PHP 接入大模型前,先在本地脱敏
文章介绍 MIT 许可的 php-python-ai-bridge,通过本地 Python 服务识别并遮蔽个人数据,再将文本发送给托管模型。方案结合结构化标识校验规则与 CPU 上运行的 ONNX 命名实体模型,并限制容器权限和网络访问。
AI 深度解读
工单交给 LLM 做摘要时,客户姓名、邮箱和银行卡号也可能一起出网。作者给 PHP 应用加了一道本地脱敏步骤:先用规则和模型遮住敏感信息,再把处理后的文本交给托管模型。
这套方案值得看的地方,是部署边界和漏检数据都摆了出来。它能减少原文直接外发,但默认配置下,陌生姓名仍可能漏掉不少。对国内团队来说,另一个关键限制是:当前模型只支持英文。
数据出网前,这道关卡怎么工作
作者维护的 php-python-ai-bridge 是一个 MIT 协议包,PHP 客户端没有额外依赖,Laravel 和 Symfony 提供适配器。实际检测由本地 Python worker 完成:HTTP 层使用标准库,模型通过 ONNX Runtime 在 CPU 上运行。
检测分成两路:
- 规则识别银行卡号、IBAN、邮箱、IPv4、IPv6 和电话号码,其中银行卡号经过 Luhn 校验。
- 两个 BERT NER 命名实体识别模型分别处理保留大小写和不区分大小写的文本,使用 int8 ONNX,识别人名、组织和地点。
这样分工有实际理由。邮箱和卡号有格式可循,姓名与地名却很难靠固定模式覆盖,需要模型结合上下文判断。
worker 返回的每个 span,就是一段被识别出来的文本区间,包含 start、end、label、source 和 score。source 会标明来自 rule:card、rule:iban 等规则,还是 model:PER 等模型结果,方便排查误判来自哪一层。
本地脱敏的价值,是先减少发给外部模型的数据,而不是保证所有敏感内容都被找出来。
本地运行,还要限制容器能做什么
安装要求是 PHP 8.2 到 8.5,命令为 composer require cristiangirlea/php-python-ai-bridge:^0.5。
下面的部署命令先下载固定版本、经过哈希校验的模型,再把运行中的 worker 放进无外网出口的私有网络:
docker network create --internal bridge-private
docker volume create bridge-models
docker run --rm -v bridge-models:/cache ghcr.io/cristiangirlea/php-python-ai-bridge-worker-onnx:0.5.0 fetch
docker run -d --name worker --network bridge-private -e BRIDGE_TOKEN -v bridge-models:/cache:ro \
--read-only --cap-drop ALL --security-opt no-new-privileges:true --pids-limit 128 --memory 1536m \
--tmpfs /tmp:rw,noexec,nosuid,size=64m,uid=65532,gid=65532 \
ghcr.io/cristiangirlea/php-python-ai-bridge-worker-onnx:0.5.0
重点看包含 --read-only 的那一行:只读文件系统、移除 Linux capabilities、禁止提权,并限制进程数和内存。模型卷也以只读方式挂载,临时写入放在受限的 /tmp 中。下载模型和运行服务是两个阶段,后者无需访问网络。
应用容器还要接入 bridge-private,并设置 BRIDGE_URL=http://worker:8090。另一个变量 BRIDGE_TOKEN 必须与 worker 一致,使用至少 32 个字符的随机字符串。
Laravel 通过包发现注册服务,随后可以按类型注入客户端。这个例子展示了真正需要守住的数据流:
use PhpAiBridge\Client;
use PhpAiBridge\RedactResult;
final class TicketSummary
{
public function __construct(private Client $bridge, private YourLlmClient $llm) {}
public function summarize(string $ticket): string
{
$job = $this->bridge->submitRedact($ticket, ['PER', 'ORG', 'LOC']);
$result = RedactResult::fromJob($this->bridge->wait($job->id), $ticket);
return $this->llm->ask("Summarize this support ticket:\n" . $result->text);
}
}
要盯住最后一行:传给 ask() 的是 $result->text。原始 $ticket 参与本地处理,但没有传给这次 LLM 调用。作者建议记录 $result->spans 的位置和标签,避免把被遮住的原文重新写进日志。
阈值调低,为什么未必更好用
规则结果的分数通常为 1.0,电话号码为 0.8,因为一长串数字未必是电话。模型结果则携带模型分数,submitRedact 的 $minScore 默认是 0.85。
这些分数不能统一理解成「识别正确的概率」。规则的固定分数和模型打分,来源不同。
作者用英文社交媒体数据集 WNUT-17 测试,其中包含罕见和新出现的名字。默认阈值下,三个标签的精确匹配 F1 为 0.45;人名 F1 为 0.63,精确率 0.75、召回率 0.54。也就是人名仍有相当一部分没被找出来。
把阈值降到 0.5,78% 的实体会与遮罩区间发生重叠,但新增的 1,278 个组织区间中,约九成是误判。
这里有两个代价。首先,「发生重叠」不能当成完整遮住实体,更不能直接与精确匹配 F1 比高低。其次,误遮普通文本会损失上下文,可能影响后续摘要的可读性与准确性,但原文没有测量这部分影响。
作者称,知名人物和公司的文本表现更好,昵称较多的非正式文本更差;规则能抓住几乎所有结构化标识符。不过,文章没有列出每类规则的完整指标。全部测量也仅来自一台 CPU 机器上的一次运行。
我的判断
我认可把脱敏放在外部 API 调用之前,也认可同时使用规则和模型。结构化字段先走确定性检查,开放式名称再交给模型,是容易解释、也方便定位问题的设计。
但它更适合作为一道预过滤。作者明确说它不能替代合规控制或必要的人工审查,默认阈值的结果也支持这个边界。
对国内开发者,英文限制尤其关键。中文工单里的姓名、公司简称、中英混排昵称,不能拿 WNUT-17 的成绩推断效果。原文也没有提供吞吐量、延迟或中文评测,暂时无法判断生产容量和中文适用性。
如果业务已经明确知道哪些字段敏感,直接移除这些字段通常更容易验证;这套方案的价值主要在自由文本。至于是否优于其他脱敏工具,作者没有给对照数据,目前只能按自身场景评估。
能拿来做什么
- 给英文工单摘要增加本地脱敏步骤时,可以沿用
submitRedact → wait → RedactResult::fromJob → ask的处理顺序,并检查所有 LLM 调用入口是否使用了遮罩文本。 - 用虚构工单建立一小组评估样本,分别检查人名漏检、组织误判和标识符识别,再决定是否调整默认 0.85 阈值。
- 记录 span 的位置、标签和检测来源,观察规则与模型各自的问题;日志中不要保存被遮住的文本。
- 中文或中英混排业务应先验证语言覆盖。准备反馈案例时,遵照作者建议使用编造的样本,避免提交真实合同或聊天记录。