Skip to main content
Glama

Gardien RGPD · GDPR Guardian

Outil expérimental et open source, pour contribuer au respect du RGPD : un filtre de premier niveau à intégrer aux outils d'IA du marché (MCP, API, skills Claude). An experimental, open-source tool to help with GDPR compliance: a first-level filter to plug into the AI tools on the market (MCP, API, Claude skills).

Un seul logiciel, deux noms : Gardien RGPD en français, GDPR Guardian en anglais. One piece of software, two names: Gardien RGPD in French, GDPR Guardian in English.

Un filtre de premier niveau. Des règles, des clés de contrôle, des indices de contexte et les règles de votre organisation masquent les identifiants directs (noms, coordonnées, numéros, adresses IP, dates de naissance…) avant que le texte n'atteigne une IA : toujours de la même façon, avec une raison nommée pour chaque balise, sans retour possible. Ce qui dépend du sens (santé, opinions, infractions : RGPD, art. 9 et 10 ; indices recoupés) revient au niveau suivant : la prochaine étape du projet est un étage LLM gouverné, sans date annoncée. Les scores publiés mesurent le premier niveau seul. Trois modes, mêmes noms sur l'API, le MCP et le site : fort (par défaut, on masque tout ce qu'on peut), essentiel, personnalisé (personnalise dans l'API). En pratique, deux étapes : branché sur les IA du quotidien (MCP, skills Claude, API), le Gardien reçoit chaque document d'abord, puis un modèle léger de votre IA lit le seul texte anonymisé pour signaler ou masquer, au mieux, ce qui dépend du sens ; pas parfait, mais pragmatique (notre appréciation : cette seconde étape n'est pas mesurée). Une école, une université ou une institution publique qui reprendrait ce sujet, pour le bien de toute la collectivité, serait la bienvenue : le code est ouvert (MIT), le protocole public.

A first-level filter. Rules, check digits, context cues and your organisation's own rules mask direct identifiers (names, contact details, numbers, IP addresses, dates of birth…) before the text reaches an AI: the same way every time, with a named reason for every placeholder, and no way back. What depends on meaning (health, opinions, offences: GDPR Art. 9 and 10; cross-checked clues) is left to the next level: the project's next step is a governed LLM stage, with no date announced. The published scores measure the first level only. Three modes, same names on the API, the MCP and the site: fort (strong, the default: masks everything it can), essentiel (essential), personnalise (custom). In practice, two steps: plugged into everyday AIs (MCP, Claude skills, API), the Guardian receives every document first, then a light model of your own AI reads the anonymised text only, to flag or mask what depends on meaning, on a best-effort basis; not perfect, but pragmatic (our assessment: this second step is not measured). A school, university or public institution taking up this subject, for the good of the whole community, would be most welcome: the code is open (MIT), the protocol public.

Gardien RGPD retire les données personnelles d'un document (noms, identifiants nationaux, coordonnées bancaires, téléphones, adresses, secrets…) de façon irréversible, tout en conservant le sens : chaque personne devient [PERSONNE_1], [PERSONNE_2]… de manière cohérente dans tout le document. Un LLM peut alors résumer, analyser ou comparer le contenu sans voir les identifiants masqués.

Offert gratuitement par Flow Line Intégration · conçu par Guillaume CLEMENT, CTO Data & IA · Licence MIT. Offered free of charge by Flow Line Intégration · designed by Guillaume CLEMENT, CTO Data & AI · MIT licence. Version 1.0.2, en phase de recherche et développement / in research and development.

Vidéo / Video (muette, 2 min 57 / silent, 2 min 56) : lancement en français · launch in English ; sur le site / on the site : https://gardienrgpd.fr/#video, https://gdprguardian.com/#video.


Pourquoi Gardien RGPD

🔒 Irréversible, par conception

Une clé aléatoire est créée pour chaque document puis détruite. Aucune table de correspondance n'existe : ni vous ni nous ne pouvons retrouver, depuis le résultat, une valeur remplacée.

