DevSecOps 把安全装进了软件的 CI/CD，MLSecOps 把同样的哲学装进 AI：模型的上线要过安全门、依赖要扫漏洞、提示词的变更要审、评测要进流水线。AI 应用的安全不能靠事后救火，要靠流水线的门禁。

AI 事故报告制度篇讲的是公共报告制度，这篇讲企业内部的「事件响应 SOP」：Agent 越权执行了操作、模型幻觉造成业务损失、内容生成引发客诉——内部 AI 事件的分级、响应与复盘流程怎么建。

AI 安全的工具生态正在开源社区快速成形：NVIDIA 的 Garak、微软的 PyRIT、Anthropic 的评测框架——红队工程师的瑞士军刀已经组装完毕。盘点主流工具的能力边界，以及「工具好找、用得好的很少」的现状。

AI 安全的岗位需求在爆发，但这个领域的职业地图还没有被好好画过——企业侧的红队与安全工程师、实验室的对齐研究员、政府的评测分析师、独立社区的研究者——四类角色、四条路径、四种修炼。

企业安全治理清单篇给了一张「做什么」的清单，这篇回答「谁来做什么」——AI 治理的组织设计：治理委员会的构成、三道防线的划分、以及一个正在成形的新角色：AI 风险负责人。

中国监管地图篇讲了备案与合规清单，这篇往下挖一层：标准的体系——全国网安标委（TC260）的《人工智能安全治理框架》、系列安全标准与「法规-标准-实践」的传导机制。理解标准层，才算真正理解中国 AI 安全治理的操作面。

LLM 应用出事时，「发生了什么」的答案全在日志里——但 LLM 的日志与 Web 日志完全不同：要记的不是请求-响应，是提示、上下文、模型版本、输出与工具调用。审计日志的设计，是合规与安全的共同地基。

提示注入入门篇讲清了「为什么外部文本不可信」，这篇讲「防御怎么落地」——RAG 与 Agent 场景的四道防线：入口净化、上下文隔离、权限收窄、输出校验。没有单点银弹，只有纵深组合。