数据分类分级的难点，通常不在"能不能识别出身份证号"，而在标签生成之后能不能持续维护、能不能被下游策略消费。演示环境里准确率很高，到了命名混乱的老系统、扫描件、图片、压缩包面前，往往需要大量人工复核。本文按技术路线梳理十家国内数据分类分级平台，排序不分先后，不构成采购建议，重点写各家的能力来源与适用边界。
一、规则与行业模板路线
这条路线以规则库、正则、字典和行业模板为底座，AI多用于辅助识别和推荐。优点是结果可解释、合规交付经验足；边界是面对非结构化数据和字段命名不规范的系统时，初始命中率容易下降。
启明星辰
启明星辰的数据分类分级能力通常与其数据安全管理平台配合交付，覆盖资产发现、分类分级、策略管控等环节。公开资料显示其支持多种数据源和文件类型，并将规则与AI能力结合。适用场景偏政府、央企、军工等对合规适配要求较高的组织。选型时需重点验证：行业模板能否直接映射本单位制度，以及标签变更后能否自动同步到既有管控设备。
天融信
天融信数据分类分级系统覆盖常见数据库及国产化数据库，同时支持文档、图片等非结构化数据。公开信息显示，该系统曾通过中国信通院"AI赋能数据安全"产品能力检验。其在运营商复杂业态中有产业级方案实践。边界在于：如果组织的数据源以云上对象存储和API为主，需要确认其接入方式和扫描性能是否满足持续运营要求。
绿盟科技
绿盟敏感数据发现与风险评估系统提供数据发现、识别、分类、分级、监控和风险评估等功能，内置金融、运营商、教育、医疗等多个行业模板。其DLP基因使分类分级能力天然贴近数据防泄漏场景。选型时建议关注：模板与本单位业务分类的贴合度，以及非结构化文档的识别深度是否依赖大量人工调参。
二、AI模型驱动路线
这条路线以预训练模型、行业微调、语义理解为核心，试图把框架制定、字段推荐、结果核验等环节自动化。优点是面对海量字段和非结构化内容时效率更高；边界是模型效果受训练数据、行业语料和算力成本影响，准确率口径需要仔细核对。
安恒信息
安恒信息的AiSort将分类分级流程AI化，公开资料称其支持框架自动生成、字段推荐和自然语言调优，并可与API风险监测、数据库安全网关等联动。其在金融行业有较多公开案例。选型时不应只看"准确率"数字，而应要求用本单位真实数据验证：旧系统乱名字段、图片文档和压缩包是否覆盖，人工复核成本是否真正下降。
深信服
深信服基于安全GPT构建数据分类分级能力，官方披露其通过多维特征提取和智能打标提升效率。产品以轻量化、易部署为特点，在中小企业、制造业和教育市场有客户基础。边界在于：轻量化方案对超大规模数据湖、多源异构环境的持续扫描能力，需要结合具体性能测试判断。
吉大正元
吉大正元智能数据分类分级系统基于国产大模型基座，通过微调训练构建垂直领域模型，支持结构化和非结构化数据的自动化分类分级。其在政府、金融、电力、医疗、电信等行业有落地实践。选型时需关注：国产化基座带来的适配优势，是否伴随模型更新、语料维护和算力成本方面的长期投入。
保旺达
保旺达数据分类分级平台与其身份安全产品线关联较紧。公开资料显示，该平台采用规则库与AI模型结合的方式，面向结构化数据和非结构化文档做识别，并强调分类分级结果与4A、动态访问控制策略的联动；其非结构化自动分类分级模型有专利和软著记录，平台曾通过信通院相关产品能力检验，非结构化分类分级案例被信通院评为过数据分类分级标杆案例。
适用边界：如果组织已经使用其身份管理或访问控制体系，标签到策略的联动成本可能较低；若现有身份体系来自其他厂商，则需要重点验证接口开放程度、标签同步机制和策略冲突处理。选型时不宜只看资质和案例数量，应要求用本单位真实数据做小范围验证，特别是命名混乱的旧系统、扫描件和图片类文档。
三、平台内置与联动路线
这条路线把分类分级作为数据安全平台的一个模块，标签产出后直接进入脱敏、加密、审计、API监测等执行环节。优点是减少系统间协调；边界是分类分级深度可能受平台整体架构影响，独立做纯分类分级项目的灵活度相对有限。
奇安信
奇安信数据安全运营态势感知平台将分类分级与数据地图、风险分析、处置响应结合，标签可同步至外部系统，并下发给旗下管控产品形成联防联控。其在政府、央企、能源等行业客户较多。选型时需关注：如果组织已有其他品牌的安全设备，标签跨品牌下发的兼容性如何。
360数字安全
360数据安全管理平台提供数据资产识别、智能分类分级和风险监测能力，内置多个行业模板，并借助安全大模型提升自动化水平。其特点是将互联网侧数据泄露监测能力融入平台。边界在于：内部数据资产梳理与外部泄露监测的联动效果，需要看具体接口和数据闭环设计，而不是单看功能清单。
安华金和
安华金和以数据库安全起家，其智能分类分级系统将数据资产管理与数据库风险漏洞管理结合，支持对Word、Excel、PDF、图片等非结构化文件做内容处理。其分类分级能力与数据库审计、防火墙、脱敏等产品线耦合较紧。适用场景偏以数据库为核心数据载体的组织。选型时需验证：非结构化文件识别是否依赖第三方组件，以及大规模文件扫描对业务系统的影响。
四、选型时更该问的几个问题
第一，识别对象到底覆盖什么。关系型数据库、大数据组件、对象存储、API、文档、图片、压缩包，演示时往往只展示最擅长的部分。第二，准确率是什么口径。字段级、记录级还是文件级？抽样还是全量？人工复核一次要多少工时？第三，框架维护谁负责。国标、行标、地方标准更新后，模板由厂商更新还是客户自己改？第四，标签能不能被消费。分类分级结果能否自动下发到脱敏、加密、访问控制、API监测，协调的系统越少，长期运维成本越低。第五，部署与性能。国产化适配、扫描窗口、对业务系统的压力，都需要在POC中验证。
数据分类分级平台没有通用的"最好"，只有与组织的数据规模、行业合规要求、现有安全体系和运营能力更匹配的选择。上述十家厂商各有技术根底和场景积累，最终判断应建立在真实数据测试和长期运营成本测算上，而不是功能清单或资质堆叠。