securedact-mcp
SecuRedact MCP
SecuRedact ist eine lokale Datenschutz- und Sicherheitsebene für KI-Agenten und KI-Workflows. Es erkennt und schützt sensible Daten – personenbezogene Daten / PII, DSGVO-relevante Informationen, Anmeldedaten, API-Schlüssel, Tokens, Geheimnisse und sensible Dateien – bevor diese Daten Modelle, Tools, Dateien oder externe Ziele erreichen.
SecuRedact MCP ist der unter Apache-2.0 lizenzierte Open-Source-MCP-Server und die wiederverwendbare Python-Datenschutz-Engine. Es erkennt sensiblen Text, wendet versionierte Richtlinien an, schwärzt lokal und validiert die Restausgabe, bevor der bereinigte Inhalt als genehmigt markiert wird.
Der MCP-Modus fängt nicht automatisch jede Eingabeaufforderung ab. Der Host muss das Tool aufrufen und nur
sanitized_textsenden, wennstatus == "ok"ist; ein falsch konfigurierter oder bösartiger MCP-Host kann diesen normalen MCP-Workflow umgehen. Vom Anbieter native erzwungene Hooks sind separate Integrationsressourcen: Wenn ein unterstützter Anbieter einen solchen Hook an seiner Prompt-Lebenszyklus-Grenze aufruft, kann er dieselbe deterministische Entscheidung vor der normalen Modellverarbeitung anwenden. Siehe SecuRedact Enforced.
Warum SecuRedact
KI-Agenten lesen zunehmend Dateien, rufen Tools auf und senden Prompts an externe Modelle. Das setzt PII, Anmeldedaten und sensible Dokumente offen, es sei denn, etwas prüft die Daten zuerst. SecuRedact ist eine Datenschutz- und Sicherheitskontrolle für KI-Workflows:
Lokal zuerst – alle Erkennungs-, Schwärzungs- und Richtlinienbewertungen laufen auf Ihrem Rechner. Standardmäßig kein Netzwerk-Listener, keine Telemetrie, keine Anbieteraufrufe.
PII-/DSGVO-Erkennung – Namen, E-Mails, IBANs, Kennungen und Daten besonderer Kategorien werden erkannt und pseudonymisiert oder geschwärzt.
Schutz von Geheimnissen und Anmeldedaten – API-Schlüssel, Tokens und Passwörter werden erkannt und daran gehindert, Ihre Umgebung zu verlassen.
Dateisystemschutz – Lesezugriffe werden gegen Traversal-/Symlink-Escapes verteidigt und vor geschützten Pfaden wie
.envblockiert.KI-Agenten-Datenschutz-Firewall – erzwungene Hooks für Claude Code und Gemini CLI führen dieselbe lokale Entscheidung aus, bevor ein Prompt, ein Modellaufruf oder eine Tool-Aktion fortgesetzt wird.
Netzwerk-/Egress-Bewusstsein – ausgehende Tool-Aufrufe werden klassifiziert (intern/extern/unbekannt), sodass Richtlinien eine Genehmigung verlangen oder Egress blockieren können.
SecuRedact hilft, die Offenlegung sensibler Daten zu reduzieren; es ist keine Garantie für Compliance oder eine Behauptung, dass jedes Leck verhindert wird. Siehe Einschränkungen.
Related MCP server: phi-redact-mcp
Schnellstart
Installieren Sie von PyPI und führen Sie die geführte Einrichtung aus (Windows):
py -3.12 -m pip install "securedact-mcp[ml]"
securedact-mcp setupLinux / macOS:
python3.12 -m pip install "securedact-mcp[ml]"
securedact-mcp setupSchützen Sie in Sekunden einen Text (nur deterministische Demo, kein Modell erforderlich):
import os
os.environ["SECUREDACT_REQUIRE_FLAIR"] = "0" # deterministic detectors only
from securedact_core import RedactionRequest, SecuredactEngine
engine = SecuredactEngine.from_environment()
result = engine.prepare(
RedactionRequest(
text="Contact alex@example.test, IBAN NL91ABNA0417164300",
policy="strict_external_ai",
)
)
print(result.status) # "ok"
print(result.sanitized_text) # "Contact [EMAIL_1], IBAN [IBAN_1]"Reproduzierbare synthetische Sicherheits-Demos: docs/distribution/security-demo.md.
