noirdoc

noirdoc

WebsiteFree
noirdoc — это открытый, локально работающий PII-защитник, который автоматически псевдонимизирует конфиденциальные данные до того, как они достигнут LLM (например, через плагин Claude Code), сохраняет обратимые сопоставления на вашей машине и восстанавливает выходные данные модели до исходных значений.
Посетить сайт
Прорекламировать этот инструмент
https://www.noirdoc.de/en/launch?ref=producthunt&utm_source=aipure
noirdoc

Информация о продукте

Обновлено:18/05/2026

Что такое noirdoc

noirdoc — это инструмент конфиденциальности, разработанный для предотвращения попадания персонально идентифицируемой информации (PII) в контекст LLM. Он предоставляет хук/плагин Claude Code PreToolUse, который редактирует файлы локально до того, как Claude их прочитает, гарантируя, что реальные имена и идентификаторы не появятся в стенограмме. Тот же механизм редактирования также доступен в виде CLI для более широких рабочих процессов LLM и в качестве опции размещенного прокси для команд, использующих провайдеров, таких как OpenAI, Anthropic или Azure. Он имеет открытый исходный код и лицензию MIT, при этом обнаружение и сопоставление обрабатываются локально.

Ключевые особенности noirdoc

Noirdoc — это PII-защита с открытым исходным кодом, которая локально псевдонимизирует конфиденциальный контент (например, имена, даты, города, идентификаторы, IBAN) до того, как он достигнет LLM, сохраняя реальные значения вне контекста модели. Он предоставляет плагин Claude Code, который автоматически редактирует защищенные файлы при чтении и восстанавливает ответы после этого, а также тот же механизм редактирования в виде CLI для более широких рабочих процессов LLM и опцию размещенного прокси для трафика API OpenAI/Anthropic/Azure. Сопоставления остаются на машине пользователя, а оригиналы могут быть раскрыты только в терминале пользователя, сохраняя стенограммы и общие журналы чистыми.
Локальная, обратимая псевдонимизация: Обнаруживает и заменяет PII заполнителями на устройстве и сохраняет обратимое сопоставление локально, чтобы вы могли восстановить оригиналы, не раскрывая их LLM.
Плагин Claude Code с автоматическим восстановлением: Действует как хук PreToolUse, который редактирует защищенные файлы до того, как Claude их прочитает, и автоматически восстанавливает ответы модели после этого.
Автоматическое редактирование без участия пользователя при доступе к файлам: Как только защищенный файл открывается/читается в Claude Code, noirdoc локально заменяет конфиденциальные значения, прежде чем что-либо покинет вашу машину.
Правила защиты на основе пути (шаблоны glob): Позволяет определить, какие файлы/папки защищены, используя правила glob (например, ./incoming/**, *.contract.*), оставляя остальной контент нетронутым.
Локальный кэш и хранилище сопоставлений: Хранит псевдонимизированные копии в локальном каталоге .noirdoc/cache/ и сохраняет сопоставление на вашей машине; для обнаружения не требуется вызов API.
Несколько точек входа: плагин, CLI, размещенный прокси: Используйте плагин Claude Code для рабочих процессов IDE, CLI для локальных документов и конвейеров или размещенный прокси для защиты вызовов API LLM в масштабах всей команды (OpenAI/Anthropic/Azure).

Варианты использования noirdoc

Юридическая экспертиза и проверка контрактов: Псевдонимизируйте имена клиентов, адреса и идентификаторы контрактов, прежде чем использовать LLM для обобщения соглашений, составления пунктов или извлечения обязательств — без утечки PII в журналы чата.
Рабочие процессы документооборота в здравоохранении: Редактируйте идентификаторы пациентов и даты при создании сводок посещений, предложений по кодированию или внутренних заметок, сохраняя конфиденциальные данные вне контекста модели и стенограмм.
Помощь в финансах и бухгалтерском учете: Защитите IBAN, имена клиентов и ссылки на транзакции при использовании LLM для сверки, составления отчетов или ответов поддержки.
Обработка запросов в службу поддержки клиентов и CRM: Автоматически редактируйте личные данные во входящих запросах или вложениях (например, идентификаторы, имена), прежде чем просить LLM составить ответы или классифицировать проблемы.
Инженерные команды с реальными пользовательскими данными: Предотвращайте случайное раскрытие производственных данных (имен пользователей, идентификаторов), когда разработчики используют Claude Code для проверки журналов, отчетов об отладке или файлов, отправленных пользователями.
Управление LLM на предприятии через прокси: Маршрутизируйте вызовы API LLM в масштабах всей организации через размещенный прокси для последовательной псевдонимизации конфиденциальных полей в инструментах и командах, использующих OpenAI/Anthropic/Azure.

