本地案卷脱敏工具

概述

定位

本 skill 是律师保密义务的落地闸口，不是一项普通文本处理功能。它站在"敏感案卷要出门（给云、给人、给工具）之前"，在本地把直接标识符拦下，只让脱敏稿外流。

核心判断：律师达不到本地部署大模型，不等于不能使用云端 AI。 路径是"本地先脱敏 → 云端只分析脱敏稿 → 本地还原或保持脱敏态交付"。敏感数据不出本机，正是不少法律科技 SaaS 难以做到的差异化底线。

能力范围（格式维度）：覆盖多格式文本识别——txt/md/json/csv/代码等纯文本（零依赖）、Word/WPS(.docx)（需 python-docx，保留 run 级排版）、PDF（本地抽文本生成脱敏副本，原件不动）。

用本 skill，你可以：

① 在把卷宗喂给云端大模型 / 类案比鉴 / 对外分享前，于本机一键脱敏（身份证、手机、银行卡、邮箱、住址、姓名、机构名）；支持 txt/md/json/csv/代码等纯文本、Word/WPS(.docx) 文档，以及 PDF（本地抽文本后生成脱敏副本，原件不动）；多格式直接吃、脱敏后原格式出（PDF 为副本模式、丢失原版式）；② 拿到一份脱敏质检报告，看清"脱了哪几类、还剩哪些间接识别符要你亲自复核"；③ 留下一份不含敏感明文的可审计日志，应对执业纪律与合规查验；④ 用本地保管的映射表把脱敏稿还原回原文（去标识化，可还原），或保持脱敏态对外交付。

⚠ 免责声明（每次启用前置必读）

本工具是脱敏辅助工具，非法律意见，不替代律师的专业判断与执业责任。使用即视为你已知悉并同意下列条款：

1. 工具定位（辅助，非判断）本工具仅对文本中的直接标识符做规则化识别与替换，辅助律师完成技术脱敏；它不判断"脱敏是否充分"、不决定"哪些间接识别符必须处理"、不替代你对外提交材料的审查义务。

2. 执业责任不转移脱敏充分性、材料对外提交的合法性，其执业责任始终在律师本人。脱敏稿 / 质检报告 / 审计日志是核查与留痕手段，不构成对任何执业责任的免除，也不替代律师独立复核与法院判断。

3. 不保证绝对脱敏 / 绝对还原本工具基于规则与可选本地模型，存在已知局限（见"四、权责边界"与 references/法律逻辑说明.md）：机构名可能漏脱或切碎、启发式姓名可能误判官职、长数字保护边界外仍可能误判、docx 还原依赖 run 级结构、映射表加密为演示级、PDF 为单向提取脱敏（丢失原版式/表格/签章、无法还原回原 PDF 版式）。工具不承诺、不暗示脱敏结果 100% 完整或绝对安全，也不作"逐字一致还原"的死承诺；是否达到对外交付标准，由律师自行判定。

4. 风险自担因使用（含误用、过度依赖脱敏结果、映射表保管或外传不当等）产生的任何后果——包括但不限于信息泄露、脱敏不彻底导致的责任、第三人损害——工具开发方与分发方不承担任何责任。涉密、重大敏感案件仍应遵守律所内部保密规程与法律法规。

5. 数据主权与合规本工具全程本地运行、敏感数据不出本机；但工具不掌控你的操作环境（本机安全、是否误传脱敏稿或映射表）。映射表（map.json）含真实值，须本地妥善保管、绝不随脱敏文本外传；其丢失将无法还原，其泄露将使去标识化失效。

完整免责条款见 references/免责声明.md，使用前请务必阅读。

安全使用边界（防错解 · 强本地如何真正不出域）

关键澄清（避免错解）：本工具的"强本地"指脱敏引擎（脚本）在用户本机运行；但通过 Agent 对话使用时，你输入/粘贴的文本会被发往云端大模型上下文——这一步发生在脱敏脚本运行之前，脱敏救不了已经发出去的东西。"用了这个本地 skill 就安全"是常见错解，须先点破。