Sicherer Standard-Workflow
Verwenden Sie prepare_for_external_ai für die normale Vorbereitung externer KI:
{
"text": "Contact alex@example.test",
"policy": "strict_external_ai",
"language": "auto",
"response_mode": "minimal"
}Genehmigte Antwort:
{
"schema_version": "1",
"status": "ok",
"sanitized_text": "Contact [EMAIL_1]",
"counts": {"email": 1},
"policy": "strict_external_ai",
"policy_version": 1,
"policy_digest": "...",
"reason_codes": []
}review_required- und blocked-Antworten enthalten niemals genehmigtes sanitized_text. Minimale Antworten enthalten keinen Originaltext, keine Rohwerte von Entitäten, keine Zuordnungen, keinen Ausnahmetext, keinen Stack-Trace, keinen Modellpfad und keinen Wiederherstellungs-Handle, es sei denn, restore_capable wurde explizit ausgewählt.
Architektur und Vertrauensgrenze
flowchart LR
H["MCP host"] --> M["Securedact MCP"]
M --> D["deterministic detectors"]
M --> C["contextual detectors"]
D --> P["policy engine"]
C --> P
P --> R["redactor"]
R --> V["residual validator"]
V --> O["approved sanitized output"]
O --> W["host-controlled downstream workflow"]
H -. "host may bypass MCP" .-> WDer Server hat keine Anbieter-Clients, keinen OpenAI-kompatiblen Proxy, keinen Reverse-Proxy, keine Website, keinen Desktop-Chatbot, keine Anbieter-Anmeldedaten und keine anbieterspezifische Weiterleitung. Siehe ADR 0001 und das Bedrohungsmodell.
Tools
Tool | Verwendungszweck | Verhalten bei sensiblen Antworten |
| Empfohlener vollständiger sicherer Workflow | Standardmäßig minimal |
| Niedrigere lokale Analyse/Überprüfung | Minimal; Offsets in |
| Niedrigere Kompatibilitätsoperation | Standardmäßig minimal; expliziter |
| Verbraucht eine lokale undurchsichtige Sitzung | Standardmäßig einmalig; direkte Zuordnungen erfordern expliziten vertrauenswürdigen Legacy-Modus |
| Schreibt genehmigte | Gibt keine Zuordnung oder keinen absoluten Pfad zurück |
| Liest sicher eine lokale Datei und gibt nur bereinigten Text zurück | Blockiert geschützte Pfade vor dem Lesen; lehnt Traversal/Symlink/Binärdateien ab; standardmäßig |
Antwortmodi sind minimal, review, debug und restore_capable. Debug ist deaktiviert, es sei denn, der Prozess wurde mit SECUREDACT_ENABLE_DEBUG_RESPONSES=1 gestartet; eine MCP-Anfrage kann es nicht aktivieren. In-Memory-Wiederherstellungssitzungen verwenden kryptografische Zufalls-Handles, begrenzte Kapazität, Ablauf, Parallelitätsschutz und einmaligen Verbrauch. Der Prozessende zerstört alle Sitzungen.
Siehe MCP-Tools, Antwort-Datenschutz und Wiederherstellungssitzungen.
Installation
Python >=3.12,<3.13 wird unterstützt.
Für eine normale Installation von PyPI:
py -3.12 -m pip install "securedact-mcp[ml]"
securedact-mcp setupUnter Linux oder macOS verwenden Sie python3.12 -m pip install "securedact-mcp[ml]"; python -m pip install "securedact-mcp[ml]" ist ebenfalls geeignet, wenn python bereits eine unterstützte 3.12-Umgebung auswählt.
setup prüft das Paket, Python- und ML-Abhängigkeiten, inspiziert den lokalen Modellzustand, bietet den bestehenden zustimmungsbasierten Modellinstaller an, führt den bestehenden Offline-Verifier aus und bietet die paketierten Claude Code- und Gemini CLI-Integrationen an, wenn diese Hosts erkannt werden. Es verwendet die offiziellen Plugin-/Erweiterungsbefehle der Anbieter und kann sicher erneut ausgeführt werden. Es ruft keine Anbieter-Modell-API auf, akzeptiert keine Anbietervertrauen automatisch und lädt kein kontextuelles Modell herunter, es sei denn, der Benutzer wählt explizit die Modelleinrichtung aus und akzeptiert die bestehende Upstream-Eingabeaufforderung.
Manuelle Modellbefehle bleiben für fortgeschrittene oder unbeaufsichtigte Operationen verfügbar:
securedact-mcp install
securedact-mcp models verify
securedact-mcpDer letzte Befehl startet einen lokalen stdio-Server. Die Standardausgabe ist für MCP-Protokollnachrichten reserviert. securedact-mcp setup --non-interactive meldet den Zustand, ohne eine Upstream-Akzeptanz zu implizieren oder einen neuen Anbieter zu konfigurieren. Verwenden Sie --host claude, --host gemini oder --host all für gezielte interaktive Anbietereinrichtung.
