企业官网建设流程全解析

OpenViking隐私系统：如何识别并脱敏Agent上下文中的敏感信息

【免费下载链接】OpenVikingSelf-evolving Context Database for AI Agents. Unify Agent Memory, Knowledge RAG and Skills.项目地址: https://gitcode.com/GitHub_Trending/op/OpenViking

OpenViking 是一个面向 AI Agent 的自进化上下文数据库（Self-evolving Context Database），统一管理 Agent 的记忆、知识 RAG 与技能。随着 Agent 能力变强，它的上下文里越来越多地出现 API Key、数据库密码、内部 endpoint 这类敏感信息。OpenViking 的隐私系统（Privacy System）专门解决这个问题：写入时自动识别并脱敏敏感信息，读取时按需还原，让密钥不再以明文躺在技能文档里。

Agent 上下文里，哪些信息算"敏感"？

在 OpenViking 里，Agent 的技能（Skill）以SKILL.md文件形式存储，里面可能包含用户自己维护的配置。隐私系统的提取规则把这些字段归纳为 4 类：

完整的识别规则写在 skill/privacy_extraction.yaml 这份提示词模板里，并明确了三条边界：

• 既抽"已有值"，也抽"预期值"：即使文档里只写了"需要配置 access_key"而没有真实值，也会登记该字段（值为空字符串），避免漏管；
• 不编造值：模型严禁虚构密钥，只会抽取文档中真实出现的内容；
• 忽略一次性业务参数：query、limit这类临时查询输入不算敏感配置，不会误伤。

第一步：让模型来"识别"敏感信息

OpenViking 没有用一堆正则表达式硬匹配，而是把识别工作交给大模型。当你通过add_skill写入一个技能时，会触发隐私提取流程：

核心调用在 skill_extractor.py 的extract_skill_privacy_values函数中：渲染提示词 → 调用模型 → 解析 JSON 输出，得到形如{"api_key": "sk-xxx", "base_url": "https://..."}的结构化键值对。

这套方式的好处是语义理解：文档里哪怕用中文写着"访问密钥：sk-xxx"，或者字段名大小写混乱，模型也能归一化成snake_case标准字段名（如 "Access Key" →access_key），这比纯规则方案稳健得多。

第二步：占位符脱敏，明文不再落盘

识别出敏感值后，OpenViking 会做一件关键的事：把正文中的明文替换成占位符，磁盘上只保存占位符版本。替换逻辑在 skill_placeholder.py：

脱敏前：

api_key: sk-9f86d081881c4a2bb36e6f89388e3e57

脱敏后：

api_key: {{ov_privacy:skill:my_skill:api_key}}

占位符的格式是{{ov_privacy:skill:<技能名>:<字段名>}}，它同时携带了"属于哪个技能、对应哪个字段"两个信息，为读取时精确还原提供依据。替换时还会智能处理 JSON 引号、key=value、key: value等多种写法，确保配置文件结构不被破坏。

💡 替换顺序有个小细节：系统按值长度从长到短替换，避免短值是长值的子串时产生误替换。

敏感值存到哪里？版本化的隐私配置仓库

被抽走的敏感值不会丢，它们被存入用户空间下的隐私配置仓库，由 service.py 中的UserPrivacyConfigService统一管理，存储结构如下：

viking://user/{user_space}/privacy/skill/{skill_name}/ ├── .meta.json # 元信息：当前生效版本、最新版本、标签等 ├── current.json # 当前生效版本的完整快照 └── history/ ├── version_1.json └── version_2.json

版本化带来两个实用能力：

• 密钥轮换可追溯：每次更新密钥都会生成新版本并记录change_reason（变更原因），审计有据可查；
• 一键回滚：如果发现新密钥配错了，执行activate即可切回历史版本，无需重新编辑技能文档。

第三步：读取时自动"还原"，对调用方透明

脱敏的意义在于：Agent 真正要用这个技能时，还得能拿到可用内容。OpenViking 的解法是读取时还原——当读取SKILL.md时，fs_service.py 会自动识别 URI 中的技能名，查询当前生效的隐私配置，再由 skill_restore.py 的restore_skill_content函数把占位符替换回真实值。

还原过程还内置了三种异常处理，保证"缺配置"不会静默失败：

1. 占位符有对应值→ 直接还原，调用方拿到完整可执行内容；
2. 占位符存在但值缺失→ 保留占位符并在文末追加[Privacy Config Notice]，明确告知哪些配置缺失；
3. 配置了但正文未引用→ 追加提示"Configured but not referenced in content"，帮助排查。

对上层 Agent 来说这一切完全透明：一次普通的read调用，拿到的就是还原后的技能文本，不需要关心背后发生过脱敏和还原。

如何用 CLI 管理隐私配置

管理面通过 API 和 CLI 暴露，端点定义在 privacy_configs.py，常用命令如下：

# 查看所有隐私配置类别 openviking privacy categories # 列出 skill 类别下所有目标 openviking privacy list skill # 更新某技能的敏感值（生成新版本） openviking privacy upsert skill my_skill \ --values-json '{"api_key":"sk-new-key"}' # 回滚到历史版本 openviking privacy activate skill my_skill 1 # 读取技能（占位符自动还原） openviking read viking://user/default/skills/my_skill/SKILL.md

这套隐私设计带来了什么

对新手来说，最简单的理解方式是：OpenViking 隐私系统 = 大模型识别 + 占位符脱敏 + 版本化金库 + 读取时自动还原。它让"Agent 上下文里的敏感信息"从散落各处的明文，变成了集中管理、可审计、可随时回滚的配置项。

延伸阅读

• 官方概念文档：docs/zh/concepts/13-privacy.md（含完整链路图）
• 隐私系统源码目录：openviking/privacy/
• 隐私配置 API 文档：docs/zh/api/10-privacy.md
• 隐私服务测试用例：tests/server/test_privacy_config_service.py

【免费下载链接】OpenVikingSelf-evolving Context Database for AI Agents. Unify Agent Memory, Knowledge RAG and Skills.项目地址: https://gitcode.com/GitHub_Trending/op/OpenViking