企业在调用大型语言模型（LLM）时常会把自由文本直接发送，而这些文本往往包含姓名、电话号码、电子邮件、住址和出生日期等个人可识别信息（PII）。一旦提示被发送，PII 会被复制到提供商系统、应用日志和可观测性追踪中。对请求进行脱敏是显而易见的控制手段，但实际的延迟成本和漏检率鲜有量化。本文评估了四种可在任意 LLM 流水线中采用的脱敏方案：\n\n1. 纯正则表达式（regex）脱敏器。\n2. 基于 spaCy 模型的 Microsoft Presidio。\n3. 混合方案：Presidio 负责人名检测，regex 负责结构化标识符（如手机号、邮箱）。\n4. 快速混合方案：直接调用 spaCy 的命名实体识别组件。\n\n四种方案均实现了“已知实体规则”，即在系统已知的目标人物信息上直接删除，同时采用统一的占位符策略，使得 LLM 在脱敏后仍能区分不同人物。\n\n评估使用名为 ProfileAssist 的工作流，将简历转换为结构化档案。实验数据为 100 份合成简历，平均字符数 523，包含约 900 条 PII 和 600 条业务术语（需保留）。\n\n- regex 中位延迟 0.20 ms，PII 检出率 88.9%，主要因无法识别未预先列出的姓名（如推荐人）。\n- Presidio、混合和快速混合的中位延迟分别为 37.59 ms、30.23 ms、13.48 ms，均实现 100% 的 PII 检出率和业务术语保留率。\n- 相比于 9 120 ms 的 LLM 调用中位时长，即使是最慢的方案也仅增加 0.41% 的请求时延。\n\n基于上述结果，推荐在处理个人数据的 LLM 流水线中默认使用快速混合方案；regex 可作为安全备份而非唯一控制手段。\n\n点评：在实际部署中，快速混合方案兼顾了低延迟和全覆盖的脱敏需求，适合对时效和合规都有严格要求的企业场景。