为什么你需要给 LLM 的数据"加密"而不是"脱敏"？我写了一个开源工具

问题

你有一批敏感文本想让 GPT-4o 分析------日记、客户咨询记录、体检报告。

传统做法是脱敏：把"张三"替换成 [PERSON]，把手机号删掉。问题是：

不可逆------LLM 输出里的 [PERSON] 你不知道是谁
固定映射------如果张三每次都是 PERSON_1，云端可以跨请求画像
中文支持差------Presidio 的中文需要自己配 spaCy，没有身份证校验

解决方案：语义加密

我做了 argus-redact，把"脱敏"变成"加密"：

python 复制代码

from argus_redact import redact, restore

# 加密
redacted, key = redact("王五在协和医院做了体检，手机13812345678")
# "P-037在[医院]做了体检，手机138****5678"
# key = {"P-037": "王五", "[医院]": "协和医院", "138****5678": "13812345678"}

# 发给 LLM
llm_output = call_gpt(redacted)

# 解密
restored = restore(llm_output, key)
# 王五和协和医院回来了

关键区别：

	传统脱敏	argus-redact
输出	不可读或不可逆	可读且可逆
LLM 能处理？	勉强（语义丢失）	能（语义保留）
key 泄露	无 key	身份暴露（仅该 session）
跨请求关联	可能（固定映射）	不可能（每次新 key）

三层检测

scss 复制代码

Layer 1  Regex    手机号、身份证(MOD 11-2)、银行卡(Luhn)、邮箱、车牌、SSN
Layer 2  NER      HanLP(中文)、spaCy(英文) --- 人名、地名、机构名
Layer 3  语义LLM  Ollama 本地模型 --- "那个地方"、"老王"等隐含 PII

用户可以按需选层：

mode="fast" 仅 regex，亚毫秒，零依赖
mode="ner" 加上 NER
mode="auto" 三层全开

Per-Message Key：为什么重要

ETH Zurich 2026年2月论文证明：LLM agent 可以 $1-4/人的成本反匿名化在线用户（67% recall / 90% precision）。

攻击前提是：同一个人在不同请求中使用相同的假名。

argus-redact 每次 redact() 生成完全独立的 key------"王五"这次是 P-037，下次是 P-003。云端看到的是两个毫无关联的人。

性能

Regex 层，无 GPU：

	M1 Max	树莓派 Zero 2W
短文本	0.06ms	0.98ms
770字	0.28ms	4.29ms
吞吐量	42,789 docs/sec	3,433 docs/sec

LLM API 调用（500-3000ms）才是管道瓶颈。argus-redact 的开销可以忽略。

安装

bash 复制代码

pip install argus-redact              # 核心（仅 regex）
pip install argus-redact[zh]          # + 中文 NER
pip install argus-redact[en]          # + 英文 NER

Python 3.10+，纯 CPU，MIT 协议。

CLI

bash 复制代码

cat journal.txt | argus-redact redact -k key.json > redacted.txt
cat redacted.txt | llm "summarize" > output.txt
cat output.txt | argus-redact restore -k key.json

链接

GitHub: github.com/wan9yu/argu...
PyPI: pypi.org/project/arg...

欢迎 Star、Issue、PR。特别欢迎：

更多语言包（目前支持中英日韩）
更多 PII 类型的 regex
LangChain / FastAPI 集成反馈