ASIRF：面向上下文依赖的敏感信息脱敏智能体框架

论文提出 ASIRF 框架，通过推理时从知识库检索特定领域的敏感信息定义，无需重新训练即可适配新领域。作者用十个小规模开放权重模型、八个数据集（含分布外的虚构领域）测试两种架构：三调用多智能体流水线与单智能体变体，并与已训练的 OpenAI Privacy Filter 分类器对比。

此前的隐私过滤器和命名实体识别系统在训练时固定敏感信息分类体系，每进入一个新领域都需重新训练。ASIRF 表明适配新领域可以不做训练、只用几十条专家定义完成，把领域适配从训练阶段前移到推理阶段。

敏感信息由领域和意图共同定义，并不存在通用类别。ASIRF 把领域定义做成可替换的知识库，在推理时依据输入所属领域动态检索对应定义，再由智能体完成识别与脱敏；因此更换领域只需要替换或增补定义，而不需要改动模型参数。

合规与脱敏能力可能从一次性模型训练转向可维护的规则定义库，降低跨行业部署的定制成本。产品上需要新增定义库管理、领域路由和智能体编排环节；同时多智能体流水线会增加推理调用次数，需要在准确率与延迟、调用成本之间权衡。

• 面向医疗、金融等行业建立可替换的敏感信息定义库，作为脱敏产品的可售模块，按领域订阅更新。
• 将 ASIRF 的多智能体流程封装为接口服务，让客户在不微调模型的前提下接入自有领域定义。
• 在现有脱敏工具中增加推理时领域路由与调用成本监控，控制多调用架构的延迟和费用。
• 评测并发布面向中文领域的定义模板与对比结果，作为进入本地合规市场的差异化依据。

• 实验仅覆盖十个小规模开放权重模型和八个数据集，在大型闭源模型上的表现是否一致尚未验证。
• 未经训练、仅靠少量定义的方案在召回率之外，精确率和误报率表现如何，证据未给出。
• 三调用多智能体流水线与单智能体变体在延迟、吞吐和单次处理成本上的差距未量化。
• 知识库中专家定义的质量与维护责任如何划分，以及定义冲突时的处理机制未见说明。