🧠 Cohérent pour l'IA

« M. Dupont », « Jean Dupont », « J. Dupont » et « DUPONT Jean » deviennent la même [PERSONNE_1] ; sur 2 463 personnes fictives, 92,2 % gardent une seule balise (26 octobre 2026). Les rôles, les relations et le fil du document sont préservés.

🇫🇷 Identifiants européens vérifiés

NIR (y compris Corse, DOM, NIA), SIREN/SIRET (exception La Poste), TVA, RIB, IBAN de 89 pays, CNI, passeport, permis, RPPS, FINESS… validés par leurs clés de contrôle officielles, et pas seulement par des expressions régulières.

🌍 Packs pays

countries=["FR"] (défaut), plusieurs pays, ou "all" pour un document d'origine inconnue : identifiants à clé forte masqués partout, identifiants faibles seulement avec leurs mots-clés locaux. Le mode "auto" (pays deviné) reste expérimental.

⚡ Rapide, sur CPU

Aucun GPU, aucun appel à un LLM. Noyau optionnel en Rust (sans GIL) aux résultats identiques au moteur Python : un message de 2 Ko est traité en moins d'une milliseconde.

📄 Documents et tableurs

PDF, Word, PowerPoint, HTML, e-mails, Excel et CSV sont convertis en Markdown anonymisé, prêt pour l'IA. Feuilles masquées, commentaires et métadonnées ne fuient pas.

🤖 Fait pour Claude et les agents

Serveur MCP en ligne ou sur votre poste (plugins Claude pour Claude Code, Claude Desktop et Cowork ; VS Code, Cursor… ; sur le poste, les archives des skills tant que le paquet n'est pas sur PyPI), même logiciel et même version, et deux skills Claude, légère (service en ligne, clé API, rien à installer) ou lourde (moteur embarqué, sans clé, rien ne quitte la machine) : Claude fait anonymiser le document sans le lire et ne lit que le Markdown anonymisé.

💻 Sur votre poste, sans rien envoyer

Pour les plus prudents, et sans clé : installation locale, aucune connexion réseau pendant le traitement (vérifié à chaque version), ou conteneur Docker sans réseau. Voir docs/LOCAL.md.

🧩 Vos règles en plus

Chaque organisation ajoute ses règles dans l'appel (références internes à masquer, numéros de commande à conserver, projets confidentiels), exécutées par un moteur d'expressions à temps linéaire, jamais conservées.

🔎 Explicable

explain=true : pour chaque balise, la règle et la raison (clé de contrôle validée, mot-clé, étiquette de formulaire, règle de l'organisation…), jamais la valeur. Voir docs/REGLES.md.

🛡️ Privacy by design

Traitement en mémoire uniquement, un processus neuf par document converti, aucun contenu journalisé, hébergement européen, sortie nettoyée des vecteurs d'injection (caractères invisibles, images distantes).

Related MCP server: privacyscrubber-mcp

Exemple

Entrée :  M. Jean Dupont (jean.dupont@exemple.fr, 06 12 34 56 78), NIR 1 85 05 78 006 084 91,
          IBAN FR76 3000 6000 0112 3456 7890 189. M. Dupont rappellera Mme Claire Martin.

Sortie :  M. [PERSONNE_1] ([EMAIL_1], [TEL_1]), NIR [NIR_1],
          IBAN [IBAN_1]. M. [PERSONNE_1] rappellera Mme [PERSONNE_2].

Service en ligne, avec clé API / online service, with an API key

API REST

https://api.gardienrgpd.fr · https://api.gdprguardian.com (POST /v1/anonymize/text, POST /v1/anonymize/file, envoi hors bande /v1/uploads)

MCP en ligne

https://api.gardienrgpd.fr/mcp · https://api.gdprguardian.com/mcp, avec la clé : claude mcp add --transport http gdprguardian https://api.gdprguardian.com/mcp --header "Authorization: Bearer $GDPRGUARDIAN_API_KEY" ; claude.ai, Claude Desktop, Cowork : connecteur personnalisé avec un en-tête de requête Authorization (Bearer suivi de la clé) ; Cursor, VS Code : champ headers de la configuration MCP

