Presidio

把客服消息交给模型前，先移除邮箱、业务账号等敏感字段，是 Presidio 常见的接入位置。它提供可扩展的识别和转换组件，适合愿意维护规则、模型与测试集的开发团队。识别结果依然可能误报或漏报，部署完成只是验证的起点。

Presidio 现在由谁维护？

截至 2026-10-18，官方说明项目正从 Microsoft 旗下迁往独立、由社区治理的 Data Privacy Stack，继续使用 MIT 许可。当前应从 Presidio 文档及新 GitHub 仓库进入；旧链接可能重定向。新容器版本发布到该组织的 GHCR，旧 MCR 镜像不再更新，维护已有部署时要单独核对镜像来源、标签和摘要。迁移公告

能放进哪些 AI 工作流？

模型调用之前

在应用拼接提示词前扫描选定的文本，用类型占位符替换已识别的值，再调用模型。需要同时检查历史对话、检索片段、工具返回和附件提取结果。只过滤用户当前输入，无法覆盖其他数据入口。

RAG 入库之前

对解析后的文本做识别与处理，再建立向量索引。源文件、OCR 临时文件、分块副本、元数据和旧索引仍要按自己的保留策略处理。删除文本中的邮箱，不会自动删除文档属性里的作者信息。

日志与评估数据整理

把合成样本和经过审批的数据集用于回归，记录规则版本、实体类型和命中数量。不要为了排查脱敏错误，把完整原文、命中值和请求体写到普通日志里。保留原文做人工复核时，应采用独立受控的存储和访问流程。

核心组件怎么分工？

组件	主要作用	需要自己验证的部分
Analyzer	通过 recognizer 识别文本实体与位置	语言、实体、分数阈值和边界
Anonymizer	对识别出的区间应用替换等 operator	重叠、替换策略和语义保留
Image Redactor	结合 OCR 处理图片中的敏感内容	OCR 漏字、框选范围和底层图像
Structured	处理结构化及半结构化数据	字段语义、嵌套结构和导出结果

这些组件并非同一个开箱即用的文档安全服务。文本、图片和结构化数据需要不同的接入与验收。参考 Analyzer 与 Anonymizer 文档。

中文与自定义规则的边界

官方多语言说明指出默认配置含英语 recognizer 和模型。扩展语言时，要配置适合的 NLP engine，并适配相应 recognizer。邮箱格式能在一段中文消息中被正则匹配，不代表系统已经能可靠识别中文姓名、住址或所有证件号码。多语言说明

业务编号适合先用明确定义的规则：确定前缀、长度、校验方式及上下文，然后加入相似订单号、产品编号等负例。人名、地址和自由描述更依赖语境；不要给每种实体照搬同一个分数阈值。框架产生的 score 也不应被解释为业务上的安全概率。

免费和实际成本

MIT 许可的软件费用为 $0，这不是一个包含服务器、模型、存储和支持的免费托管套餐。实际预算至少包括部署计算、语言模型资源、规则维护、测试集标注、升级回归和异常复核。接入远程 recognizer 或外部模型时，还要核算其费用与数据流向。

如果团队缺少模型与规则维护能力，可以比较 Presidio vs Limina；如果主要在 Google Cloud 上做内容检测和存储数据治理，可以看 Google Sensitive Data Protection 对比。

适合与不适合的团队

适合需要本地处理、扩展业务实体、控制转换策略，并能持续维护回归集的团队。起步时先选一个文本入口和少数实体类型，明确失败时阻断、人工复核还是降级，逐步扩展。

如果预期安装一个库就能自动满足所有语言、附件格式和合规要求，Presidio 的交付边界会超出这个预期。加密、散列、替换和匿名化也有不同含义；保留映射或可恢复密钥时，要继续保护这些材料。

本文依据官方文档整理，并对配套教程的固定自定义规则做本地合成样本测试，未运行生产数据准确率、安全或合规基准。可以从 误报、漏报与脱敏验证教程开始。