AI 求职每日一课 · 2026-10-08
第 2 月 · 会构建 · 第 5 周 · 让 AI 找到正确的知识

AI 求职每日一课 · 2026-10-08

检索系统的访问控制必须在查询候选集形成时执行:先由可信服务端身份生成租户与 ACL 过滤,再做向量/关键词召回;不能先搜全库、再让模型或前端藏掉不该看的结果。每个 chunk 都要带可验证的租户、文档状态、版本和权限元数据。

课程阶段:第 2 月 · 会构建

本周主题:第 5 周 · 让 AI 找到正确的知识

今日主课:元数据与租户隔离:让检索只看“有权看到的证据”

今日成果:在最小检索器中按服务端身份过滤候选文档,并用跨租户测试证明没有越权召回

适用岗位:AI 应用工程师 / Agent 工程师 / AI 前端 / AI 后端

预计用时:25 分钟

今日 TL;DR

检索系统的访问控制必须在查询候选集形成时执行:先由可信服务端身份生成租户与 ACL 过滤,再做向量/关键词召回;不能先搜全库、再让模型或前端藏掉不该看的结果。每个 chunk 都要带可验证的租户、文档状态、版本和权限元数据。

今日 TL;DR

检索权限必须由服务端认证身份推导,并在向量或混合召回前过滤;撤权要传播到索引与缓存,未授权候选进入模型上下文就已构成泄露。

今日面试经验 Top 3

  1. tenant_id 从哪里来? 来自认证主体与授权服务;请求值只能与授权集合取交集。
  2. 过滤应放在哪层? 放在检索候选生成前;提示词和前端隐藏不构成安全边界。
  3. 如何验证撤权? 检查 ACL 版本、缓存失效和跨租户回归,未授权候选数必须为零。

为什么今天学这个

课表在第 5 周周四进入“元数据与租户隔离”。10 月 6 日已发布课程讲解析、清洗与分块;10 月 7 日文件缺失,所以不伪造已发布记录。今天承接切分产物,回答“这段证据属于谁、谁可以查、当前是否有效”。周五将学习引用、证据与拒答,再把权限边界延伸到生成结果。

多租户是同一系统服务多个组织或客户。元数据是跟着内容保存的结构化字段,例如 tenant_id、document_id、visibility 与 version。这些字段不是普通提示词。用户不能在请求正文里声明自己属于某个租户,服务端必须从登录态与授权关系推导查询过滤器。

一张图讲清楚

认证身份服务端查授权范围
服务端查授权范围构造不可由用户覆盖的过滤器
问题向量与关键词候选召回
构造不可由用户覆盖的过滤器向量与关键词候选召回
向量与关键词候选召回状态/版本/ACL复核
状态/版本/ACL复核证据交给模型
证据交给模型引用映射与输出审计

过滤器应尽可能进入向量数据库或搜索引擎的查询阶段。召回后再次复核可以防范索引元数据陈旧,但它不能弥补已经把跨租户内容送给模型造成的泄露。

三个核心要点

  • 授权范围来自可信身份,不来自自然语言。 API 从认证主体解析 tenant 与成员角色;查询参数中出现的 tenant_id 只能作为选择意图,必须与服务端授权交集,不能直接照单全收。
  • 权限是候选生成约束,不是排序特征。 先缩小可见集合,再做相似度排序。把租户过滤放到模型提示词里、重排之后或前端隐藏,都已经把未授权内容暴露给下游。
  • 元数据更新与内容版本要原子化。 文档 ACL 或状态变化时,索引必须及时更新。记录 chunk 的文档 ID、版本、来源、租户、权限策略版本和索引时间;失败时宁可暂时不可检索,也不要继续暴露旧权限。

最小可运行示例

Python 3.10+,无需第三方依赖或密钥。保存为 tenant_filter_demo.py,运行 python3 tenant_filter_demo.py。此例用内存列表模拟“数据库先过滤、再排序”,不实现真实身份认证、向量数据库或并发事务。

from dataclasses import dataclass

@dataclass(frozen=True)
class Chunk:
    tenant_id: str
    document_id: str
    visibility: str
    text: str
    score: float

chunks = [
    Chunk("acme", "d1", "tenant", "退款政策:订单签收后七日内可申请。", 0.91),
    Chunk("other", "d2", "tenant", "管理员密码是示例值,不可泄露。", 0.99),
    Chunk("public", "d3", "public", "通用退货流程说明。", 0.74),
]

