Daimon：在本地为外部 LLM 加一层隐私脱敏

在把企业或个人数据交给 ChatGPT、Claude 等外部大模型之前，如何避免敏感信息外泄，是当前 LLM 应用落地中最受关注的问题之一。一款名为 Daimon 的开源工具尝试用「本地代理 + 标签替换」的方式，在数据出本机之前先做一轮脱敏，再让外部模型在「干净文本」上工作。

工具定位：在用户与外部 LLM 之间加一层

Daimon 的设计思路并不复杂：它在用户和远程大模型之间充当一个本地代理服务。当用户发出请求时，Daimon 不会把原文直接发给外部 LLM，而是先在本地识别并替换掉其中的敏感字段，再把「被清洗过的版本」发出去；等外部模型返回结果后，Daimon 再用始终保存在本地的原始数据，把回复中的占位标签还原成真实内容。

它针对的数据类型覆盖较为全面：

• 密码、凭据、Token
• 身份证号、护照号、税号等证件类信息
• 电话、邮箱、IBAN、银行卡号等支付与金融信息
• 车牌、地址、人名、内部编号等
• 其他可自定义的内部标识符

工作流程：从脱敏到还原

整个流程可以拆解为六个步骤：

• 接收用户原始消息
• 用正则规则识别敏感字段
• 调用本地 LLM 做二次语义级脱敏
• 将敏感内容替换为稳定的占位标签
• 把清洗后的文本发送给外部 LLM
• 收到远程回复后，在本地用原始数据还原占位标签

这套机制的好处是，无论外部 LLM 是否具备隐私保护能力，本地侧的原始数据自始至终没有离开主机。

部署与使用方式

Daimon 通过 Docker Compose 一键部署，主要包含两个容器：

• openai-oauth：负责与外部 LLM 提供商完成鉴权与连接
• daimon：核心代理服务，对外暴露 3010 端口

启动后，浏览器访问 http://localhost:3010 可使用聊天界面；/debug 用于查看每条消息的脱敏与还原过程；/config 则提供模型、规则、Prompt、RAG 等配置项，初始密码为 1234。

适用场景与局限

官方将 Daimon 定位为「风险降低层」，而不是「安全保证」。其实际效果取决于正则规则的完整性、本地脱敏模型的质量以及整体环境配置。如果要将其暴露到公网，仍需额外加上鉴权、传输加密与访问控制等措施。

总体来看，Daimon 更适合希望把 LLM 接入企业内部或日常使用、又担心敏感数据外泄的个人开发者和小型团队，对于已经使用专业 DLP 或自建私有化部署的企业来说，它更像是一个轻量级的补充方案。