Page et essai

gardienrgpd.fr · gdprguardian.com (pages publiques ; l'essai demande la clé)

curl -s https://api.gardienrgpd.fr/v1/anonymize/text -H "Authorization: Bearer $GDPRGUARDIAN_API_KEY" \
  -H 'Content-Type: application/json' -d '{"text": "Contactez Jean Dupont au 06 12 34 56 78."}'
  • Une clé API, aucun cookie. La clé est remise sur demande (contact@gardienrgpd.fr) avec un accord de sous-traitance (RGPD, art. 28) ; elle passe dans l'en-tête Authorization: Bearer <clé>, le seul accepté (sans clé : 401). Traitement en mémoire, un processus neuf par requête, rien n'est conservé ni journalisé ; un résultat différé est effacé 2 minutes après sa lecture complète, ou 10 minutes après la dernière lecture.

  • Gros documents : l'envoi (PUT) répond 202 dès le fichier reçu ; le traitement continue et la lecture du résultat (get_anonymized ou GET /v1/results/…) donne l'étape, l'avancement et retry_after_s jusqu'au résultat.

  • Limites par client, tenues en mémoire sous un pseudonyme renouvelé chaque jour : quelques documents de 10 Mo d'affilée puis un toutes les 8 secondes, des centaines de petits textes par minute, 50 Mo au plus par fichier et 1 million de caractères par texte ; au-delà, 429 ou 503 avec Retry-After. Détails : deploy/README.md.

  • Qualité minimale du texte : un texte lisible (PDF avec couche texte, Word, courriel…). Les images et les pages numérisées sans couche texte ne sont pas lues (avertissement). Un PDF dont la couche texte vient d'un OCR de mauvaise qualité (mots déformés, césures cassées, symboles parasites) est traité, avec l'avertissement « Texte de mauvaise qualité (OCR probable) : détection dégradée, relisez le résultat » : un nom déformé peut échapper à la détection. Ce contrôle ne porte que sur les PDF (le produit ne fait pas d'OCR) ; jamais sur un texte collé.

  • Documents très sensibles (santé, RH, dossier judiciaire, secret professionnel) : sur le service en ligne, nous les traitons pour votre compte, sous accord de sous-traitance ; préférez la version locale, libre et sans clé, où rien ne quitte le poste (docs/LOCAL.md).

EN. REST and MCP at https://api.gdprguardian.com and https://api.gardienrgpd.fr (MCP on /mcp), for API key holders only: the key is given on request (contact@gardienrgpd.fr) with a data processing agreement (GDPR Art. 28) and goes in the Authorization: Bearer <key> header, the only one accepted (401 without it): curl -H "Authorization: Bearer $GDPRGUARDIAN_API_KEY"; Claude Code claude mcp add --transport http gdprguardian https://api.gdprguardian.com/mcp --header "Authorization: Bearer $GDPRGUARDIAN_API_KEY"; claude.ai, Claude Desktop, Cowork: a custom connector with an Authorization request header (Bearer then the key); Cursor, VS Code: the headers field of the MCP configuration. No cookie; in-memory processing, nothing kept or logged; per-client limits (a few 10 MB documents in a row, then one every 8 seconds; hundreds of small texts per minute; 50 MB per file; 429 or 503 with Retry-After beyond). Big documents: the upload answers 202 once received, then reading the result reports the stage, progress and retry_after_s. Minimum text quality: readable text (scanned pages without a text layer are not read, with a warning); a PDF whose text layer comes from low-quality OCR is processed with the warning "Low-quality text (likely OCR): degraded detection, check the result" (PDFs only: the product does no OCR; never on pasted text). Online, we process your documents on your behalf, under a data processing agreement; for very sensitive documents, use the local version, free and with no key: nothing leaves your computer.

Skills Claude : légère ou locale / Claude skills: light or local

Claude n'ouvre jamais le document : il le fait anonymiser, puis ne lit que le Markdown anonymisé. Deux skills, archives prêtes à téléverser dans skills/ ; installées ensemble, la locale passe d'abord, et la légère n'envoie un document qu'après l'accord de l'utilisateur.