Entwickler-/Quellinstallation
Um stattdessen von einem überprüften Quell-Checkout zu arbeiten:
git clone https://github.com/GigantesHJI/securedact-mcp.git
cd securedact-mcp
python -m pip install ".[ml]"
securedact-mcp setupKein Modell-Checkpoint ist im Repository oder Wheel enthalten, und der Start lädt niemals einen herunter. Securedact verteilt diese Modellgewichte nicht weiter. Upstream-Modellgewichte behalten ihre eigenen Lizenzen und werden nicht durch Apache-2.0 neu lizenziert. Siehe Modellinstallation und Drittanbieter-Lizenzen.
Die rein deterministische lokale Entwicklung muss explizit ausgewählt werden:
$env:SECUREDACT_REQUIRE_FLAIR = "0"
securedact-mcpDie Produktion erfordert standardmäßig kontextuelle Fähigkeiten und schlägt fehl, während ein konfiguriertes Modell fehlt, lädt, beschädigt oder nicht verfügbar ist.
Host-Pakete
Getestete Konfigurationsressourcen und Anweisungen für sichere Workflows finden Sie unter integrations/ für Codex, Cursor und Windsurf. Die automatisierte MCP-Client-Testumgebung validiert Serverstart, Tool-Auflistung, Aufrufe, minimale Antwortform, stdout-Integrität und Herunterfahren. Sie beweist nicht, dass ein echter Host das Tool für jeden Prompt aufruft. Siehe den Kompatibilitätsnachweis.
Das Repository ist auch eine Gemini-CLI-Erweiterungswurzel: gemini extensions install https://github.com/GigantesHJI/securedact-mcp kann die Hooks installieren. Das Thema gemini-cli-extension und ein Release, dessen Tag-Baum das Wurzelmanifest enthält, sind erforderlich, damit dieser Pfad aufgelöst wird; ohne pip install "securedact-mcp[ml]" und die lokalen Modelle erzwingen die installierten Hooks nichts. Siehe SecuRedact Enforced.
Richtlinien und Python-API
Integrierte Richtlinien umfassen default, strict_external_ai, gdpr, identifiers_only und review_all_contextual; Kompatibilitätsrichtlinien bleiben verfügbar. Lokale Organisationsrichtliniendateien werden nur aus dem kontrollierten Richtlinienverzeichnis geladen, verwenden ein strenges deklaratives Schema und können Fail-Closed-Invarianten nicht deaktivieren. Unbekannte, doppelte, überdimensionierte, fehlerhafte oder symbolisch verknüpfte Richtlinien schlagen fehl.
from securedact_core import RedactionRequest, SecuredactEngine
engine = SecuredactEngine.from_environment()
result = engine.prepare(
RedactionRequest(
text="Contact alex@example.test",
policy="strict_external_ai",
)
)from_environment() erhält die Anforderung des kontextuellen Modells. Die eigenständige deterministische Entwicklung erfordert SECUREDACT_REQUIRE_FLAIR=0; Anwendungen können auch getestete Detektorimplementierungen injizieren. Siehe öffentliche API und Richtlinien.
Reproduzierbare Entwicklung
Die festgeschriebene uv.lock löst Laufzeit-, ML-, Entwicklungs-, Benchmark- und Sicherheits-Extras für Python 3.12 auf.
uv sync --frozen --extra dev --extra benchmark
uv run python scripts\verify.pyVerwenden Sie niemals echte persönliche Informationen, private Dokumente, Anmeldedaten, Kundenprotokolle oder Modellgewichte in Tests, Issues, Screenshots, Fixtures oder Pull-Requests. Siehe CONTRIBUTING.md.
