客户数据喂给 AI 前：用豆包做 4 项脱敏检查

要把 200 条客服会话整理给 AI 提炼问题，第一步不是写提示词，是脱敏。四道检查过下来，首轮 63 条有问题——手机号 21、姓名 19、地址 4、可反查的组合 3、商业敏感 16。改完重扫还剩 6 条残留，第三轮才清零。全程 90 分钟，比事后处理一次泄露便宜得多。

一句话结论

脱敏不是把名字和手机号替换成星号，那只是第一道。真正漏得多的是后三道：能反查出个人的字段组合、商业敏感的成交信息、还有图片里自带的上下文。这次 63 条问题里，手机号、姓名、地址三类占 44 条，看着是绝大多数，可剩下的 3 条组合反查、16 条商业敏感、6 条二轮残留在真实场景里最危险，因为它们单看每个字段都没问题。

这篇解决什么问题

三种情况最常见。一是只替换显性字段：手机号打了码，姓名换成了 A 先生，但「杭州 + 32 岁 + 母婴店店长 + 3 月 12 日到店」这一组放在一起，圈子里的人一眼能认出是谁。二是只查正文不查附件：正文清洗干净了，附带的截图里聊天窗口标题就是客户全名。三是改完不重扫：手工替换容易漏，漏的那几条往往就在自己以为已经改过的地方。

根子是把脱敏当成一次性替换动作。它其实是四道不同层面的检查：字段级、组合级、业务级、载体级。四个层面任一层漏掉，前面做的都白费，因为泄露只需要一条路径。

开始前要准备什么

• 待处理的数据集，这次 200 条会话片段，含文本、表格片段与 12 张截图。
• 一份替换对照表：原文与替换值一一对应，存在本地不上传。没有对照表，事后想还原就对不上了。
• 一个正则库：手机号、身份证、银行卡、邮箱、详细地址，五条起步。
• 一条纪律：脱敏后的数据不上传公共存储、不进共享链接。这一步没做，前面四道全白做。

具体怎么做

第一步：直接标识符，用正则全量扫一遍

直接用正则扫，不靠人眼。手机号、身份证、银行卡、邮箱、详细地址五类，一次扫出 44 条命中：手机号 21、姓名 19、地址 4。15 分钟跑完，其中姓名正则最容易误伤，因为中文姓名和普通词语无法区分，这次 19 条里有 3 条是误判，人工复核后排除。

替换规则要统一：手机号保留前三后四、中间固定四位星号；姓名换成「客户A」「客户B」并按出现顺序编号；地址只保留到市级。统一格式的好处是 AI 读到之后仍然理解上下文，不会因为打了乱码而把整段理解错。

这是我待处理的 200 条会话片段（文本 + 表格片段）。

请帮我做第一道脱敏：
1. 用正则定位手机号、身份证、银行卡、邮箱、详细地址，给出命中清单（条数与位置）；
2. 姓名无法用正则精确匹配，请按「疑似人名」给出候选并标注置信度，我人工确认；
3. 统一替换格式：手机号保留前 3 后 4、姓名编号为客户 A/B/C、地址只留市级。

要求：输出替换对照表（原文 → 替换值），我要存本地留底；替换后原文不得出现在输出里。

第二步：查组合，单个字段没问题但合起来能认人

把剩下的属性列出来看组合：城市、年龄段、职业、日期、消费金额区间。单个都做了泛化，可四项凑齐就能锁定到很小一群人。这次找出 3 条，比如「杭州 + 30 到 35 岁 + 母婴店店长 + 3 月 12 日」，这个圈子本来就小，同行一看就知道是谁。30 分钟。

处理办法不是继续把每个字段都模糊化，那样数据就没用了。正确做法是拆掉其中的一到两项：城市保留、年龄段保留、职业改成「零售从业者」、日期只留月份。四项里去掉最独特的那一项，可识别性会断崖式下降，而分析价值几乎不受影响。

这是脱敏后的属性表（城市、年龄段、职业、日期、金额区间已泛化）。

请帮我做组合可识别性检查：
1. 找出「多个泛化字段组合起来仍能锁定到少数人」的记录，说明是哪几项组合导致；
2. 对每条建议拆掉哪一项（优先拆掉在该组合里最独特的那个），并说明拆掉后对分析的影响；
3. 给一个判断口径：组合后可能的候选人群规模低于多少时算高风险。

要求：不要建议把所有字段都模糊化，那会让数据失去用途；要指出具体拆哪一项。

第三步：商业敏感信息，跟隐私是两件事

这一步查的不是个人信息，是不该给外部模型看的经营信息：真实成交价、客户名单、未公开的供应商名与成本、内部考核数据。这次查出 12 条含真实成交价、4 条含供应商名。25 分钟，其中一半时间花在判断「这个价格算不算敏感」上。