要让"敏感不出域"在 Agent 场景下物理成立，遵循以下调用约定：

• 【推荐·零上云】GUI 文件上传：运行 desensitize_gui.py，浏览器打开 127.0.0.1，用「上传文件」入口选案卷。文件在浏览器本地读取、POST 到本机服务，全程不经过云端大模型——最干净的不出域路径。
• 【Agent 调度·只传路径】：Agent 调用脚本时只传文件路径、禁止用 Read/Grep 拉取案卷原文，并加 --agent 参数。脚本只回传统计 JSON（类别/计数/是否通过/文件路径），Agent 上下文里不会出现任何案卷正文或真实值。

  python scripts/desensitize.py mask -i 卷宗.docx -o 卷宗_masked.docx --names 名单.txt --heuristic --org --agent

• 【红线】：案卷正文永不进入对话输入框；映射表（map.json）绝不随脱敏稿外传。
• 【直接跑·最彻底】：在终端直接执行 CLI（不经 Agent），敏感数据只在 本地文件 ↔ 本地 Python 之间流动，绝对不出域。

一句话原则：脱敏稿 / 质检报告 / 统计摘要不含原文，可安全查看；案卷原文只走本地文件与本地处理，绝不走对话。

一、义务来源（为何必脱）

• 《中华人民共和国律师法》第三十八条：律师应当保守在执业活动中知悉的国家秘密、商业秘密，不得泄露当事人的隐私；委托人或者其他人准备或正在实施的危害国家安全、公共安全及严重危害他人人身安全的犯罪事实和信息除外。
• 《个人信息保护法》：区分"匿名化"（无法识别且不能复原）与"去标识化"（在不借助额外信息情况下无法识别），二者术语与合规效果不同。
• 《数据安全法》：建立数据分类分级保护，重要数据处理者负更重义务。

这些共同构成"敏感案卷在交付外部前须做技术处理"的硬约束——脱敏在此不是可选项，而是保密义务的工程化落地。

二、风险识别（脱什么）

法律人眼里分两类：

• 直接标识符（法定须保护，工具自动处理）：身份证号、手机号、银行卡号、统一社会信用代码、邮箱、住址、姓名、机构名（机构名默认关，由 --org 开启，避免误伤"苹果公司"之类的普通指代）。
• 间接识别符（quasi-identifier，工具提示、律师裁量）：职位（"某区副区长"）、亲属关系（"副区长之子"）、特殊情节、可组合反推身份的表述。AI 无法安全自动判断其脱敏边界，质检报告第三部分会逐一列出，由你定夺。

三、处置层级（怎么脱）

对应术语澄清：

• 去标识化 / 假名化（可还原）：把真实值换成占位符，本地保存映射表。本工具主用此层——兼顾"可还原回原文"与"脱敏稿可自由外流"。
• 匿名化（不可逆）：处理后无法复原，是兜底手段。当某份材料确定不再需要还原时，可直接销毁映射表，使其退化为匿名化状态。

本工具的默认定位是去标识化；是否进一步匿名化，由律师按用途决定。

四、权责边界（红线）

• AI 不替代律师判断：工具识别 + 替换，但"是否脱得充分""间接识别符要不要动"由律师拍板。
• 启发性姓名识别对官职可能误判（如"董"事长被识别为姓"董"），精准场景请用 --names 名单兜底。
• 机构名正则的残余局限：中文无词边界，纯正则无法 100% 区分"机构名"与"紧邻的前文动词/介词"。现已做到——绝不丢字、敏感机构（含下属单位"分局/支队/派出所"、多级行政区划法院/公安局、市场监督管理局）基本捕获；处理顺序已调整为"机构名优先于启发式姓名"，"最高人民法院"类长机构名不再被切碎。仅极个别情形（如"人向北京市公安局"）会把机构名前 ≤4 个汉字一并纳入，属过度脱敏（不泄露、不丢字）；个别机构名仍可能漏脱，由律师复核。更高精度请结合 --names 名单或本地 LAC NER。
• 涉密案件红线：敏感不出域——本工具全程本地，正是为此。
• PDF 为单向提取脱敏：PDF 是固定版式二进制，工具只能抽取"文本层"脱敏并生成新副本（.txt 文本稿或 .pdf 新副本），原件始终不动；副本会丢失原版式、表格、签章，且无法还原回原 PDF 版式（还原为文本稿）。扫描型/图片型 PDF（无文本层）因无文本层，当前免费版暂不支持，需另行本地 OCR 处理。