Bewertung und Leistung
uv run python -m securedact_eval quality --mode deterministic --gate `
--thresholds benchmarks\thresholds.json `
--baseline benchmarks\baselines\quality-deterministic.json
uv run python -m securedact_eval performance --mode deterministicDas versionierte synthetische Korpus berichtet exakte und relaxierte Span-Präzision, Recall, F1, False-Positive- und False-Negative-Raten, Ergebnisse pro Entität/Sprache/Domäne/Split, Aktions-/Kategoriegenauigkeit und Bootstrap-Recall-Intervalle. Echte Negative sind dokumentebene negative Beispiele, keine Token-Ebene-Sicherheit. Die DSGVO-bezogene Suite ist eine Erkennungsbewertung, keine rechtliche Compliance-Zertifizierung. Echte Flair- und GPU-Benchmarks erfordern ein explizit konfiguriertes lokales Modell und sind kein gewöhnliches CI. Siehe Benchmarking. Das Benchmark-Framework dokumentiert lokale Datenschichten und große Profile; der Migrationsplan definiert seine zukünftige Extraktionsgrenze. Für einen Fehler vor der Ausführung von Repository-Schritten durch GitHub verwenden Sie den CI-Fehlerbehebungs-Entscheidungsbaum. Lokaler Erfolg ersetzt keinen erforderlichen GitHub-Check.
Sicherheit und Einschränkungen
Kein Prompt, kein Befund, keine Zuordnung, kein Wiederherstellungs-Handle, kein Geheimnis, keine Modelleingabe und keine wiederhergestellte Ausgabe wird vom Anwendungscode protokolliert.
Deterministische und kontextuelle Erkennung kann neuartige, mehrdeutige oder adversariale Offenlegung übersehen; Koreferenz und universelle Verschleierungsresistenz werden nicht beansprucht.
Überprüfungsoffsets ermöglichen einem vertrauenswürdigen lokalen Client mit der ursprünglichen Eingabe, einen Wert zu rekonstruieren; halten Sie Überprüfungsantworten lokal.
Host-Verhalten und nachgelagertes Anbieterverhalten liegen außerhalb der Vertrauensgrenze.
In Dateien dokumentierte Repository-Sicherheitseinstellungen erfordern weiterhin eine Administratorüberprüfung.
Melden Sie Schwachstellen privat über SECURITY.md. Geben Sie keine Schwachstellendetails oder echten Daten in ein öffentliches Issue.
Lizenz
Der ursprüngliche Repository-Quellcode und die Dokumentation sind unter der Apache License 2.0 lizenziert. Die Urheberrechtszuordnung ist in NOTICE festgehalten. Drittanbieterabhängigkeiten und Modellgewichte behalten ihre eigenen Lizenzen.
Available Tools
6 toolsanalyze_textARead-onlyIdempotent
Inspect text locally and report detected sensitive content without producing sanitized output.
Use this when you need to understand what PII, secrets, or credentials are present (counts, entity types, and, with review/debug modes, positions) but do not need redacted text for transmission. The original text is not modified and no sanitized representation is returned. For a policy-approved, ready-to-send result use prepare_for_external_ai; for a sanitized file use create_safe_copy; for reversing a prior local session use restore_text.
Returns a JSON object with 'status' ('ok', 'review_required', or 'blocked'), 'policy', 'policy_version', 'policy_digest', 'counts' (entity-type tallies), and, when response_mode is 'review' or 'debug', a 'findings' list. 'debug' additionally returns 'debug_details'.
Inputs: text (required), policy, response_mode. Returns: object
create_safe_copyA
Sanitize text locally and write the approved result to a new file in the Safe Copies directory.
Use this when you need a sanitized on-disk copy (for storage, handoff, or archival) rather than an in-memory sanitized string. For the sanitized text only, use prepare_for_external_ai; for inspection-only use analyze_text; for reversing a prior session use restore_text.
Side effects: a new file is written to the directory set by SECUREDACT_SAFE_COPY_DIR. The supplied 'content' is not modified and no existing file is overwritten. The filename must be a bare '.txt' or '.md' basename (no path separators or directory traversal). The operation blocks and reports 'blocked' if the directory is unconfigured, the filename is invalid, or policy blocks the content.
Returns a JSON object with 'status' ('ok' or 'blocked'), 'filename', and 'counts'.
Inputs: content (required), filename (required), policy. Returns: object
prepare_for_external_aiARead-onlyIdempotent
Use this before sending user-supplied or potentially sensitive text to an external AI service.
SecuRedact inspects and sanitizes the text locally and returns the policy-approved representation; this tool does not transmit the text externally. It is the recommended default for outbound AI workflows. Use analyze_text for inspection-only classifications, redact_text for the lower-level compatibility path, create_safe_copy when a sanitized file is required, and restore_text only to reverse a prior local session in a trusted context.
Returns a JSON object with 'status' ('ok', 'review_required', or 'blocked'), 'sanitized_text' (present only when approved), 'counts', 'policy', and optionally 'restoration_session' (when response_mode is 'restore_capable').