判断口径可以简化：如果这条信息被同行看到会造成损失，就算敏感。给到模型的应该是区间或比例，不是绝对值。这次把「成交价 1,280」改成「成交价位于 1,200 到 1,400 区间」，把供应商名改成「供应商X」，提炼结论照样成立。

这是会话片段里涉及价格、客户名单、供应商、内部指标的句子。

请帮我判断敏感度并改写：
1. 逐条标为「可保留 / 需泛化 / 必须删除」，说明依据；
2. 需泛化的给出改写（绝对值改区间、具体名称改代号、精确时间改月份）；
3. 指出哪几条即使泛化后仍不应外发，说明原因。

要求：判断标准是「同行看到会不会造成损失」，不是「是不是个人信息」；改写后要保留分析价值。

第四步：载体级检查，截图和文件名最容易漏

前三步查的都是内容，这一步查内容的容器。12 张截图逐张看四角：聊天窗口标题、文件名、浏览器标签、右下角时间与水印。这次查出 2 张截图的窗口标题就是客户全名，1 张的文件名带门店编号。20 分钟。

截图最麻烦的地方是正文可能已经脱敏，但标题栏不在正文里。做法是逐张裁掉边缘 40 像素再上传，或者干脆重排成纯文本。另外 Excel 导出的表格也有类似问题——隐藏列和批注里经常留着原始数据，导出成纯文本能一并解决。

这是 12 张待上传的截图与 3 个表格导出文件。

请帮我做载体级检查：
1. 截图逐张指出四角是否有可识别信息（窗口标题、文件名、标签页、时间、水印）；
2. 表格指出是否存在隐藏列、批注、文档属性里的作者名与公司名；
3. 给出处理动作：裁切哪一边、裁多少，或者改用什么格式导出。

要求：逐张逐文件给结论，不要给笼统建议；裁切尺寸要具体到像素。

实测记录

素材是 200 条客服会话片段（含 12 张截图、3 个表格导出）。第一道正则扫描 15 分钟、第二道组合检查 30 分钟、第三道敏感信息 25 分钟、第四道载体检查 20 分钟，合计 90 分钟。

结果：首轮命中 63 条问题——手机号 21、姓名 19、地址 4、组合可反查 3、商业敏感 16（成交价 12、供应商名 4）。其中直接标识符只占 44 条，剩下 19 条全靠后三道检查才找出来。改完重扫剩 6 条残留：4 条是改了正文但结构化字段里还留着原值，2 条是截图标题栏没裁。第三轮清零。

要说清一点：二轮那 6 条残留比首轮 63 条更值得记。它们都出在「以为已经改过」的地方——正文改了字段没改、图片内容改了边框没改。所以脱敏必须扫到干净为止，而不是改一遍就上传，这次是三轮才到 0。

最容易错的 3 个地方

第一，只做字段替换。手机号打了码、姓名换成客户A，但城市加年龄加职业加日期凑在一起照样能认人。这次 3 条组合可反查的记录，单看每个字段都没问题。拆掉其中最独特的一项，比把全部字段都模糊化有效得多。

第二，只查正文不查容器。12 张截图里 2 张的窗口标题就是客户全名，1 张的文件名带门店编号——这些都不在正文里，正则扫不到。截图逐张裁边 40 像素、表格导出成纯文本，能把隐藏列和批注一起解决。

第三，改一遍就上传。这次首轮改完还剩 6 条，都是改了正文没改结构化字段、改了图片没改边框。脱敏要扫到零为止，每轮扫完都当成有漏的心态，而不是抽几条看看没问题就发。

可复用的东西

四道检查：直接标识符（正则）、字段组合（可反查）、商业敏感（同行看到是否有损失）、载体（截图与文件属性）。

替换统一格式：手机号留前 3 后 4、姓名编号、地址只留市级，保证 AI 仍能理解上下文。

组合拆一项：不把全部字段模糊化，只拆掉最独特的那项，可识别性断崖下降而分析价值基本不变。

扫到清零：每轮扫完都当还有漏的，这次三轮才到 0，二轮残留全出在「以为改过」的地方。

对照表存本地：原文与替换值一一对应，不上传、不进共享链接，否则前面四道全白做。

如果你也经常要做这件事，欢迎在评论区说说你的卡点和做法；也可以留言告诉我，你想看哪个岗位的哪件活怎么用 AI 拆。

admin 普通

收藏 海报 链接