FDE Times 数据在招 FDE 职位 924▲33 近 7 天在招职位数的变化(同口径比较):不计入本周新开始追踪的公司的职位近 7 天新增 80在招公司 196支持远程 25%美国薪资中位数 $200k招聘最多 Databricks 107
ENVI

前线部署工程师(FDE)的专业媒体

技能指南 · 指南

调用 LLM 前给姓名打码,未必满足越南新法

第 356 号法令收紧敏感数据跨境规则,为图方便留下的映射表可能让系统算不上去标识化。

分享微博

要点速览

  • 按《2025 年个人数据保护法》,去标识化后的数据不再属于个人数据,而仅仅加密的数据仍是个人数据。
  • 把姓名换成 PERSON_001 标签、同时保留可还原的映射表,只能降低泄露风险。只要还存在回到真实姓名的路径,就很难称为去标识化,最终由客户的法务团队判断。
  • 检测器出错时,过滤器必须阻断请求;漏报率必须用真实的越南语数据来测。
表格对比三种个人数据打码方式。加密:仍有回溯路径,仍是个人数据。保留映射表的标签替换(高亮):仍有回溯路径,难以排除仍属个人数据。真正的去标识化:没有回溯路径,不再是个人数据。
把姓名换成 PERSON_001 这类标签能降低风险,但只要回到真实姓名的映射表还在,系统就很难算作去标识化,最终由客户的律师判断。资料来源:《2025 年个人数据保护法》、第 356 号法令,据文中分析。

入职一家金融服务客户的第一周,你接到任务:做一个用 LLM 总结客服工单的功能。效果最好的模型通过一个部署在境外的 API 提供。评审会上,法务负责人问:“客户在电话里报给客服的姓名、手机号和密码,会不会传出越南?”

这个问题源自第 356 号法令。该法令于 2026 年 1 月 1 日生效,取代了第 13/2023 号法令,并改变了相关规则。

如果未经彻底去标识化的敏感数据仍要经过境外 API,该法令要求履行更严格的跨境传输手续,并采取加密、匿名化或同等的安全措施。

很多工程师会回答:团队已经全部打码了。只有当你确切知道打码做到了哪一步,这个回答才站得住。法律在“为降低暴露而打码”和“去标识化”之间划了一条相当清晰的界线,两者之间的差距决定了客户身上还背着多少义务。

打码到什么程度,数据才不再是个人数据?

先看定义。《2025 年个人数据保护法》将个人数据定义为能识别特定个人或有助于识别该个人的信息。后半句“有助于识别”最关键:删掉姓名,却留下“教师,会安分部,1990 年出生”,读者依然能追溯到唯一一个人。

法律也给出了明确的出口:经过去标识化的数据不再视为个人数据。这里的去标识化,是指修改或删除信息,生成一个不再指向任何人的新数据集。

第 356 号法令本身就要求数据在数据交易所交易前先做去标识化,可见这是法律正式认可的措施。

工程师通常在两处栽跟头。第一,按照法律,加密后的数据仍是个人数据,因此加密不是出口。

第二,第 14 条第 6 款禁止对去标识化的数据重新识别,也就是说,真正的去标识化必须是单向的。任何需要把真实姓名重新贴回 LLM 回答的数据管道,从一开始就很难归入去标识化。

做法 示例 法律上的定性
加密 发送手机号的密文 仍是个人数据
标签加映射表 PERSON_001 ↔ “Nguyen Thi Lan” 降低了风险,但仍有回到真实姓名的路径,很难称为去标识化
真正的去标识化 删除姓名及一切有助于推断身份的细节,不留回溯路径 不再是个人数据

Wavect 对 GDPR 的一篇分析就中间这一行得出了类似结论:把某人改名为 PERSON_001 能降低暴露风险,但处理流程仍在 GDPR 的管辖范围内。

这只是提醒你要谨慎的信号,不是针对越南的法律结论。客户的系统属于哪一行,由他们的律师决定;你的工作是帮他们看清系统落在哪一行。

一张工单如何通过过滤器

来看一张假设的工单:

Nguyen Thi Lan 女士,手机 0912345678,会安的教师,反映无法登录电子身份认证账户,旧密码是 Lan@1990。

这张工单里有四类信息需要处理。姓名和手机号最显眼。电子身份认证账户的密码被第 356 号法令列为敏感数据,因此捕获它是第一优先级。“会安的教师”这几个字不能直接识别任何人,却有助于识别她。

要总结这张工单,LLM 只需知道事件类型。因此期望的输出只是这样:

[用户],手机 [电话],[地点] 的 [职业],反映无法登录电子身份认证账户,旧密码是 [密钥]。

(这些标签分别代表用户、电话、职业、地点和密钥。)

没有序号,也没有映射表。内部系统仍通过工单 ID 把结果送回对应的人,但 LLM 永远看不到这个 ID。

不过说得直白些,工单 ID 本身也是回溯到用户的一条线索。这种做法大幅减少了流出系统的信息量,却不能让整个系统变成真正的去标识化。向客户描述时,就应该这样如实说明。

