时间容器

在前面几篇文章中，我们构建了三层分类工作流，并沉淀了大量的提示词资产。然而，整套系统如果要真正在企业环境中跑通，横亘在面前的一座大山就是：数据安全与隐私合规。

公文写作天然携带大量敏感信息：领导批示、未公开的业务数据、人事调整动向、核心财务指标。如果将这些原封不动地喂给云端大模型，无异于在裸奔。一旦触发合规红线，所谓的效率提升将变得毫无意义。

在探索如何安全地使用AI辅助公文写作时，我测试了多种方案。今天，我们就来系统盘点一下主流的脱敏方式，并重点聊聊我实测下来效果颇佳的 “端侧小模型脱敏法”，希望能为大家开拓一下思路。

一、 主流脱敏方式盘点与痛点分析

在传统的NLP领域和当前的大模型应用中，脱敏主要分为三种流派：

1. 规则与正则表达式（字典匹配）
   • 逻辑：预置敏感词库（如领导名字、特定项目代号），通过正则表达式在文本中强制替换为 [人名A]、[公司B]。
   • 优点：处理速度极快，成本低，对身份证号、电话等格式化敏感信息极其有效。
   • 痛点：无法理解上下文。“张总”可能被替换，但“老张”可能漏网；“下半年的目标定为XX亿”中的数字可能被误杀。公文语境千变万化，纯规则会显得过于僵硬，导致脱敏后的文本失去原意，大模型难以生成连贯的上下文。
2. 云端大模型指令脱敏
   • 逻辑：在Prompt中要求通用大模型（如GLM-5.2）“识别并替换文中的敏感信息”。
   • 优点：理解上下文的能力极强，能处理“老张”等非标准称谓。
   • 痛点：逻辑悖论。 为了脱敏而把敏感数据发给云端大模型，这本身就构成了泄露。即使厂商承诺不用于训练，也无法消除企业的合规顾虑。
3. 传统本地NER（命名实体识别）模型
   • 逻辑：在本地服务器部署 SpaCy、HanLP 等传统实体识别模型。
   • 优点：数据不出本地。
   • 痛点：泛化能力弱，对公文特定领域的专有名词识别率低，且部署维护成本较高。

二、 破局之道：端侧小模型的降维打击

为了既不泄露数据，又能兼顾上下文理解，我将目光转向了端侧小模型（SLM）。

得益于模型蒸馏和小模型技术的爆发，现在十几B甚至几B参数的模型（如 Qwen-2.5-7B、GLM-4-9B等），在消费级显卡上已经能跑出极为流畅的速度，且具备相当不俗的指令遵循和实体识别能力。

我实测了用本地部署的小模型来执行脱敏任务，效果出乎意料的好。这种方案的核心逻辑是：用本地的小模型做“守门员”，将脱敏后的文本再交给云端的大模型做“主笔”。

具体工作流如下：

1. 素材预处理：将包含敏感信息的原始素材（会议纪要、基层汇报）准备在本地。
2. 本地小模型脱敏：调用本地小模型的API，输入特定的脱敏提示词（如：“识别以下文本中的人名、公司名、未公开财务数据，并用[人名1]、[公司A]、[数据X]替换，保持其他文本原样输出”）。
3. 安全沙箱校验：小模型输出脱敏文本，存入本地缓存。
4. 云端大模型生成：将安全的脱敏文本作为Context，结合提示词模板卡，发送给云端 GLM-5.2 生成公文初稿。
5. 回填还原（可选）：初稿返回后，通过本地脚本，依据脱敏时生成的“映射表”，将 [人名1]反向替换回真实姓名。

三、 分级脱敏方案：成本与安全的动态平衡

正如公文写作有“三层分类”，脱敏方案也应当根据稿件的严肃度和敏感度进行分级，而不是一刀切。

这种分级机制，既保证了日常任务的高效流转，又在关键时刻守住了安全底线。

四、 开拓思路：小模型在未来工作流的想象空间

这次用小模型做脱敏的成功测试，给我带来了比“脱敏”本身更大的启发：在AI时代，大小模型的协同联动将是工程化落地的必然趋势。

在算力昂贵的今天，我们不需要把所有脏活累活都扔给云端千亿参数的大模型。很多特定任务（如文本清洗、格式校验、敏感词过滤、简单实体抽取），本地的7B/8B小模型不仅跑得快，而且完全免费。

脱敏，只是小模型作为“局部神经”的一个典型应用场景。在未来的工作流中，我们可以设想更多：

• 用本地小模型对长篇报告做分段摘要，再交给大模型做整体润色。
• 用本地小模型实时监控输入框，防止误发敏感内容。
• 用本地小模型解析非结构化的日志数据，转化为大模型易消化的结构化JSON。

五、 写在最后

数据安全不是阻碍AI落地的绊脚石，而是倒逼我们构建工程化架构的试金石。

通过引入端侧小模型作为数据防线，我们成功地在云端大模型的强大生成能力与本地数据的安全合规之间，找到了一条可以走通的中间路线。当这道防线建立完毕，我们的工作流才算真正具备了实战韧性。

解决了效率与安全的矛盾后，这套方法论是否还能应用到更广阔的场景中？下一篇，我们将跳出公文的范畴，聊聊这套工作流向PPT制作与学术论文的跨界迁移。