高等教育与科研

大学与科研机构采纳 AI 的速度快于其治理 AI 的速度。EDUCAUSE 调查报告称，绝大多数（约 80%）高等教育员工如今使用 AI 工具，而**不到四分之一（<25%）**熟悉其所在机构的 AI 政策（EDUCAUSE AI Landscape / 社区调查， 2025–2026 年 —— 调查估计值；参见市场背景与出处）。这一落差 —— 普遍使用、政策意识薄弱 —— 一句话道尽了高等教育的治理问题。

该领域还有一些约束，使得美国的 SaaS 控制平面难以推销：受经费或 IRB （机构审查委员会）条件约束的科研数据、受隐私法约束的学生记录（美国的 FERPA、欧盟的 GDPR），以及一种去中心化、联邦化 IT 的文化 —— 每个院系都运行自己的技术栈。一个自托管、源码可见的控制平面恰恰因为这些约束而成为自然契合的选择。

控制平面为高等教育所做的三件事

1. 在联邦化的资产清单内强制执行可接受使用政策

AI 的可接受使用政策（AUP）通常是一份无人阅读的 PDF。控制平面把其中技术性的部分转化为可观察、可强制执行的东西：

发现各院系实际使用中的智能体、副驾驶与 MCP 服务器 —— 包括政策从未预料到的影子（shadow）应用。
映射各自能读取或写入什么，并比对已许可与已观察的差异，使某科研组的智能体触及一个从未被授予的系统时显现为漂移。
在平台处于决策路径的位置上，以默认拒绝（deny-closed）方式强制执行那些技术性的界限 —— 审批/HITL、Claude Code hooks PEP、 MCP 工具设卡 —— 而非依赖于人人都读过 AUP。

诚实的范围界定：平台强制执行的是可表达为针对智能体动作与访问的策略的内容。它不裁决学术诚信问题，也不读取意图 —— 它让技术性护栏成为现实，并让其余部分可审计。

2. 将高风险工作隔离在沙箱中

科研与课业常常涉及不受信任的代码、对抗性提示词与实验性智能体。平台的智能体仿真/测试沙箱与**红队（red-teaming）**模块，让高风险行为得以在隔离环境中、远离生产系统地被演练，并记录其结果。

3. 产出归属报告

当出现问题时 —— 一桩数据处理投诉、一次经费合规审查、一份滥用报告 —— 问题始终是谁，在何时，用哪个系统，做了什么。控制平面从仅追加、哈希链式、 Ed25519 签名的账本中给出答案，带有逐边归属置信度与离机（off-box）验证。归属报告派生自真实记录的活动，且报告本身的篡改可被检测 —— 当发现结果会对某个人产生后果时，这一点至关重要。

为何在此处自托管是决定性因素

数据路径中没有供应商云。 采集器运行于机构自有的基础设施之上；访问图仅存储关系（智能体 → 资源，读/写），带有来源与置信度 —— 无载荷、无 PII、无学生或科研内容。无需任何东西穿越供应商云即可被治理。产品没有强制遥测，控制平面默认也不产生出站流量。只有机构明确配置为跨越边界的内容才会跨越校园边界——对机构模型 API 的调用、机构接入的 SIEM/webhook 输出，以及机构配置时使用的外部嵌入提供商。
天生联邦化。 一个多租户、自托管、身份联邦化的控制平面，映照了大学已有的 IT 运行方式 —— 院系自治、中央可见性 —— 而非强迫一切通过单一 SaaS 租户。
气隙与主权选项适合安全的科研飞地（enclave）与欧盟驻留数据，并带有驻留存证（GET /v1/m/compliance/residency）。
AGPL、源码可见、起步无成本门槛。 一位平台工程师或科研计算团队即可将其搭建起来并阅读每一行代码 —— 这正是该领域实际采用的自下而上的采纳路径，而非采购环节设限的 SaaS 合同。