query-sanitizer-mcp
query-sanitizer-mcp
Eine leichtgewichtige MCP-Middleware, die zwischen Ihren Prompts und externen LLMs sitzt und sensible Daten automatisch schwärzt, bevor sie Ihren Rechner verlassen.
[Your Prompt] → sanitize_query() → [Safe Prompt] → External LLM → [Response] → restore_response() → [You]v0.3.0 — Vier-Phasen-DLP-Pipeline: Regex → GLiNER NER → LLM-Verfeinerung → Post-Scan-Prüfung. Läuft zu 100 % Open-Source, zu 100 % lokal. Getestet auf M4 MacBook und Google Colab T4.
Warum
Jedes Mal, wenn Sie internen Kontext in Claude, ChatGPT oder ein beliebiges Cloud-LLM einfügen, riskieren Sie das Durchsickern von:
Mitarbeiternamen, E-Mails, Telefonnummern
Internen Projekt-Codenamen
Infrastrukturdetails (IPs, Hostnamen, DB-Namen)
API-Schlüsseln und Anmeldedaten
Firmennamen, Auftragsvolumina, rechtlichen Referenzen
Dieser MCP-Server fängt diesen Text ab, schwärzt sensible Tokens mit typisierten Platzhaltern
([ORG_NAME_1], [PII_NAME_1] usw.) und stellt sie in der Antwort wieder her —
sodass Sie natürlichen Text sehen, während das Cloud-LLM niemals die echten Werte sieht.
Related MCP server: ai-security-gateway-mcp
Tools
Tool | Beschreibung |
| Drei-Phasen-Schwärzung. Gibt sicheren Text + |
| Tauscht Platzhalter zurück gegen die Originale. |
| Scannt die Antwort eines LLMs auf Daten, die es möglicherweise generiert oder preisgegeben hat. |
| Zeigt den Verlauf der letzten Bereinigungen an. |
Erkennungs-Pipeline
Phase 1 — Regex-Vorabprüfung (läuft immer, kein Modell erforderlich)
Deterministische Muster für strukturierte Tokens. Läuft auch, wenn das lokale Modell offline ist.
Muster | Kategorie | Blockiert? |
AWS-Zugriffsschlüssel ( | CREDENTIAL | Ja — blockiert |
GitHub-Tokens ( | CREDENTIAL | Ja |
JWTs ( | CREDENTIAL | Ja |
Slack-Tokens ( | CREDENTIAL | Ja |
| CREDENTIAL | Ja |
Passwörter in URLs ( | CREDENTIAL | Ja |
E-Mail-Adressen | PII_NAME | Nein — wiederhergestellt |
Telefonnummern | PII_NAME | Nein |
SSNs ( | PII_ID | Nein |
Mitarbeiter-/Ausweis-IDs ( | PII_ID | Nein |
RFC 1918 private IPs | INFRA | Nein |
Dollar-Beträge | FINANCIAL | Nein |
Konfigurationsdefinierte Entitäten (Firmennamen, Mitarbeiter, Codenamen, Domains) | variiert | Nein |
Phase 2 — LLM-Verfeinerung (kontextbezogen, Best-Effort)
Erfasst Entitäten, die ein semantisches Verständnis erfordern: im Kontext verwendete Firmennamen, Projekt-Codenamen, GEO_INTERNAL-Referenzen, RECHTLICHE Begriffe, INTERNAL_URL-Muster. Wenn das lokale Modell nicht verfügbar ist, wird die Ausgabe von Phase 1 mit einer deutlichen Warnung zurückgegeben.
Phase 3 — Post-Scan-Konfidenzprüfung
Führt Regex-Muster mit hoher Konfidenz über den bereinigten Text aus, um potenzielle LLM-Fehler zu markieren (z. B. ein JWT, das das Modell übersehen hat). Wird als Warnung im Bericht angezeigt.