Skill

Ce qu'elle fait

Archive

Plugin

gdprguardian-online, légère

envoie le document au service en ligne (MCP ou API REST), avec une clé API (GDPRGUARDIAN_API_KEY), rien à installer

gdprguardian-online.zip

gdprguardian-online (MCP en ligne + skill) : claude.ai, Claude Desktop, Cowork, Claude Code

gdprguardian-local, lourde

anonymise là où elle tourne, moteur complet embarqué, sans réseau, Python 3.11 à 3.14

gdprguardian-local.zip (Linux : claude.ai et conversation de Claude Desktop, même sur Windows ou Mac ; Linux, WSL) ; gdprguardian-local-windows-macos.zip (Claude Code directement sous Windows ou macOS Apple Silicon)

gdprguardian (MCP local + skill + garde-fou) : Claude Code, Cowork

  • claude.ai et Claude Desktop : Personnaliser > Plugins > Ajouter > Ajouter une marketplace FlowLineIntegration/GDPRGuardian > gdprguardian-online, puis onglet Connecteurs du plugin ; ou Personnaliser > Skills > « + » > Créer une skill > Téléverser une skill (exécution de code activée).

  • Claude Code : claude plugin marketplace add FlowLineIntegration/GDPRGuardian, puis claude plugin install gdprguardian-online@gdprguardian ou claude plugin install gdprguardian@gdprguardian ; ou dézipper une archive dans ~/.claude/skills/. Le plugin local lance uvx sur le paquet gdprguardian, pas encore publié sur PyPI : d'ici là, il ne démarre pas ; utilisez les archives.

  • Explications sur demande (règle et raison de chaque balise, jamais la valeur), limites et mode d'emploi : integrations/claude/README.md. Dans claude.ai, un fichier joint à la conversation est déjà parti chez Anthropic : pour qu'il ne quitte pas le poste, Claude Code ou Cowork.

  • Ensuite, sauf si la tâche en a besoin, un modèle léger de l'IA de l'utilisateur masque dans une copie les données sensibles restantes (RGPD, art. 9 et 10 : [SANTE_1]…) : une passe probabiliste, non mesurée, hors des garanties déterministes.

EN. Claude never opens the document: it has it anonymised, then reads only the anonymised Markdown. Two skills, as ready-to-upload archives in skills/; installed together, the local one comes first, and the light one sends a document only once the user agrees. The light gdprguardian-online uses the online service through MCP or REST, with an API key (GDPRGUARDIAN_API_KEY), nothing to install (plugin gdprguardian-online, for claude.ai, Claude Desktop, Cowork and Claude Code). The heavy gdprguardian-local bundles the full engine and runs with no network, Python 3.11 to 3.14: gdprguardian-local.zip (Linux) for claude.ai and the Claude Desktop chat, even on Windows or a Mac, and for Linux and WSL; gdprguardian-local-windows-macos.zip only for Claude Code running directly on Windows or Apple-silicon macOS; plugin gdprguardian (local MCP server and guardrail) for Claude Code and Cowork, which needs the gdprguardian package on PyPI, not published yet: until then, use the archives. claude.ai and Claude Desktop: Customize > Plugins > Add > Add marketplace, then the plugin's Connectors tab, or Customize > Skills > "+" > Create skill > Upload a skill (code execution on); Claude Code: claude plugin marketplace add FlowLineIntegration/GDPRGuardian, then install either plugin, or unzip an archive into ~/.claude/skills/. Then, unless the task needs them, a light model of the user's own AI masks the remaining sensitive data (GDPR art. 9 and 10: [SANTE_1]...) in a copy: a probabilistic pass, not measured, outside the deterministic guarantees. Details and limits: integrations/claude/README.md.

