Hugging Face 隐私过滤：资料提交前怎么清理

先确定资料范围与风险等级

先复制一份待处理资料，原始文件设为只读，后续所有清理都在副本上进行。把任务拆成资料类型、写作目的、提交对象和保存期限四项，避免为了“脱敏”删掉模型完成任务所需的业务背景。

• 个人资料：姓名、手机号、邮箱、地址、证件号、账号标识、健康或财务信息。
• 业务资料：客户名称、合同编号、报价、成本、未公开计划、内部链接、密钥和访问令牌。
• 网页内容：登录后的页面、评论中的联系方式、隐藏字段、网页源码里的令牌和带追踪参数的链接。
• 上下文信息：少见职位、具体日期、地点、项目组合和事件顺序。单项看似普通，组合后也可能指向个人或客户。

对每个字段标记为“删除”“替换”“保留”或“人工复核”。涉及密钥、密码、令牌和未公开合同内容时，优先删除；涉及人物关系或业务流程时，通常替换成稳定的占位符。

建立一张敏感字段清单

按五步生成脱敏副本

1. 锁定输入。记录原文件名称、来源、处理人、处理时间和本次写作目标。不要把原文件直接拖入模型输入框。
2. 先做规则过滤。按字段清单搜索邮箱、电话、网址参数、密钥格式、证件号和客户专属编号，再人工检查上下文。自动匹配只能作为初筛，不能当作最终结论。
3. 统一替换方式。同一人物始终使用“客户A”，同一项目始终使用“项目X”，同一部门始终使用“业务部门1”。这样模型仍能理解关系和事件顺序。
4. 保留任务所需事实。保留文章主题、受众、产品类别、流程节点、公开数据和必要时间范围；删除能直接定位个人或暴露秘密的原值。
5. 分离原稿与副本。将原稿放在受控位置，将脱敏副本另存并标记版本。提交模型时只选择副本，并在记录中保存脱敏规则摘要。

用一组小样本核对替换结果

假设原始记录为：“王某，邮箱为 wang@example.com，负责X项目，合同底价为每月58000元，使用密钥提交内部接口。”脱敏后可写成：“客户A，联系方式已移除，负责项目X，价格信息已泛化，凭证已从资料中删除。”

如果需要处理成表格，可先在自己的资料表中建立“原字段、处理动作、脱敏值、复核状态、备注”五列；涉及字段编辑时，也可以参考AI写作资料表的字段编辑方法来保持记录结构清楚。

提交前做一次反向复核

1. 用姓名、邮箱、电话、账号、合同号和密钥关键词再次搜索脱敏副本。
2. 检查被替换内容是否在文件名、表头、批注、链接参数或截图中重复出现。
3. 随机抽取一段，让未接触原稿的同事判断是否仍能直接识别个人或客户。
4. 用写作任务测试副本：要求模型提取主题、角色、流程和公开事实，确认输出没有依赖已删除的隐私值。
5. 对异常匹配、无法判断的字段标记为“人工复核”，不要为了通过自动检查而强行保留或删除。

常见故障与修正动作

• 只替换正文，模型仍能猜出对象。原因是文件名、表头或上下文组合泄露了身份。修正动作：统一检查元数据、标题、链接参数和稀有事件组合，并扩大泛化范围。
• 删得太多，文章失去业务逻辑。原因是把角色、流程节点和时间关系也一并删除。修正动作：恢复非识别性的角色与顺序，用“部门1”“项目X”和月份范围代替原值。
• 同一个人出现多个代号。原因是替换没有固定映射表。修正动作：建立一次性映射表，只在受控位置保存，副本中统一使用同一个占位符。
• 自动扫描没有发现敏感信息。原因是图片、扫描件、错别字或非标准格式未被规则识别。修正动作：先做文字识别或人工查看，再检查截图、附件和隐藏字段。
• 误把公开网页内容全部删除。原因是没有区分公开信息与登录后信息。修正动作：只保留完成写作所需的公开事实，移除登录状态、个人评论、联系方式和追踪参数。

发布或提交前检查清单

• □ 原始文件和脱敏副本已分开保存。
• □ 本次写作目标、资料范围和处理人已记录。
• □ 姓名、联系方式、证件号、账号和凭证已检查。
• □ 客户编号、合同内容、价格和未公开计划已按规则处理。
• □ 文件名、表头、批注、图片、链接参数和附件没有遗漏。
• □ 同一对象在全文使用稳定占位符，关系和流程仍然可读。
• □ 通过反向搜索和人工抽样复核。
• □ 用脱敏副本完成过一次最小写作任务测试。
• □ 异常字段已标记并由指定人员确认。
• □ 提交记录只包含副本版本、规则摘要和复核结论。

验收标准不是“看起来没有隐私”，而是副本中没有可直接识别的敏感值，同时模型仍能依据保留下来的业务事实完成指定写作任务。任何无法确认的字段，都应暂停提交并转人工复核。