文档 DLP 管线：守得住的掩码
文档 DLP：三层检测、贯穿文档的编号占位符、彻底的重新嵌入、AES-256-GCM 的原文 —— 两道显式的 unmask 关卡。Census：F-DLP-1。
文档只进来一次；占位符留下
AI workspace 的知识库里进来的是真文档 —— 合同、HR 信函、发票。有些带着谁都不该随手看到的数据，而 LLM 永远不该引用它们。Simmetric Chat 对启用了该功能的 workspace 的回答：一条文档扫描管线，把敏感实体改写为贯穿全文的编号占位符，并把唯一一份干净原文加密保存。设计的重点在最后半句 —— 占位符留下：按构造，掩码是单向的，于是“文档”与“可检索的语料”从设计上就成了两个不同的对象。
本文以操作者遇到它的方式走一遍这条管线：异步扫描、三层检测、一个占位符保证了什么、重新嵌入时发生什么、原文如何保存，以及两道 unmask 关卡（聊天中的重组、预览里的 unmask）—— 让干净副本只在有意图时可达。
Enterprise 版可选功能，按 workspace 启用，默认关闭（workspace 开关 + 评估门槛）。数据：FACT-CENSUS.md F-DLP-1。扫描：异步、排队、在摄取完成后
当某 workspace 启用了文档扫描，每个上传的文档在摄取完成后经过一次异步的 pg-boss 扫描 —— 上传路径保持响应，而扫描表现得像平台里的每个后台作业一样：排队、重试、可观察。遗留语料有自己的回填（需通过评估门槛、在界面里显式确认），限速在活体扫描之下，而且可恢复：一列标记（dlpScannedAt）把每次重跑圈定在从未被扫描过的文档上。
检测：三层
检测是一条三层管线，每层各司其职：
- 管理员可配置的正则模式 —— 由 admin 维护的模式服务（任意模式的开关、测试预览）。
- 对固定格式意大利/欧洲标识符的校验和验证 —— Codice Fiscale（含 omocodia 校验）、P.IVA、IBAN：这些类别是确定性的；没通过校验和的字符串不是标识符，因此普通数字永远不会触发它们。
- 对名字/地址的 LLM 上下文检测 —— 上下文类别经过模型；它们的召回率是量测并写进文档的数值，而不是一句承诺。
两个被点名的类别是确定性（校验和）的，两个是上下文（LLM）的 —— 评估门槛量测的正是这个划分：启用它的质量标准 = 确定性类别上零被抑制的误报，上下文类别的召回率逐次运行都有记录。
这篇文章永远不会印出的那个数字：一个“存在多少种 PII”的计数。census 合约是明确的 —— 查不到出处的数字不发货；类别是被点名的，代码说明它检测什么。
掩码：无法再次匹配的编号占位符
被检测到的实体成为贯穿文档的编号占位符（[PERSON_1]、[GOV_ID_2]…）。三个属性让它有意义：
- 全文跨文档一致 —— 同一实体在整个文档里是同一个占位符；LLM 继续读的是一份一致的文档。
- 幂等 —— 掩码是自己的不动点：占位符语法永远无法再次匹配，重扫不会产出
[PERSON_1_1]一类的残渣。 - 重写是彻底的 —— chunk 以掩码后的文本重写，FTS 向量重新计算，嵌入在掩码文本上重新生成。没有任何未涂黑的向量保持可检索。
加密：唯一干净副本是 AES-256-GCM
原文与每个实体值都以加密形态落地（AES-256-GCM，平台的密钥合约）。这是管线诚实的原因：掩码不是“在视图层里藏起来” —— 未涂黑的字节在存储里根本不以明文形态存在。加密原文是唯一干净副本。
两道 unmask 关卡
干净副本恰好可以经由两道显式关卡可达：
- 聊天中重组 —— 流结束时、恰好一次，服务器在最终消息里重组占位符，只对在来源文档的 workspace 里持有
dlp:unmask权限的用户生效。重组后的文本由 SSE 的done载荷携带；widget 访客永远收不到重组文本（在服务端强制，不是靠藏一个按钮）。 - 预览 unmask —— 文档文本端点默认给掩码后的文本；unmask 参数只经由关卡梯队生效（参数在场、workspace 开关打开、角色解析出权限）。每一个未命中的分支仍然返回掩码文本并给 200 —— 这个端点从来不是权利的预言机。
审计矩阵
每条读路径都被行为测试钉住（文本视图、OCR 预览、综合、引用、widget、MCP 工具、全文搜索、导出、管理员的重新嵌入）。三个最硬的钉子是“永远不”的臂：widget 访客、引用表面与 MCP 工具拿到的是掩码文本，永远不是重组文本。审计日志类别（平台的不变事件日志，F-AUDIT-1）记录触碰这个表面的操作。
继续阅读
操作指南带着完整的操作者走读 —— 开关、评估运行器、回填、每个端点 —— 在 /zh/docs/document-dlp-pipeline：
- Document DLP pipeline —— 操作指南
- 本文数据：
FACT-CENSUS.md行 F-DLP-1（管线）、F-DLP-2（无出处计数的裁定）、F-AUDIT-1（事件日志）
Provenance：Simmetric Chat 的 docs/DLP_DOCUMENT_PIPELINE.md（v0.28.1，Phase 192 DLP-01..06）、packages/server/src/services/（dlpPatternService/dlpChecksum/quota services）、encryptionService —— 处于 census 固定的文档状态（SHA aca5b8ff）。