本地离线脱敏软件如何守护法律文本安全

一、为什么法律材料在AI处理前需要先脱敏

法律工作中的合同审阅、证据梳理、时间线整理、争议焦点提取、庭审提纲生成等任务，正在越来越多地借助大模型与智能工具完成。大模型确实可以显著压缩重复性工作，但在法律场景中，原始材料通常不是普通文本，而是包含着高度敏感的数据。

典型敏感信息包括：客户姓名、身份证号码、手机号码、住址、银行卡号、病历信息、工资收入、案号、证人信息、家庭成员关系、企业名称、合同金额、印章图像、签名、指印以及二维码等。这些信息一旦直接提交给在线AI系统，就可能进入平台日志、缓存、检索链路、人工审核流程或统计分析样本中。

即使平台声称不会保存文件或对话记录，用户也很难验证以下问题：

• 数据是否被持久化存储；
• 会话内容是否进入日志系统；
• 是否有内部人员可以访问原始材料；
• 客户是否明确同意将原始材料交给第三方处理；
• 发生安全事件时能否准确定位影响范围。

因此，对律师和法务而言，更稳妥的习惯不是默认平台不会出现问题，而是先将不应外泄的信息处理掉，再把脱敏后的材料交给AI。这样才能在利用智能工具提升效率的同时，守住职业伦理与合规边界。

二、手工打码为什么不够可靠

不少从业者会先通过截图、画黑框、打马赛克等方式处理文件，再上传给AI。这种方式直观且易上手，但在真实工作流中存在明显不足。

2.1 材料数量多时容易遗漏

一份证据包中可能同时包含Word文档、PDF文件、扫描件、聊天截图和手机照片。手机号可能出现在正文中，也可能落在页眉、页脚、批注、图片水印或附件封面里。手工逐页查找不仅耗时，而且在高压工作节奏下极易漏掉关键字段。

2.2 视觉遮挡不等于数据删除

部分PDF文件只是在页面表层绘制了黑色矩形或马赛克块。人眼看不到原始内容，但文字层仍然完整存在。用户复制、搜索或提取文本时，底层的身份证号、手机号、住址仍然可以被读取。

这意味着，如果只是“看起来遮住了”，AI系统依然可能解析出原始文字并参与后续处理。对于法律材料而言，这属于实质性风险。

2.3 手工处理结果难以复核

哪些位置被修改、哪些同名实体被遗漏、哪些误处理需要恢复、哪些文件版本已经脱敏，仅靠截图和临时目录很难系统管理。尤其是多人协作或跨设备处理时，缺少留痕机制会让问题进一步放大。

因此，脱敏工具的核心价值不只是“自动打码”，而是把识别、复核、替换、脱敏、导出和留痕放进同一个可管控的流程中。

三、本地离线脱敏的基本思路

面向经常处理敏感材料的法律从业者，本地离线脱敏软件提供了一种更可控的路径。其核心边界非常明确：脱敏处理完全在本机完成，原始材料无需上传至云端识别。

本地离线处理具有以下优势：

1. 数据不离开设备：文件解析、实体识别、替换、导出均在本地执行，减少网络传输带来的泄露面。
2. 便于内部流程管理：脱敏结果可以按项目保存，配合审计记录形成可追溯链条。
3. 降低合规解释成本：当客户询问原始材料是否被第三方系统读取时，可以清晰说明处理方式与边界。
4. 适用于网络隔离环境：部分律所、企业法务部或涉密项目不允许将文件上传公网，本地工具更符合此类要求。

常见使用流程如下：

导入文件
  ↓
识别敏感字段与图像区域
  ↓
生成候选脱敏列表
  ↓
人工复核与确认
  ↓
执行替换或遮盖
  ↓
导出脱敏副本
  ↓
生成处理记录

四、文本类敏感信息的识别与替换

法律材料中的文本敏感信息可分为可直接识别个人身份的信息、财产信息、案件信息与组织信息几类。准确识别是脱敏的前提。

4.1 常见敏感字段

• 个人身份类：姓名、性别、出生日期、身份证号、护照号、户籍地址；
• 联系信息类：手机号、固定电话、邮箱、即时通讯账号；
• 财产信息类：银行卡号、账号、工资、房产地址、车辆信息；
• 案件信息类：案号、法官姓名、书记员、证人信息、代理律师信息；
• 组织信息类：企业名称、统一社会信用代码、合同编号、合同金额；
• 生物特征与图像类：签名、指印、印章、二维码、人脸照片。

4.2 识别方式

在本地环境中，可以采用规则匹配与上下文分析相结合的方式。例如：

• 身份证号：依据长度、校验位和出生日期段进行识别；
• 手机号：依据号段规则与上下文语义判断；
• 银行卡号：结合Luhn校验与前后文关键词；
• 案号：依据法院代字、年份、案件类型与序号格式；
• 企业名称：结合行政区划、行业词、组织形式后缀。

规则匹配适合格式固定的字段，上下文分析则适合判断字段是否真的属于敏感信息。例如“北京市朝阳区人民法院”作为机构名称，与“北京某贸易有限公司”同样出现在文本中，但处理策略可能不同。

4.3 替换策略

替换不是简单地把内容删除。法律材料通常需要保持可读性、逻辑完整性和上下文一致性。

常见替换方式包括：

• 统一替换：例如将所有手机号替换为[手机号]；
• 实体序号化：例如将“张三、李四、王五”替换为“人员A、人员B、人员C”；
• 角色化替换：例如将“张三”替换为“原告”，将“李四”替换为“被告”；
• 金额区间化：例如将“月工资18,500元”替换为“月工资约[金额区间]”；
• 案号半保留：保留案件类型与年份，隐藏具体序号。