Indice de confiance : nous nous notons en public / confidence index: we rate ourselves in public

Protocole 1.1 (docs/PROTOCOLE.md), deux notes. Documents normalisés, l'usage visé (cible : 95 % ou plus) : 96,9 % [96,2–97,6] (IC 95 %), 1 019 385 documents. Documents difficiles, toute l'équipe rouge (51 façons de piéger un texte) : 84,0 % [83,9–84,1],

moteur 1.0.1+4bb5c465425e (réglage unique, d'avant les modes ; « — » : pas encore mesuré, ou sans objet). L'usage mesuré : les textes qu'une organisation envoie à une IA, de bonne foi (courriels, demandes collées, comptes rendus, courriers RH, contrats, factures). Une fuite, c'est un seul caractère lisible d'une adresse postale, d'un téléphone, d'un courriel ou d'un autre identifiant direct, quel qu'en soit le titulaire, ou du nom d'une personne ; un nom de société (RGPD, considérant 14) ou une ville citée comme lieu n'en sont pas. Chaque note est la part des documents sans fuite : documents normalisés, calculée par famille puis moyennée à poids égal (le volume n'achète aucun poids) ; documents difficiles, chaque document piégé compte une fois. Intervalle à 95 % par rééchantillonnage stratifié (2 000 tirages, graine fixe) ; mentions directes entièrement masquées : 99,3 % (normalisés),

(PROTOCOL-REGISTRATION-1.1.json). Réserve : les moitiés test des corpus réels ne sont plus aveugles (déjà notées par la campagne 1.0 et pendant la mise au point du moteur), donc les chiffres réels sont optimistes. Protocole 1.0, 7 familles dont les plus faibles (sorties de l'indice en 1.1) : 61,8 % [58,6–66,9], résultat gardé publié (protocol-2026-10-26.md). Notes par mode, moteur 1.0.2 (mesure interne, moitié dev, 27 octobre 2026, moteur 1.0.2+src.65f7bd2b7075 : données de mise au point, pas encore le protocole public, chiffres optimistes) : fort (par défaut) 96,3 % [95,4–97,1], difficiles 85,4 %, codes utiles perdus 14,5 % ; essentiel 92,7 % [91,6–93,7], difficiles 85,1 %, codes utiles perdus 4,0 %. Le protocole 1.2 les mesurera sur le vrai service ; il est déclaré avant sa campagne (PROTOCOL-REGISTRATION-1.2.json), et le résultat 1.1 reste affiché.

Famille (corpus réels : moitié test) / family (real corpora: test half)

Documents

Sans fuite / no leak (%)

Mentions masquées / masked (%)

Précision / precision (%)

Documents normalisés, l'indice / normalised documents, the index

Synthétique FR, 10 graines, leurres / synthetic FR, 10 seeds, decoys

450 000

97,2

99,6

98,8

BODACC

1 335

97,5

99,5

99,2

BOAMP

1 408

95,1

98,3

87,7

ParlaMint-FR (gold partiel : borne haute / partial gold: upper bound)

143

97,9

99,8

—

Documents difficiles, la seconde note / difficult documents, the second score

Formats du quotidien abîmés (25) / damaged everyday formats (25)

284 081

84,9

96,5

98,8

Déguisements volontaires (25) / deliberate obfuscations (25)

252 895

86,6

94,5

98,8

Bruit d'OCR / OCR noise

11 931

9,2

72,8

98,6

Publiés à part, hors des deux notes / published apart, outside both scores

Presse ancienne, OCR de mauvaise qualité / old press, low-quality OCR

272

17,3

55,2

75,5

MAPA FR (6 documents)

6

16,7

33,1

46,8

Autres langues / other languages (DE, ES, IT, NL, PT, EN)

646

5,7

14,0

—

Garde-fous / guards (%) : texte neutre masqué à tort / neutral text masked by mistake

Judilibre (sans annotation) / negative control: 300 décisions / decisions,

Limites, sans détour : une première barrière, pas une certification ; les fuites qui restent sont surtout dans les documents difficiles (retour à la ligne à l'intérieur d'un identifiant, lettres espacées d'un PDF, barres obliques ou doubles espaces entre chiffres, RIB écrit champ par champ) et dans les adresses des avis BOAMP ; la conversion des PDF, Word et Excel n'est pas mesurée ; par l'API, un pays choisi sans la France ne masque ni noms ni adresses. Résultats bruts datés et historique des campagnes, versions précédentes comprises : benchmarks/results/.

