开源项目 PromptMask：利用本地小模型实现数据自动脱敏，防止大模型泄密

针对大模型应用中的数据隐私泄露隐患，开发者推出了名为 PromptMask 的开源解决方案。该项目旨在解决用户在使用云端大模型（如 ChatGPT、Gemini、文心一言等）或第三方中转 API 时面临的密码、API 密钥、IP 等敏感信息泄露风险。传统的数据脱敏方法存在诸多缺陷：基于正则表达式的方法无法识别无固定格式的密码或密钥；基于 MCP 协议的工具存在“AI 先读取后隐藏”的逻辑漏洞，防护滞后；而 NER（命名实体识别）等基于规则的方法缺乏语义理解，容易误杀或导致 AI 无法理解上下文含义。PromptMask 提出了“本地优先”的隐私层架构，利用本地部署的小参数量模型（如 Qwen2.5-1.5B 或文心一言 0.3B）对用户输入进行语义分析。通过优化的提示词工程，本地模型仅生成敏感数据与掩码（如 `${API_KEY}`）的 JSON 映射关系，大幅降低显存占用和延迟。在应用层面，PromptMask 提供了 Python SDK 和 OpenAI 兼容的 API 网关，实现了请求前自动脱敏和回复后自动去码的无感安全防护，为算力有限的用户提供了一种低成本保障 AI 数据安全的可行路径。

事件分析

💡 核心观点：利用低成本小模型作为隐私守门人，通过混合部署架构，在保障数据绝对安全的同时兼顾云端大模型的智能能力。