替换后需要保持语句通顺，避免因为实体消失导致上下文无法理解。例如：

原文：张三于2023年5月向李四转账人民币200,000元。
脱敏：甲方于2023年5月向乙方转账人民币[金额]，该笔款项用于[用途]。

五、图像类敏感信息的处理

扫描件、照片、聊天截图和PDF内嵌图片中，敏感信息常以图像形式存在。这类数据无法通过文本替换处理，需要结合图像分析与区域遮盖。

5.1 常见图像风险点

• 身份证正反面照片；
• 银行流水截图；
• 合同落款处的签名与指印；
• 企业公章、合同专用章；
• 二维码或条形码；
• 人脸照片；
• 聊天记录头像与昵称。

5.2 处理方式

对于图像类信息，通常采用检测加遮盖的方式：

1. 检测敏感区域，例如签名区、印章区、二维码、人脸；
2. 使用不透明色块或像素化方式遮盖；
3. 确保遮盖后无法通过裁剪、调色、对比度调整等方式恢复；
4. 输出去除底层识别信息的图像副本。

需要特别注意的是，有些PDF中的“遮盖”只是在显示层绘制矩形，并未删除底层图像或文字。更稳妥的方式是重新生成页面内容，确保遮盖区域已经合并到最终输出文件中。

六、PDF底层文字残留问题

PDF是法律材料中最常见的格式，也是风险最隐蔽的格式之一。

6.1 问题来源

部分PDF由扫描图片转换而来，部分由Word或排版软件导出。不同生成方式的PDF，其文字层和图像层结构差异很大。一些PDF允许用户在页面上添加矩形注释，但注释与原始文本是分离的。当用户把这样的文件上传给AI时，解析工具可能直接从文本流提取内容，而不会受到矩形注释影响。

6.2 处理建议

对于PDF材料，建议采取以下步骤：

1. 提取并检查文字层，确认是否存在敏感信息；
2. 对文字层进行替换或删除处理；
3. 对图像区域进行像素级遮盖；
4. 导出新的PDF文件，确保原文字层已更新；
5. 再次搜索常见敏感字段，验证是否有遗漏。

如果无法确认底层文字是否被完全清除，可以将PDF转换为图像后重新生成新的PDF，但这样会牺牲文本可复制性，需要根据实际场景权衡。

七、复核与留痕机制

脱敏处理并不是一次性的自动操作。误处理、漏处理和还原需求会反复出现，因此复核与留痕非常关键。

7.1 复核清单

在处理完一份材料后，建议按以下清单复核：

• 所有身份证号、手机号、银行卡号是否已被替换；
• 企业名称是否按需处理；
• 合同金额是否已进行区间化或隐藏；
• 签名、印章、指印区域是否已遮盖；
• 页眉、页脚、批注、附件是否已检查；
• 脱敏后的文档是否仍然能够支撑后续AI分析任务。

7.2 留痕设计

留痕可以记录每一次脱敏操作的时间、字段、原值类型、替换方式与处理人。这样可以在后续需要恢复或审计时，快速定位处理位置。但留痕文件本身也包含敏感信息，需要妥善保存，不应与脱敏文件一同上传至外部系统。

八、结合云上能力的混合处理模式

对于具备一定技术条件的团队，可以采用“本地预处理 + 云上通用算力”的混合模式。此时需要严格区分哪些数据可以进入云端，哪些必须留在本地。

例如，团队可以在本地完成敏感信息识别与替换，将脱敏后的文本送入云端模型进行摘要、分类、实体关系分析或庭审提纲生成。云端只接触无敏感字段的中间版本，而原始文件始终保留在本地环境。

在这种模式下，云端使用的产品类别可以包括：对象存储用于临时保存已脱敏文件，日志服务用于记录处理状态，监控告警用于跟踪任务异常，模型服务平台用于推理计算。关键在于，所有进入云端的数据都应经过确认，不包含可识别个人身份、财产信息或其他受保护字段。

这种混合模式既保留了本地脱敏的可控性，又可以利用云端算力处理大规模任务。但前提是数据分级标准清晰，流程约束到位，且能够证明云端数据与原始材料之间不存在直接映射关系。

九、实际落地建议

对于律师、法务、合规和风控团队，可以从下面几个方面建立稳定的脱敏习惯：

1. 按项目建立脱敏目录：每个案件或项目独立存放原始文件与脱敏文件，避免混用。
2. 先脱敏，后上传：任何需要交给外部AI工具的材料，都应先经过本地处理。
3. 指定专人复核：尤其是涉及大量个人信息的劳动争议、婚姻家事、金融借贷、刑事阅卷等案件中，复核环节不可省略。
4. 保留脱敏处理记录：方便在客户询问或发生争议时说明处理过程。
5. 定期更新敏感字段规则：随着业务变化，新的敏感字段可能不断出现，例如虚拟货币地址、社交账号ID、生物识别数据等。

本地离线脱敏软件的核心意义，不是把人工完全替代掉，而是将原本分散、随机、难以复核的手工打码过程，转变为更系统、更可追踪、更能解释的标准化流程。对于需要长期处理法律敏感材料的团队来说，这套流程本身就是专业能力的一部分。