EN. Protocol 1.1, two scores. Normalised documents, the intended use (target: 95% or more): 96.9% [96.2–97.6] (95% CI), 1,019,385 documents. Difficult documents, the whole red team (51 ways to trap a text): 84.0% [83.9–84.1],

engine 1.0.1+4bb5c465425e (single setting, before modes; "—": not measured yet, or not applicable). The use case measured: the texts an organisation sends to an AI, in good faith (e-mails, pasted requests, minutes, HR letters, contracts, invoices). A leak is a single readable character of a postal address, a phone number, an e-mail address or another direct identifier, whoever it belongs to, or of a person's name; a company name (GDPR, recital 14) or a town named as a place is not one. Each score is the share of documents with no leak: normalised documents, computed per family, then averaged with equal weight (volume buys no weight); difficult documents, every trapped document counts once. 95% interval by stratified resampling (2,000 draws, fixed seed); direct mentions fully masked:

Definition and digests published before the run (PROTOCOL-REGISTRATION-1.1.json). Caveat: the test halves of the real corpora are no longer blind (scored by the 1.0 run and while the engine was tuned), so the real-corpus figures are optimistic. Protocol 1.0, 7 families including the weakest (moved out of the index in 1.1): 61.8% [58.6–66.9], result kept published (protocol-2026-10-26.md). Scores per mode, engine 1.0.2 (internal measurement, dev half, 27 October 2026, engine 1.0.2+src.65f7bd2b7075: tuning data, not yet the public protocol, so optimistic figures): strong (default) 96.3% [95.4–97.1], difficult 85.4%, useful codes lost 14.5%; essential 92.7% [91.6–93.7], difficult 85.1%, useful codes lost 4.0%. Protocol 1.2 will measure them through the real service; it is registered before its run (PROTOCOL-REGISTRATION-1.2.json), and the 1.1 result stays shown. Published apart, outside both scores, with their figures in the table above: old newspapers (low-quality OCR), MAPA FR, other languages, and the Judilibre control. Known limits: a first barrier, not a certification; the leaks that remain are mostly in the difficult documents (a line break inside an identifier, the spaced-out letters of a PDF, slashes or double spaces between digits, French bank details written field by field) and in the addresses of BOAMP notices; the conversion of PDF, Word and Excel files is not measured; through the API, a country chosen without France masks neither names nor addresses. Dated raw results and the history of runs, earlier versions included: benchmarks/results/.

Démarrage rapide

Pas encore sur PyPI. Les paquets gdprguardian, gdprguardian-core et gdprguardian-mcp 1.0.2 ne sont pas encore publiés : les commandes pip install, uv tool install et uvx ci-dessous échouent d'ici là, comme le plugin local gdprguardian, gdprguardian mcp-config et le paquet .mcpb. Sans rien installer, avec une clé API : le site, l'API et le MCP en ligne. Sur le poste, sans clé : les archives de skills/ (moteur, noyau et convertisseurs embarqués, sans réseau), ou depuis le code : git clone du dépôt puis uv sync --extra local (Python 3.11+ et Rust : le noyau se construit depuis rust/). Not on PyPI yet: until then the commands below fail; use the online service (API key), the skills/ archives (engine bundled, no key) or a clone of the repository with uv sync --extra local (Python 3.11+ and Rust).

pip install "gdprguardian[all]"      # bibliothèque, convertisseurs, API et MCP en ligne
pip install "gdprguardian[local]"    # ou seulement l'usage sur le poste : convertisseurs et MCP local

Le noyau Rust (gdprguardian-core) s'installe de lui-même sous Windows x64, macOS et Linux (x86-64, ARM64) ; ailleurs, le moteur Python donne les mêmes résultats, plus lentement. Claude Code, Claude Desktop, Cowork, VS Code, Cursor : voir docs/LOCAL.md.

