$ loading_
为AI系统提供安全筛查、风险分级与红队测试，并生成结构化治理报告。
该 MCP 工具材料显示其提供 AI 治理/安全评估类功能，未声明需要密钥或远程端点，且为 MIT 开源，因此整体未见明显高风险红旗。主要需留意其被系统标记为可执行代码，以及文档极少、社区采用度低，导致实际权限边界与数据处理方式可见性有限。
材料明确注明无需密钥/环境变量，未见 API token、账户凭证或第三方授权要求，因此凭证泄露与滥用面较低。
未声明任何远程端点 host，描述中也未体现需要将用户数据发送到外部服务；基于现有材料，未见明确的数据外发路径。
系统客观检查项标记为 executes-code，说明该工具具备在本机执行代码/进程的能力；这属于 MCP 工具常见能力，但 README 缺失使可调用的具体系统能力与限制不够透明，建议按最小权限运行。
描述仅说明会生成结构化治理报告，但未说明读取哪些本地文件、输入数据或工作区资源；未见明确过度授权红旗，但文档不足意味着实际数据访问范围需要安装前自行核实。
正面因素是公开 GitHub 仓库且 MIT 许可，源码原则上可审计；但来源为第三方注册表、社区采用度为 0 star、维护状态未知且 README 缺失，降低了成熟度与可验证性，需先审源码与依赖。
复制安装指令，让 AI 自动完成配置 · 推荐新手
"ai-governance-controls" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请对我们的客服大模型进行上线前治理审查，执行安全筛查、风险分级和基础红队测试，并输出结构化报告，包含主要风险、严重程度、触发示例和整改建议。
一份结构化治理报告，概述模型的安全问题、风险等级、测试发现及改进建议。
请对模型A和模型B分别执行治理评估，比较它们在越狱、敏感内容和误用风险方面的表现，并给出哪个模型更适合受监管场景的结论。
一份对比报告，展示两个模型的风险差异、关键弱点和适用性判断。
请为当前AI应用生成可存档的治理记录，包含安全筛查结果、风险分类依据、红队测试摘要，以及后续监控建议，便于内部审计使用。
一份适合归档和审计的治理文档，内容结构清晰、字段完整。
帮助团队在本地评估欧盟AI法案合规性，识别义务、期限并检查文档缺口