给心理测评系统接一个第三方大模型来做报告解读，第一条要划死的红线，是原始答卷不能随便出域。这里的出域，指的是把学生或员工的作答原文、可识别到个人的数据，发送到机构自己掌控范围之外的第三方接口。方便是真方便，风险也是真风险——数据一旦离开自有边界进了别人的服务器，它怎么被记录、会不会被拿去训练、能不能彻底删掉，机构就说了不算了。
出域的到底是哪一层数据
要判断能不能接，得先看清送出去的是哪一层。心理测评的数据大致分三层：最底层是答题原文和可识别身份的信息，中间层是算出来的因子分、风险等级这类结构化结果，最上层是不含身份、只讲共性的脱敏摘要。真正敏感、最不该出域的是第一层；多数报告解读只需要中间层的分数结构，模型据此生成文字解释，并不需要看到逐题作答，更不需要知道这是谁。把该送的和不该送的分清楚，比笼统地问要不要接更有意义。
还要留意一个细节：出域的不只是主体数据，喂给模型的提示词、上下文里若夹带了姓名、班级、题目原文，同样算数据出境。把身份和原文从请求里剥干净，比只盯着主字段更彻底，也免得日志里又留下一份不该外传的明文。返回的那一侧同样要设边界：模型生成的解读里不该回带任何能定位到个人的信息，落库前再过一道校验，避免脱敏在入口做了、却在出口又被拼了回去。
不出域也能用模型的几条路
想借大模型的语言能力，又不想让敏感数据出域，路径不止一条。一种是私有化部署或走机构可控的专属实例，数据在自己的边界内流转，不进公共接口。一种是送模型前先做脱敏和最小化，只给因子分、维度标签这类不指向个人的信息，把姓名、学号、答题原文留在域内。还有一种是分工：结论和判断仍由域内系统按既定规则生成，模型只负责把已经脱敏的结果润色成通顺的解读文字，不参与拿原始数据做推断。橙星云在做报告解读辅助时，走的就是只送必要的结构化结果、原始答卷不出域这条线，模型看不到具体是谁答的，也拿不到逐题原文。
把出域这件事写进合同和日志
选型时光看接口文档不够，得把数据不被留存、不被用于训练、可按请求删除这几条写进和模型服务商的协议里，口头承诺不算数。技术上再补一层可查：每次调用送出了哪些字段、是不是脱敏后的、返回了什么，都留一份调用记录，方便事后核对边界有没有被突破。接第三方模型这件事值得做，但顺序不能反。先把哪层数据能出、走什么通道、留不留调用记录定下来，再谈解读效果好不好。把出域边界当成默认约束而不是事后补丁，模型带来的才是省事，而不是一次说不清去向的数据外泄。