Einrichtung
Option A — M4 MacBook (empfohlen)
Stack: Ollama 0.19+ (MLX-Backend, ~50 Tok/s auf M4) + GLiNER NER (MPS, ~80ms/Aufruf)
# 1. Install Ollama and pull the recommended model
brew install ollama
ollama pull qwen2.5:3b # 2GB, fast + strong instruction following
ollama serve # Ollama 0.19+ uses MLX automatically on Apple Silicon
# 2. Clone and install with NER layer
git clone https://github.com/vidoluco/query-sanitizer-mcp
cd query-sanitizer-mcp
python3 -m venv .venv
.venv/bin/pip install -e ".[nlp]" # fastmcp + gliner (GLiNER NER layer)Zu Claude Code hinzufügen (~/.claude/settings.json):
{
"mcpServers": {
"query-sanitizer": {
"command": "/path/to/query-sanitizer-mcp/.venv/bin/python",
"args": ["/path/to/query-sanitizer-mcp/server.py"],
"env": {
"SANITIZER_MODEL_NAME": "qwen2.5:3b",
"SANITIZER_GLINER_MODEL": "urchade/gliner_medium-v2.1"
}
}
}
}Alternative LLM-Modelle für M4 (alle über Ollama):
Modell | Größe | Geschwindigkeit auf M4 | Am besten für |
| 2 GB | ~50 Tok/s | Standard — schnell, präzise |
| 3 GB | ~40 Tok/s | Starke Schlussfolgerung |
| 2 GB | ~45 Tok/s | Breite allgemeine Nutzung |
| 5 GB | ~30 Tok/s | Höhere Genauigkeit, mehr RAM |
Option B — Google Colab T4
Stack: HuggingFace Transformers (kein Ollama erforderlich) + GLiNER (CUDA)
# Cell 1 — install
!pip install "query-sanitizer-mcp[colab]" -q
# fastmcp + gliner + transformers + torch + accelerate
# Cell 2 — configure
import os
os.environ["SANITIZER_BACKEND"] = "hf"
os.environ["SANITIZER_HF_MODEL"] = "Qwen/Qwen2.5-3B-Instruct" # ~6GB, fits T4 16GB
os.environ["SANITIZER_GLINER_MODEL"] = "urchade/gliner_medium-v2.1"
os.environ["SANITIZER_LEDGER_DIR"] = "/content/sanitizer-ledger"
# Cell 3 — use directly (no MCP client needed in Colab)
import sys; sys.path.insert(0, ".")
from server import sanitize_query, restore_response, scan_response
result = sanitize_query("Send report to jane.doe@acme.com re: Project Phoenix")
print(result)Der erste Durchlauf lädt
Qwen2.5-3B-Instruct(~6 GB) undgliner_medium-v2.1(~500 MB) in den Colab-Cache. Nachfolgende Durchläufe erfolgen sofort.
Minimale Einrichtung (nur Regex, keine Modelle erforderlich)
Wenn Sie einen Betrieb ohne Abhängigkeiten wünschen (reines Regex, kein Ollama, kein GLiNER):
pip install fastmcp
SANITIZER_MODEL_RETRIES=0 python server.pyAnmeldedaten, E-Mails, SSNs, private IPs und Finanzbeträge werden allein durch Regex erfasst. Personen, Firmennamen und Projekt-Codenamen erfordern GLiNER oder die LLM-Ebene.
Konfiguration
Erstellen Sie .sanitizer-ledger/config.json (oder führen Sie python scripts/ledger.py init-config aus):
{
"org_names": ["Acme Corp", "Acme"],
"org_domains": ["acme-internal.net"],
"project_codenames": ["Phoenix", "Titan"],
"known_employees": ["Jane Smith", "Marcus Webb"],
"internal_ip_ranges": ["10.0.0.0/8"],
"custom_patterns": [
{"pattern": "JIRA-\\d{4,}", "category": "PROJECT_NAME", "description": "Jira tickets"}
],
"always_allow": ["Google Cloud", "Kubernetes", "BigQuery", "Terraform", "Docker"]
}Konfigurationsdefinierte Entitäten (org_names, known_employees usw.) sind sowohl in die
Regex-Vorabprüfung (für deterministisches Matching) als auch in den LLM-System-Prompt (für kontextuelle
Varianten) eingebunden. Änderungen werden beim nächsten sanitize_query-Aufruf wirksam — kein Server-Neustart erforderlich.