下面是骨架代码示意。正则表达式仅作示例,需要根据客户实际的数据格式调整:

import re

RULES = [
    ("SECRET", r"(password|passcode|pwd)\s*(old|new)?\s*(is|:)\s*\S+"),
    ("PHONE", r"\b0\d{9}\b"),
    ("EMAIL", r"[\w.+-]+@[\w-]+\.[\w.]+"),
]

class PIIFilterError(Exception):
    pass

def redact(text: str, ner) -> str:
    for label, pattern in RULES:
        text = re.sub(pattern, f"[{label}]", text, flags=re.IGNORECASE)
    # 人名、地点、职业:需要 NER 模型(例如 Presidio 加越南语模型)
    for span in sorted(ner(text), key=lambda s: -s.start):
        text = text[:span.start] + f"[{span.label}]" + text[span.end:]
    return text

def build_prompt(ticket: str, ner) -> str:
    try:
        clean = redact(ticket, ner)
    except Exception as e:
        # 失败即阻断:过滤器出错时,不向外发送任何内容
        raise PIIFilterError("PII 过滤器不可用") from e
    return f"请总结以下事件:\n{clean}"

(注释说明:人名、地点和职业需要 NER 模型,例如 Presidio 加越南语模型;过滤器出错时,不向外发送任何内容。提示词要求“总结以下事件”。)

最关键的是 except 这一段。Wavect 建议,过滤器绝不能因为检测器变慢或宕机就悄悄“失败放行”(fail open)。实践中,问题往往始于这样一行代码:“超时了就直接发原文,别影响用户。”

检测器再好,也要自己测

检测层可以选用开源库 Microsoft Presidio,它能识别并匿名化文本和图像中的隐私实体,是合理的选择。

即便如此,Presidio 自己的介绍页也写明,不保证能找出所有敏感信息。越南语姓名可能不带声调符号、使用缩写或拼错,漏报率事先无法预估。

所以上线生产环境前,Wavect 建议用客户自己的数据测量:漏报率、任务质量、延迟,以及过滤器如何处理越南语和英语混杂的文本。

举一个假设的数字说明。你人工标注 200 张工单,数出 412 个需要打码的实体,过滤器抓到 375 个。召回率为 375/412,约 91%,也就是说仍有 37 条个人数据流出。

91% 听起来很高,但每天有数千张工单,每天泄露的数据条数会相当可观。结果要按实体类型拆开看,因为漏掉一个密码比漏掉一个区名严重得多。每次新增规则或更换模型,都要像跑回归测试一样重跑这套测试集。

在客户现场的五个步骤

第一步:和客户一起给数据分类。你需要弄清哪些字段属于第 356 号法令规定的敏感类别,以及 LLM 任务实际需要什么。大多数总结或分类任务根本不需要知道任何人的姓名。

第二步:搭建分层过滤器。正则处理结构化内容,NER 处理姓名、地点和职业。第三步:给 LLM 调用套上失败即阻断(fail closed)机制,并记录每一次被阻断的请求。

第四步:在标注数据上测召回率,按实体类型拆分。第五步:写一页数据流说明,标明系统处于上表的哪一行、还有哪些回溯到个人的线索,然后交给法务团队决定。

数据打码并不意味着义务就此结束。法律把加密、解密和去标识化都列为个人数据处理活动,因此在客户基础设施上运行的打码步骤,和其他处理步骤一样必须合规。

常见错误

最常见的错误是只遮住直接标识符,却忽略有助于确定身份的细节。其次是把加密或可逆令牌当成去标识化。

第三个错误与第二个相伴而生:保留占位符 ↔ 真实姓名的映射表,然后告诉客户数据已经去标识化。

把“有助于识别”的定义、加密数据仍属个人数据的规定以及禁止重新识别的条款放在一起读,保留了回到真实姓名路径的方案就很难归为去标识化。

最终判断由客户的律师作出,但他们需要知道映射表的存在。

还有两个错误:一是只用文档里的英文示例句测试过滤器,二是默认过滤器永远会正常运行。

如何把这项技能写进简历

不要只写“用过 Presidio”。要写你在越南语数据上测量了 PII 打码的召回率,并设计了失败即阻断机制,有数字就写上数字。

阅读前线部署工程师(FDE)岗位的职位描述时,“data residency”“PII”或“compliance review”这类字眼,说明对方需要的正是这项技能。

本周练习

拿上面的示例工单,写 20 个变体(不带声调符号、使用缩写、手机号中间加点、密码跟在“pass”一词后面),逐一送进你的过滤器,数一数漏掉了多少个实体。这个数字,就是你去和法务团队开会时该带上的东西。

这篇文章对你有帮助吗?

5 个信源
路线图上的下一篇 · 阶段 5: 部署上线RabbitMQ 一崩溃就丢排队任务,除非你另作设置花一个晚上配好持久化队列、安全的 worker 和返回 202 的 API,耗时数分钟的模型调用就不会再超时或丢失。