Inputs: text (required), policy, language, response_mode. Returns: object
redact_textARead-onlyIdempotent
Direct/lower-level redaction entry point; prefer prepare_for_external_ai for normal outbound workflows.
In its normal modes this performs the same local sanitization as prepare_for_external_ai and returns the approved result, so most agents should call prepare_for_external_ai instead. Use redact_text when you specifically need this lower-level compatibility path, or the 'legacy' mode for local review of raw redaction internals. The 'legacy' mode returns potentially sensitive local-review details and is never selected by default.
Returns, for normal modes, the same approved result as prepare_for_external_ai (status, sanitized_text, counts). For 'legacy' mode it returns a result with deprecation_code 'legacy_sensitive_response' containing local-review redaction data.
Inputs: text (required), policy, response_mode. Returns: object
restore_textA
Reverse a prior SecuRedact protection step in a trusted, local-only context.
Use this ONLY after you previously received a restoration_session from SecuRedact (for example from prepare_for_external_ai with response_mode 'restore_capable') and now need to reconstruct the original text locally for trusted review. Restoration can reveal the original sensitive values (PII, secrets, credentials); it is a trusted-local operation, not a step to prepare data for external transmission. Never call it to sanitize or prepare text for an external AI; for that use prepare_for_external_ai. Never call it on text you did not previously protect with SecuRedact.
Security boundary: all processing is local and nothing leaves the machine. The 'mapping' form requires trusted_local_review=true and exposes raw originals, so its output must never be transmitted. Returns a JSON object with 'status' ('ok' or 'blocked'), 'restored_text' (present only on success), and 'reason_codes' describing any failure.
Inputs: text (required), mapping, restoration_session, trusted_local_review. Returns: object
securedact_read_fileARead-onlyIdempotent
Safely read a local file and return only its sanitized (PII/secrets removed) text.
Use this when you must ingest a local file's contents for use with an external AI but want path-traversal, size, and binary defenses plus sanitization applied first. If the content is already in memory, use prepare_for_external_ai; for a sanitized file on disk, use create_safe_copy.
Side effects: reads a file from local disk and never transmits it. Sensitive paths and escapes are blocked before any file content is read. The returned 'sanitized_text' is safe to forward.
Returns a JSON object with 'status' ('ok' or 'blocked'), 'path', and 'sanitized_text' (present only when approved).
Inputs: path (required), policy, max_bytes. Returns: object
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
TDQS
Scored across 6 tools
Most tools have clearly distinct outputs (in-memory text, file write, file read, inspection, restoration), but prepare_for_external_ai and redact_text perform identical sanitization in normal modes, with redact_text explicitly deferring to prepare_for_external_ai. This creates a potential misselection point despite the helpful cross-references.
The majority of tools follow a clean verb_noun pattern (analyze_text, redact_text, restore_text, create_safe_copy). prepare_for_external_ai and securedact_read_file deviate with a prepositional phrase and a brand prefix, but the overall naming remains readable and predictable.
Six tools is well within the ideal scope for a focused sanitization server. Each tool maps to a distinct workflow step, and none feel extraneous enough to bloat the surface.
The set covers the core lifecycle: inspection, in-memory sanitization, safe file output, safe file input, and session restoration. Minor gaps exist around policy management and the redundant redact_text path, but there are no critical dead ends for the stated purpose.
Maintenance
Related MCP Connectors
MCP gateway: one connection for your AI apps, with tool policies, PII redaction and audit logs.
MCP server for detecting and redacting PII (Personally Identifiable Information) in PDF documents.
Zero-secret MCP gateway for AI agents: risk-scored, audited calls with human-in-the-loop approval.
Scan prompts for injection attacks, redact PII, and audit LLM SDK usage from any MCP client
Related MCP Servers
- AlicenseNot gradedqualityDmaintenanceA local, containerized MCP server that uses a local LLM to sanitize documents by removing or transforming PII before content is sent to public LLM services.MIT
- AlicenseAqualityCmaintenanceAn MCP server that redacts PII/PHI from text before it ever reaches an LLM — self-hosted, fail-closed, and HIPAA-aware.3MIT
- AlicenseAqualityDmaintenanceMCP server providing on-prem PII detection and anonymization tools (scan and is_sensitive) for AI agents, ensuring data stays local.4MIT

omitly-mcpofficial
FlicenseAqualityBmaintenanceMCP server for local, verifiable PDF redaction. Enables AI agents to find sensitive regions, locate text, redact PDFs on-device, verify redaction and tamper-evidence seals, and generate PDFs—without uploading confidential documents.8629 npm-