ComplianceAtlas：一种由分类体系驱动、用于自动化《人工智能法案》差距分析与整改的智能体式 AI 框架

评估高风险 AI 系统的监管合规性，需要系统地识别技术差距，例如控制措施缺失、流程不完善或实践评估不深入。合规人员通常通过结构化问卷收集当前实践的证据，组织则通过描述其现有流程、技术能力和架构选择来作答。然而，将这些合规问卷回答转化为具有明确类型且可据以采取行动的差距诊断，目前仍缺乏系统性。本文提出了一套以文献为依据的技术合规差距分类体系，涵盖准确性、鲁棒性、日志记录和人工监督等领域，并将其嵌入 GapToCompliance。这是一个两阶段智能体框架，协调两个专门的智能体：Gap Extraction Agent 从合规领域到具体差距类型进行层次化推理；Remediation Planning Agent 则通过结合语义相似度、监管一致性和工作量估算的多信号评分，对整改措施目录中的措施进行排序。我们在涵盖 6 个 AI 类别的 9 个 AI 系统上，将该框架与四种自动化合规差距检测基线方法进行了比较评估。我们的方法在差距类型识别上的 F1 得分达到 0.831（最强基线为 0.533），整改措施推荐的 P@5 达到 0.872（检索方法为 0.635），展现了其在自动化合规工作流中的良好潜力。这种结构化的智能体协作方式为构建人在回路的合规系统提供了一条路径：自动化差距提取可在保持可审计性的同时减轻专家负担，而分类体系驱动的设计则支持将其扩展至其他新兴监管框架。