Data Maskit（数据面具）：专为大模型打造的本地隐私脱敏网关

📅 2026-09-09 创建 | 🏷️ 值得研究的仓库 | ⭐ ⭐200（7天爆发）
🔗 原文：https://github.com/xiaYuTian11/maskit

是什么

一个开源（AGPL-3.0）的本地隐私脱敏网关，架在开发终端与外部 AI 服务之间：请求出网前自动把密钥凭据、内网资产拓扑、个人敏感信息替换成结构化占位符，模型回复流式返回时再毫秒级还原成原文。100% 本地运算、零遥测，支持任意可配 Base URL 的 AI 工具（Cursor、Claude Code、Codex、Pi 等）。

🔍 小白解读

先说几个词

• 脱敏（masking）：把敏感内容换成假的占位符再发出去。好比寄合同前把机密数字贴上便利贴，对方批注回来后你再把便利贴撕掉、对回原文。
• 网关（gateway）：架在两个系统之间的中转站，所有流量都从它过一遍。
• PII：个人身份信息（Personally Identifiable Information）——手机号、身份证、银行卡这类能对上具体人的数据。
• Base URL 可配置：工具允许把 AI 服务地址改成自定义地址——这是 maskit 能无侵入接入所有主流 AI 工具的前提。

这篇到底在说什么

用 Cursor、Claude Code 这类 AI 编程助手时，代码里的 API 密钥（sk-proj-、ghp_ 开头那种）、数据库连接串、内网 IP、客户手机号会随上下文一起发给模型服务商——多数人和企业都没意识到这件事。Maskit 的做法是在中间加一道本地网关：你的请求先到它这里，密钥、内网地址、PII 被自动识别并替换成「占位符」，真正出网的请求已经不含敏感信息；模型回复流式传回来时，它在毫秒级内把占位符换回原文，你完全无感。全程本地运算、不上报任何数据。提供 Windows/macOS 桌面端和 Docker（amd64/arm64）两种形态。

这跟普通人有什么关系

个人开发者可以避免「贴代码问 AI 顺手把密码贴出去」的事故；对企业，这给「想用云端 AI 但有合规红线」的团队提供了一条低成本的中间路线，而不是一刀切禁止。

为什么值得架构师关注

• 直击企业采用 AI 编码工具的最大阻力之一：源码/凭据出域合规。「脱敏网关」是比「禁止使用」更可落地的中间方案，可作为 AI 工具治理路线图的一环评估。
• 模式可复用：「请求侧结构化替换 + 响应侧流式还原」这套模式可借鉴到自研 LLM 网关、审计层的设计中。
• 评估要点要清醒：AGPL-3.0 对商用集成有传染性约束；规则/模式识别对语义级泄露（业务机密的文字描述）无能为力，需配合 DLP 与最小权限策略；网关本身会成为可用性单点，本机部署 vs 集中网关的形态要权衡。

核心内容

• 三类脱敏对象：凭据与密钥（sk-proj-…、ghp_…、云厂商 AccessKey、JWT Token、PEM 私钥证书）；内网资产拓扑（数据库连接串 mysql://…、10.x/172.16.x/192.168.x 私有 IP）；业务 PII（手机号、身份证、姓名、银行卡、企业内部代号）。
• 工作流：请求出网前自动「结构化打码」→ 模型回答「打字机式流式无感还原」。
• 兼容性：支持 Cursor / Claude Code / Codex / Pi / OpenCode 等任意可配 Base URL 的工具。
• 100% 本地运算、零遥测；AGPL-3.0 开源；Windows/macOS 桌面端 + Docker（amd64/arm64）。
• 2026-09-09 创建，7 天 ⭐200，社区发力于 LINUX DO。

行动建议

让安全团队做一次 PoC：接一个编码助手实测还原准确率与延迟开销；重点验证长会话/多文件上下文下占位符还原的稳定性；商用集成前法务过一遍 AGPL-3.0 的合规边界。