的合同。

我们不拒绝客户基于聚合情报做出的战略决策。关闭门店、重组业务单元、重新设计角色，这些都是操作员本就有权做出的决策。语料库的存在是为了为其提供信息。我们不对客户付费采集的情报的使用方式进行编辑评论。

个人重新识别是另一个问题。系统不是为恢复「谁说了什么」而构建的。恢复这一信息将是架构失败，不在任何许可用例清单中。

我们拒绝的事项：

• ×军事应用。
• ×对具名个人的监控。任何可能启用此功能的 OAuth 范围在数据流通之前即被拒绝。
• ×受访者重新识别。安全级联和语音替换链不留任何可用于尝试此操作的句柄。
• ×向第三方出售原始文字记录。
• ×使用客户数据训练第三方 LLM。
• ×将合成受访者扩充冒充为真实采集。

Nexa Intelligence 在 ACET（舍布鲁克大学技术孵化器）内部构建。我们 AI 对话代理背后的行为交互协议是与 CEL 研究项目合作开发的，以一项涵盖 4,000 次访谈的人机对话动态行为研究为基础。

本页上的每项属性都源于特定的设计选择。语音管道没有保留声纹的地方。幻觉过滤器在清理后的文字记录上内联运行。丰富化审计日志是仅追加的。访谈者审计作为协议的第一级步骤运行。安全级联存在于数据访问路径中。系统从第一次部署起就以这种方式构建。