Umgebungsvariablen
Variable | Standard | Beschreibung |
|
| Lokaler Modell-Endpunkt |
|
| Modellname |
|
| Wiederholungsversuche bei Modellfehler (2s, 4s Backoff) |
|
| Pfad zum Protokollverzeichnis |
|
| Auf |
Ledger CLI
python scripts/ledger.py list [N] # recent N entries
python scripts/ledger.py lookup <san_id> # full mapping for one entry
python scripts/ledger.py restore <san_id> <text> # restore from CLI
python scripts/ledger.py stats # aggregate stats by category and source
python scripts/ledger.py purge --older-than 30d # enforce retention policy
python scripts/ledger.py init-config # create starter config.jsonSchwärzungskategorien
Kategorie | Beispiele | Schweregrad |
| API-Schlüssel, Tokens, Passwörter | KRITISCH — blockiert, niemals wiederhergestellt |
| Intranet-URLs, Staging-Endpunkte | KRITISCH |
| Namen, E-Mails, Telefonnummern | HOCH |
| SSNs, Mitarbeiter-IDs, Ausweisnummern | HOCH |
| Firmen-/Tochtergesellschaftsnamen | HOCH |
| Vertragsbedingungen, Fallnummern | HOCH |
| Interne Codenamen | MITTEL |
| IPs, Hostnamen, DB-Namen | MITTEL |
| Umsatz, Auftragsvolumina, Budgets | MITTEL |
| Bürostandorte, Gebäudenamen | NIEDRIG |
Sicherheitsmodell
Anmeldedaten werden niemals gespeichert —
[BLOCKED]wird anstelle des Originalwerts in das Protokoll geschriebenFail-safe, nicht fail-open — Nichtverfügbarkeit des Modells löst Regex-Fallback aus, niemals Klartext-Durchleitung
Nur lokale Inferenz — keine Daten werden für den Schwärzungsschritt an eine externe API gesendet
Datenschutzmodus (
SANITIZER_LEDGER_STORE_ORIGINALS=false) — Originale werden überhaupt nicht auf die Festplatte geschrieben; die Wiederherstellung funktioniert nur innerhalb derselben Serversitzung über den In-Memory-Cache
Beispiele
Siehe examples/ für vollständige Sitzungsprotokolle:
01_api_key_leak.md— AWS-Anmeldedaten durch Regex-Vorabprüfung blockiert02_employee_pii.md— HR-Prompt mit Namen, E-Mails, Mitarbeiter-IDs + Wiederherstellung03_internal_infra.md— Infrastruktur-Debugging mit Ollama offline (Regex-Fallback)
Mitwirken
Eröffnen Sie ein Issue oder senden Sie einen PR.
Ideen für die Zukunft:
[ ] Automatische Vorschläge für Konfigurationseinträge aus erkannten Mustern
[ ] Claude Code Hook-Integration (automatische Vorab-Bereinigung)
[ ] Konfiguration der Konfidenzschwelle
[ ] Batch-/Massenbereinigungsmodus
[ ] Code-Block-Scan (Inline-Secrets, Import-Pfade)
[ ] Verschlüsselung des Protokolls im Ruhezustand
[ ] Web-UI zur Überprüfung des Protokolls
Lizenz
MIT
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
Detect and redact PII and secrets before text reaches an LLM, with reversible placeholders.
Find and redact leaked secrets, wallet keys and PII before an AI agent sends text.
Detect and redact PII and secrets (API keys, tokens) in text, HTML or PDF before it reaches an LLM.
Scan prompts for injection attacks, redact PII, and audit LLM SDK usage from any MCP client
Related MCP Servers
- FlicenseNot gradedqualityDmaintenanceSecurity middleware for LLM apps and AI agent pipelines. Detects prompt injection attacks (22 signatures, 7 languages) and anonymizes PII (17 entity types). Deterministic, sub-25ms, GDPR Art.30 compliant.-
- AlicenseAqualityDmaintenanceScans prompts for PII and masks or redacts sensitive data locally before sending to an LLM, supporting multiple anonymization modes.1MIT
- FlicenseAqualityDmaintenanceA data-loss-prevention (DLP) layer for AI agents that intercepts document reads, scans for sensitive data, and redacts or blocks it before it reaches the model, with audit logging.1-
- AlicenseAqualityBmaintenanceEnables safe interaction with cloud LLMs by redacting sensitive entities into reversible placeholders, enforcing deterministic egress policies with human approval, and rehydrating responses so real data never leaves the process.4MIT