MD规则开发

一、如今的形态

MD 规则（Markdown Rules）是 AI 工具的「行为宪法」——它定义了 AI 的角色身份、回答范围、输出格式、禁止行为和边界条件。在 AI 的推理过程中，系统提示词（System Prompt）是最先被加载的指令，对 AI 的所有后续行为产生最根本的影响。

一个典型的 MD 规则文档包含以下模块：角色定义——「你是一个专业的 HR 顾问，擅长劳动法规和薪酬管理」；输出格式——「所有金额以人民币元为单位，保留两位小数，使用千分位分隔符」；行为边界——「不得提供法律建议，遇到法律问题应建议用户咨询专业律师」；安全约束——「不得透露其他员工的薪资信息」；质量标准——「每次回答必须引用具体政策条款或数据来源」。

目前，大多数企业在使用 AI 时几乎没有系统化的规则设计——要么用平台默认的提示词，要么随便写几条约束。这导致 AI 的输出质量波动大，甚至可能出现合规风险。RayQee 的 MD 规则开发服务就是帮助企业建立这套「AI 行为法规体系」。

二、未来的模式

MD 规则开发将从「文档编写」进化为「AI 治理平台」。

趋势一：规则即代码（Rules as Code）。未来的 MD 规则不再只是自然语言描述，而是可以被机器直接解析和执行的代码化规则。比如「不得透露其他员工薪资」这条规则，将被编码为数据访问控制逻辑，AI 在推理时自动执行，而非依赖对自然语言指令的理解。

趋势二：动态规则适配。不同场景、不同用户、不同时间可能需要不同的规则。未来的规则系统将支持条件触发——比如「当用户是外部客户时，不得透露内部成本结构；当用户是管理层时，可以查看汇总数据」。

趋势三：合规审计自动化。当 AI 的每一次输出都受到明确规则的约束时，合规审计就从「事后抽查」变为「实时监控」。未来的规则平台将自动记录 AI 的每条输出及其匹配的规则，生成合规报告。

需要注意的是，MD 规则开发单独售卖的客单价有限——客户容易认为「不就是写几条提示词嘛」。因此，最佳策略是将其与 Skill 开发、Agent 部署打包为「AI 治理解决方案」，以提升整体价值和利润率。

三、案例场景

案例一：某银行为内部 AI 助手制定了严格的 MD 规则体系，包括：不得对客户承诺具体的贷款利率（需以审批结果为准）；不得透露其他客户的资产信息；所有涉及风险的回答必须附加风险提示语。这套规则体系确保了 AI 助手在辅助理财经理时的合规性，通过了银保监会的合规审查。

案例二：某医疗机构为 AI 诊断辅助系统制定的规则要求：所有诊断建议必须标注「仅供参考，不构成医疗诊断」；当症状描述不充分时，必须追问而非猜测；涉及儿童、孕妇等特殊人群时，强制建议线下就诊。这些规则有效控制了 AI 医疗建议的风险。

案例三：某电商企业为客服 AI 制定了品牌语调规则：回复语气亲切但不过于随意；处理投诉时先表达理解再提供方案；涉及退款时主动告知预计到账时间。统一的品牌语调规则让客户在不同时间段、不同渠道的体验保持一致。