ASIRF：面向上下文相关敏感信息脱敏的智能体框架

敏感信息由领域和意图定义，而非普适类别，然而隐私过滤器和命名实体识别器等脱敏系统在训练时固定一个分类体系，每个新领域都需要重新训练。我们提出ASIRF（智能体敏感信息脱敏框架），它在推理时根据输入领域从灵活的知识库中检索领域特定定义，无需重新训练即可适应。两种架构——三调用多智能体流水线和单智能体变体——在十个小型开放权重模型和八个数据集（包括分布外的虚构领域）上进行评测，并以OpenAI Privacy Filter（OPF）作为训练分类器基线。每个领域仅需几十条专家撰写的定义且无训练数据，ASIRF在80个模型-领域组合中的68个（85%）上召回率超过OPF（按两种架构之一计算），不足主要集中在OPF的训练分布领域。