Amazon ToS Compliance Guardrail（亚马逊合规护栏）

1. 解决的问题

LLM 在生成商品文案、广告文案、客服回复时可能无意间违反平台规则（医疗声明、安全认证、受限品类）。Compliance Guardrail 在 LLM 输出端建立三层过滤——从确定性规则匹配到风险评分到人工升级——确保所有面向亚马逊的内容合规。

2. 核心算法逻辑

LLM 在生成商品文案、广告文案、客服回复时可能无意间违反平台规则（医疗声明、安全认证、受限品类）。Compliance Guardrail 在 LLM 输出端建立三层过滤——从确定性规则匹配到风险评分到人工升级——确保所有面向亚马逊的内容合规。

3. 业务应用场景

业务问题：运营用 ChatGPT 生成吸奶器 listing 文案，但 LLM 可能产出违规声明——"clinically proven to increase milk supply""FDA approved design""guaranteed results in 7 days"——这些在 Amazon 上都是红线。

数据要求： - Amazon ToS 结构化规则库：医疗声明（禁止）、安全认证（需有证才能声明）、对比广告（按辖区不同） - EVADE-Bench 风格的多规则 prompt 模板

预期产出： - 合规扫描报告：原文案 3 处违规（医疗声明 × 1 / 无证认证声明 × 1 / 保证性用语 × 1） - 自动修正建议：将"clinically proven"替换为"designed for comfort"、"FDA approved"替换为"meets safety standards" - 风险分级：该 listing 综合风险分 0.72 → 强制覆盖（不送人工）

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• ROI 预估：拦截违规 listing 下架（$2,000-5,000/次 × 15 次/年）+ 账号健康保护；年化止损 5-10 万美元 + 无形风险规避
• 实施难度：⭐⭐☆☆☆（2 星）— 基于规则的初版可快速上线，ML 风险分类器需要训练数据
• 优先级评分：⭐⭐⭐⭐⭐（5 星）— 极高紧迫度（合规），账号安全是业务的底线
• 评估依据：SAFE-AGENT-L 三层框架直接可落地，EVADE-Bench 提供 26 个 LLM 的电商合规评测基线

7. 代码模板

代码块数量：2 · 路径：未检测到

"""
Amazon ToS Compliance Guardrail — 三层合规过滤器
基于 SAFE-AGENT-L 框架
"""

import re
from typing import List, Dict, Tuple, Optional
from dataclasses import dataclass


@dataclass
class ComplianceResult:
    risk_score: float
    violations: List[Dict]
    action: str  # "pass" | "override" | "escalate" | "fallback"
    safe_text: Optional[str] = None


class ToSComplianceGuardrail:
    """亚马逊 ToS 合规护栏"""
    
    # 高危关键词 + 正则规则（母婴品类）
    FORBIDDEN_PATTERNS = [
        (r'(?i)FDA\s*approved', 'medical_certification', 0.9),
        (r'(?i)clinically\s*proven', 'medical_claim', 0.9),
        (r'(?i)guaranteed\s*(result|effect|outcome)', 'guarantee_claim', 0.85),
        (r'(?i)(treat|cure|heal|prevent)\s+\w+\s+(disease|condition)', 'medical_treatment', 0.95),
        (r'(?i)(increase|boost)\s+(milk|breast\s*milk)\s*(supply|production)', 'medical_efficacy', 0.8),
        (r'(?i)safe\s+for\s+(premature|newborn|infant)', 'safety_claim', 0.85),
        (r'(?i)#1\s+(rated|selling|recommended)', 'unsubstantiated_ranking', 0.7),
        (r'(?i)(free|100%|no)\s+(risk|side\s*effect)', 'absolute_claim', 0.85),
    ]
    
    # 安全替换模板
    SAFE_TEMPLATES = {
        'medical_claim': '[已移除医疗声明] 产品设计注重舒适性和易用性。',
        'medical_certification': '产品已通过相关安全标准检测。',
        'medical_efficacy': '产品设计旨在提供舒适的吸乳体验。',
        'medical_treatment': '[已移除治疗声明] 如有健康问题请咨询医生。',
        'safety_claim': '产品按照安全标准制造。具体使用请遵循说明书。',
        'guarantee_claim': '我们致力于提供优质产品和服务。',
        'absolute_claim': '我们提供满意的客户体验。',
    }
    
    def __init__(self, low_risk: float = 0.3, high_risk: float = 0.7):
        self.low_risk = low_risk
        self.high_risk = high_risk
    
    def scan_text(self, text: str) -> ComplianceResult:
        """
        扫描文本，返回合规评估结果
        """
        violations = []
        max_risk = 0.0
        override_text = text
        
        for pattern, category, base_risk in self.FORBIDDEN_PATTERNS:
            matches = re.finditer(pattern, text)
            for match in matches:
                # 上下文加权：句子越长越可能是复杂声明 → 风险微增

8. 论文来源

• 2505.17654