上周我们给取证系统装上了"眼睛"——本地多模态视觉模型。成功从一本首版《了不起的盖茨比》中提取出神秘手写题词，全程没有让一个像素流出本地网络。
但感知只是第一步。要把原始文本变成取证结论，往往需要Claude 3.5或GPT-4o这类前沿云模型的"高阶推理"能力。这就陷入了一个隐私悖论：如何把发现结果的上下文发给云端，同时不泄露其中包含的个人身份信息（PII）？
今天我们实现"主权审查器"——一个精准控制的隔离舱，在数据离开边缘节点前就擦除敏感实体。
核心问题：NLP过度审查
传统审查是钝器。简单正则或基础命名实体识别（NER）模型会把作者"F. Scott Fitzgerald"或出版商"Scribner's"一并涂黑，因为它们被识别为PERSON或ORGANIZATION。
在珍本取证场景中，作者姓名不是PII，而是核心元数据。如果把审计对象的名字都涂掉，云端推理代理就废了。系统必须能区分"要保留的元数据"和"要隐藏的PII"。
技术栈：Microsoft Presidio + spaCy
解决方案是集成Microsoft Presidio。与标准正则不同，Presidio允许定义复杂的"识别器"和"匿名器"管道。
底层NLP引擎采用spaCy的en_core_web_lg（大型）模型。这让审查器具备语言上下文能力，理解"Gatsby"出现在书名里应该保留，但私人信件中作为人名出现的"Gatsby"可能需要删除。
架构设计：默认安全
审查器遵循"默认安全"哲学。编排器不问某个提供商是否"危险"，只问它是否本地。
如果提供商是ollama或none，数据保持原样。如果是其他（Anthropic、OpenAI等），"主权保险库"隔离舱自动启动。
精准护盾：白名单机制
为解决"Fitzgerald问题"，我们实现了精准控制白名单。审查器扫描文本前，编排器基于主书目动态构建"安全词"列表：
1. 书名
2. 作者姓名
3. 出版商名称
这些实体作为allow_list传给审查器，指示Presidio即使99%确定它们是PERSON或ORGANIZATION也予以忽略。
代码逻辑很直接：定义LOCAL_PROVIDERS = {'ollama', 'none'}，非本地提供商自动触发审查流程，返回脱敏文本和实体计数，同时记录日志："主权保险库：X个实体已从出口数据移除。"
这套机制的核心价值在于：让本地视觉模型和云端推理模型协同工作，既享受前沿模型的分析能力，又把敏感数据锁在本地。对于处理历史文献、法律档案、医疗记录等敏感场景，这种"边缘脱敏+云端推理"的架构可能是平衡智能与隐私的务实路径。
热门跟贴