Преимущества

Сохраняет реальные PII вне контекста LLM, редактируя их локально до отправки каких-либо данных.
Обратимый рабочий процесс: оригиналы могут быть раскрыты в вашем собственном терминале, в то время как стенограммы остаются чистыми.
Гибкое внедрение с помощью плагина Claude Code, CLI или размещенного прокси в зависимости от потребностей рабочего процесса.
Компоненты с открытым исходным кодом (лицензия MIT) и хранилище сопоставлений только локально улучшают прозрачность и контроль.

Недостатки

Эффективность зависит от охвата обнаружения; нетипичные форматы или граничные идентификаторы могут потребовать настройки или могут быть пропущены.
Обратимые сопоставления, хранящиеся локально, могут стать проблемой безопасности (контроль доступа, резервное копирование, компрометация устройства).
Защита на основе пути/глоба требует правильной настройки; неправильно настроенные правила могут оставить конфиденциальные файлы неотредактированными.

Как использовать noirdoc

1) Установите noirdoc (движок CLI): Установите noirdoc через pip на свою машину (как описано на официальном сайте). После установки вы можете запускать его как из Python, так и непосредственно из командной строки.
2) (Необязательно) Установите плагин Claude Code: На странице запуска noirdoc используйте ссылку «Установить плагин», чтобы установить плагин Claude Code с открытым исходным кодом (лицензия MIT). Это позволяет автоматически выполнять локальную псевдонимизацию до того, как Claude прочитает защищенные файлы.
3) Выберите, какие файлы должны быть защищены (правила пути): Настройте правила пути на основе глобов, чтобы решить, что будет автоматически псевдонимизировано (примеры: "./incoming/**" или "*.contract.*"). Файлы, соответствующие этим правилам, редактируются локально до того, как какой-либо контент достигнет Claude.
4) Используйте Claude Code как обычно; noirdoc автоматически редактирует защищенные файлы: Когда вы открываете или читаете защищенный файл в Claude Code, плагин заменяет конфиденциальные данные (например, имена, IBAN, идентификаторы) заполнителями локально — до того, как Claude их увидит. Примеры заполнителей включают токены, такие как "<<PERSON_1>>", "<<DATE_1>>", "<<CITY_1>>".
5) Поймите, где данные хранятся локально: Псевдонимизированные копии хранятся в ".noirdoc/cache/", а обратимое сопоставление остается на вашей машине. Обнаружение выполняется локально, и никаких вызовов API не отправляется (в том числе команде noirdoc).
6) Показывайте оригиналы только в своем терминале (никогда в стенограмме Claude): Когда вам нужно увидеть реальные значения, запустите "noirdoc reveal" в своей оболочке. Это показывает оригиналы вне Claude, сохраняя разговор Claude свободным от реальных персональных данных.
7) Используйте noirdoc вне Claude Code (рабочий процесс CLI): Используйте CLI noirdoc для псевдонимизации локальных документов для любого рабочего процесса LLM (не только Claude Code). Применяется тот же подход локального обнаружения и обратимого сопоставления.
8) (Опция для команды) Используйте размещенный прокси для вызовов API: Если ваша команда хочет защитить каждый вызов API (OpenAI / Anthropic / Azure), используйте предложение размещенного прокси, упомянутое на сайте, или свяжитесь с поставщиком для получения опций прокси/самостоятельного размещения.

Часто задаваемые вопросы о noirdoc

Noirdoc – это инструмент защиты PII, который псевдонимизирует/редактирует конфиденциальные данные (например, настоящие имена, IBAN, идентификаторы) до того, как большая языковая модель (LLM) сможет их прочитать, чтобы реальные значения не попадали в контекст модели.