五、合规闭环（如何留痕）

一次脱敏动作产出四样：脱敏稿、map 钥匙、质检报告、审计日志。

• 质检报告 = 脱敏充分性自查（直接标识符残留 + 间接识别符提示）；
• 审计日志 = 执业行为留痕（谁、何时、脱了哪几类、是否通过），不含原文与映射明文，可随流程合规流转；
• map 钥匙 = 控制权留在律所本地。

三者合起来，应对监管或行业纪律查验时，你拿得出闭环证据。

六、程序节点（何时启用）

落在办案流程里：收悉委托人材料 → 内部协作权限隔离（助理/实习生看脱敏版） → 喂法律 AI 前置 / 提交法院前终检 / 对外分享前 → 本地脱敏 → 使用脱敏稿 → 审计留痕。

七、使用方法

CLI

# 脱敏（纯文本 / 多格式，自动识别扩展名）
python scripts/desensitize.py mask -i 卷宗.txt   -o 卷宗_masked.txt 
  --names 名单.txt --heuristic --org --audit audit.log --operator "张律师/2026刑字第12号"
python scripts/desensitize.py mask -i 卷宗.docx  -o 卷宗_masked.docx 
  --names 名单.txt --heuristic --org

# 批量脱敏（一次多个文件，-i 与 -o 数量一一对应；各文件独立生成映射表与质检报告）
# 免费版单次批量上限 2 份；定制版加 --unlimited 解除上限、不限量批量
python scripts/desensitize.py mask -i 甲案.docx 乙案.txt 
  -o 甲案_masked.docx 乙案_masked.txt --heuristic --org

# 还原（同样支持 .docx，格式与正文保留）
python scripts/desensitize.py restore -i 分析稿_masked.txt  -m 卷宗_map.json -o 分析稿.txt
python scripts/desensitize.py restore -i 分析稿_masked.docx -m 卷宗_map.json -o 分析稿.docx

参数说明：

处理顺序（已调优，避免正则相互"吞字"）：名单姓名 → 机构名 → NER 姓名 → 直接标识符(正则)。机构名先于启发式姓名，避免"最高人民法院"被切碎。

GUI（纯本地 Web，仅绑定 127.0.0.1）

python scripts/desensitize_gui.py   # 浏览器自动打开 http://127.0.0.1:8731/

图形界面提供：原文/姓名名单/前缀/口令/操作人输入，启发式/LAC/机构名勾选，脱敏并质检 / 还原，结果框与质检报告框。所有脱敏、还原、质检均在本地完成，数据不离开本机。

八、产品化串联

它是你现有 skills 的前置网关：

敏感案卷 → 脱敏 skill（本地前置）→ 脱敏稿 → 类案比鉴 / 法律热点分析师 → 本地 map 还原 → 审计留痕

与"敏感不出域"的大厂 SaaS 拉开差异：本地先把关，云只碰脱敏稿。脱敏 skill + 类案比鉴/热点分析师 组合，即是一个能对外讲的完整产品故事。

依赖与边界

• 核心仅 Python 标准库；处理 Word / WPS(.docx) 需 pip install python-docx（本地运行，敏感不出域）；LAC / HanNLP 为可选本地增强（需自行 pip 安装）。
• 映射表口令加密为演示级 XOR；生产环境请改用 cryptography.Fernet。
• 本工具为辅助手段，不替代律师独立复核与执业判断。