from gdprguardian import anonymize

result = anonymize("Contactez Jean Dupont au 06 12 34 56 78.")
print(result.text)     # Contactez [PERSONNE_1] au [TEL_1].
print(result.report)   # entités remplacées, pays retenus, temps de traitement…

Comment ça marche

document ──► conversion Markdown ──► normalisation (homoglyphes, caractères invisibles)
        ──► mots-clés de contexte (1 passage) ──► motifs + clés de contrôle (packs pays)
        ──► noms, adresses, organisations ──► fusion, propagation, coréférence
        ──► balises cohérentes ([PERSONNE_1]…) ──► clé détruite ──► Markdown anonymisé

Chaque identifiant a un niveau de confiance :

  • A : clé de contrôle forte (NIR, IBAN…), masqué sans condition ;

  • B : clé faible (Luhn…), masqué si le contexte le confirme ;

  • C : sans clé, masqué uniquement en présence de contexte.

Gardien RGPD est une première barrière : automatique, mesurée, explicable et réglable, pas une promesse de « zéro fuite ». La cartographie complète des règles, le format des règles d'organisation et le glossaire des raisons sont dans docs/REGLES.md.

from gdprguardian import Anonymizer

rules = {"rules": [{"label": "CLIENT_ID", "pattern": "CLT-[0-9]{6}"}], "deny": {"PROJET": ["Opération Phénix"]}}
result = Anonymizer(countries="FR", rules=rules, explain=True).anonymize("Client CLT-204518, Opération Phénix.")
print(result.text)               # Client [CLIENT_ID_1], [PROJET_1].
print(result.report["explain"])  # [{'tag': '[CLIENT_ID_1]', 'rule': 'CUSTOM_1_CLIENT_ID', 'reason': 'custom_rule', ...}]

Performances

Mesures d'octobre 2026, sur un corpus de 1 000 documents fictifs de 1,9 Ko en moyenne (moteur : un cœur ; service : 16 cœurs sous Linux).

Mesure

Résultat

Document de 2 Ko, noyau Rust

0,45 ms sous Windows (4,2 Mo/s), 0,48 ms sous Linux

Même corpus, moteur Python seul

3,9 ms sous Windows, 3,7 ms sous Linux

Texte de 10 Mo

2 s

Service, texte de 2 Ko de bout en bout

médiane 5,2 ms, 99 % des requêtes sous 8,6 ms

Service, 100 PDF de 10 Mo envoyés ensemble

tous traités en 8,7 s

Service, 100 fichiers de 10 Mo (Word, PDF, Excel, texte)

tous traités en 34,8 s

Les temps du service comprennent l'isolement de chaque requête dans un processus neuf. Le noyau Rust donne des résultats identiques au moteur Python, qui reste la référence. Moteur déployé, remesuré le 26 octobre sur un portable Windows partagé (Ryzen 7 5800H) : 0,30 ms pour 1 000 caractères, 2,2 ms pour 10 000, médianes sur un cœur (bench-2026-10-26-standard-rules3.md). Méthode et détails : docs/ARCHITECTURE.md et deploy/README.md.

Nous écrire / Contact us

FR. Demandes d'évolution, problèmes de performance, identifiants mal traités ou autres problèmes : ouvrez une issue. Ne collez jamais de données personnelles réelles dans une issue : reproduisez le problème avec un exemple fictif. Une faille de sécurité se signale en privé (voir SECURITY.md). Contribuer : CONTRIBUTING.md.

EN. Feature requests, performance problems, mishandled identifiers or other problems: open an issue. Never paste real personal data into an issue: reproduce the problem with a fictitious example. Report security vulnerabilities privately (see SECURITY.md). Contributing: CONTRIBUTING.md.

Un outil offert, remerciements / A gift, acknowledgements

FR. Chacun peut l'utiliser, s'en inspirer, le reprendre, sans rien imposer. Merci à Flow Line Intégration, qui fournit gratuitement le service en ligne. Conçu par Guillaume CLEMENT, CTO Data & IA. Données, polices et composants de tiers, avec leurs licences et attributions : THIRD_PARTY.md.