def retrieve(principal_tenant: str, query: str, limit: int = 5):
    # 生产中 principal_tenant 来自认证与授权服务,不能由 query/body 决定。
    allowed = [c for c in chunks
               if c.visibility == "public" or c.tenant_id == principal_tenant]
    # 这里只用预置分数模拟相似度排序。
    return sorted(allowed, key=lambda c: c.score, reverse=True)[:limit]

result = retrieve("acme", "退款政策")
assert all(c.tenant_id in {"acme", "public"} for c in result)
assert "管理员密码" not in " ".join(c.text for c in result)
print([(c.document_id, c.score) for c in result])

预期结果只包含 d1 与 d3。不要把这个 assert 当作生产级安全证明:真实测试还应验证检索服务的过滤器确实传入数据库、异常路径默认拒绝、缓存键包含租户与权限版本。

生产环境会怎么翻车

  1. 过滤写在模型提示词里。 症状是回答引用了其他公司的私有文件;根因是全库检索结果已送给模型。策略:在召回前执行服务端 ACL 过滤,并测试模型输入中从未出现越权片段。
  2. 前端传入 tenant_id 可被篡改。 症状是修改请求参数就能检索别家内容;根因是把用户选择当授权证明。策略:身份服务给出可访问租户集合,用户参数只允许在此集合里选择;越界请求拒绝并审计。
  3. 撤权后旧 chunk 仍可查。 症状是文档已从工作区移除,答案仍引用缓存结果;根因是索引、缓存和主库权限更新不同步。策略:版本化 ACL,撤权事件驱动失效缓存;检索响应再核对文档状态,不确定时失败关闭。
  4. 缓存复用造成串租户。 症状是相同问题偶发返回其他组织的结果;根因是缓存 key 仅使用 query。策略:缓存键包含 tenant、主体权限版本、索引版本和过滤器摘要,并在租户切换测试中核验。

动手练习

用 20 分钟准备两个租户各 3 条虚构文档,包含一条公开资料、一条租户私有资料和一条撤权资料。让检索 API 分别以租户 A、B 查询相同问题,并尝试篡改请求里的租户字段。完成条件:提供测试记录证明越权 chunk 没进入模型上下文;撤权后缓存失效;日志能用 request ID 追溯租户、过滤器版本、召回 document ID(日志正文不保存敏感全文)。

面试表达

30 秒回答

我会把权限控制放在召回阶段。服务端从认证身份解析租户和 ACL,构造用户不可覆盖的过滤器,让向量或混合检索只产生有权访问的候选;模型提示词和前端隐藏不能承担访问控制。索引带租户、文档版本与权限版本,撤权时同步失效缓存,并用跨租户回归测试验证未授权片段没有进入模型上下文。

追问与 3 分钟回答

如果向量库不支持细粒度过滤,我会先按租户/权限边界拆索引或查询可访问文档 ID 集合,再做检索;不会退化成搜全库后只在最终响应隐藏。要处理共享文档时,将授权关系作为服务端计算的可见集合,避免公开标志覆盖租户策略。对于权限变更,主库保存策略版本,索引与缓存携带该版本;撤权消息失败时提高拒绝策略或暂时禁用该文档的召回。监控未授权候选数必须恒为零,同时跟踪索引新鲜度、撤权传播延迟、过滤器错误率和检索 P95。发现泄露时先阻断受影响索引/缓存、保留审计记录并按事件流程处置,再复盘根因与回归集。

今日自测

1. 基础理解

把 ACL 字段加入 prompt,模型承诺忽略无权材料,是否等于访问控制?不是。内容在到达模型前已经泄露给下游,访问控制必须限制候选集。

2. 工程取舍

用户请求带 tenant_id 时,服务端如何处理?与认证主体可访问租户集合取交集;越权选择拒绝,过滤值由服务端生成。

3. 场景应用

主库撤权成功但索引更新延迟,如何降低风险?在检索结果交给模型前按权威文档状态/ACL版本复核,失败关闭并失效相关缓存;同时监控传播延迟。

市场雷达

本期未核实到最近 30 天内与“检索阶段租户授权”直接相关的新 JD 或技术变更,因此不新增市场信号。

权威来源

明天会用到

明天进入“引用、证据与拒答”:在今天筛出的可见候选之上,判断证据是否足够支持回答,并在无证据或冲突时拒答。