EN. Anyone may use it, learn from it, build on it, with nothing imposed. Thanks to Flow Line Intégration, which provides the online service free of charge. Designed by Guillaume CLEMENT, CTO Data & AI. Third-party data, fonts and components, with their licences and attributions: THIRD_PARTY.md.

Avertissement / Disclaimer

FR. Gardien RGPD est un outil expérimental et open source, pour contribuer au respect du RGPD : il aide à limiter les données personnelles confiées à une IA, sans suffire à assurer la conformité. Le logiciel (licence MIT) et le service en ligne sont fournis en l'état, sans garantie. L'outil masque des identifiants directs, pas tous, et ne lit pas le sens (santé, opinions, recoupements) : le texte produit peut encore permettre d'identifier quelqu'un. Traitez-le comme des données personnelles et vérifiez les résultats avant de vous y fier. Passer un document dans l'outil est déjà un traitement de données personnelles : vous en restez responsable. En ligne, vos documents passent par notre serveur, qui les traite pour votre compte sous accord de sous-traitance (RGPD, art. 28) : à vous de juger si cet envoi est permis ; sinon, utilisez la version locale. Dans toute la mesure permise par la loi, et sans préjudice des droits qu'elle ne permet pas d'écarter, Flow Line Intégration et les auteurs du projet déclinent toute responsabilité quant à l'usage que vous faites de l'outil et de ses résultats. Ni certification ni conseil juridique.

EN. GDPR Guardian is an experimental, open-source tool to help with GDPR compliance: it reduces the personal data you hand to an AI, but is not enough on its own to ensure compliance. The software (MIT licence) and the online service are provided as is, without warranty. The tool masks direct identifiers, not all of them, and does not read meaning (health, opinions, combined clues): its output may still identify someone. Treat it as personal data and check the results before relying on them. Running a document through the tool is itself processing of personal data: you remain responsible for it. Online, your documents go through our server, which processes them on your behalf under a data processing agreement (GDPR Art. 28): it is for you to decide whether you may send them; if not, use the local version. To the fullest extent permitted by law, and without prejudice to rights it does not allow to be excluded, Flow Line Intégration and the project's authors accept no liability for the use you make of the tool or of its results. Neither a certification nor legal advice.


Feuille de route et choix techniques : docs/PLAN.md. Architecture (noyau Rust, contrat de parité avec la référence Python, service à un processus par requête) : docs/ARCHITECTURE.md. Déploiement : deploy/README.md. Sur le poste : docs/LOCAL.md. Publication d'une version : docs/PUBLISHING.md. Protocole public d'auto-évaluation : docs/PROTOCOLE.md ; corpus réels : docs/CORPUS_REELS.md.

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      A
      quality
      D
      maintenance
      Provides local anonymization of Czech legal documents by replacing sensitive entities with pseudonyms to ensure privacy during LLM interactions. It allows users to safely process documents like contracts and judgments by keeping original data offline and facilitating local deanonymization.
      5
      5
      MIT
    • A
      license
      B
      quality
      B
      maintenance
      Zero-Trust local PII & secrets masking MCP (ZTDS RFC v1.0). Zero server logs. Features: 23 zero-trust tools, 30 industry profiles, offline OCR, RAM-only masking. Run: npx -y @privacyscrubber/mcp-server. Website: https://privacyscrubber.com SDK: https://www.npmjs.com/package/@privacyscrubber/sdk
      4
      23
      794 npm
      274 PyPI
      3
      MIT
    • A
      license
      B
      quality
      B
      maintenance
      Enables local, in-memory de-identification of PII, PHI, and credentials with deterministic reversible surrogate tokens before LLM transmission, then restores originals from volatile session mappings and audits for exposures without network egress or disk writes.
      5
      115 npm
      1
      Apache 2.0
    • A
      license
      Not graded
      quality
      C
      maintenance
      Strips personal data and credentials from text before it reaches a model, log, or ticket, using checksum-verified detection for cards, IBANs, routing numbers, SSNs, contact details, and API keys. Placeholders such as <EMAIL_1> can later be swapped back in so the model's response is restored with the original values.
      10 npm
      MIT