query-sanitizer-mcp
query-sanitizer-mcp
プロンプトと外部LLMの間に配置される軽量なMCPミドルウェアです。データがマシンから送信される前に、機密データを自動的に編集します。
[Your Prompt] → sanitize_query() → [Safe Prompt] → External LLM → [Response] → restore_response() → [You]v0.3.0 — 4段階のDLPパイプライン:正規表現 → GLiNER NER → LLMによる精査 → ポストスキャンチェック。 100%オープンソース、100%ローカルで動作します。M4 MacBookおよびGoogle Colab T4でテスト済みです。
なぜ必要なのか
Claude、ChatGPT、その他のクラウドLLMに内部コンテキストを貼り付けるたびに、以下の情報が漏洩するリスクがあります:
従業員名、メールアドレス、電話番号
内部プロジェクトのコードネーム
インフラストラクチャの詳細(IPアドレス、ホスト名、DB名)
APIキーおよび認証情報
会社名、取引規模、法的参照情報
このMCPサーバーはテキストをインターセプトし、機密トークンを型付きプレースホルダー([ORG_NAME_1]、[PII_NAME_1]など)に置き換えます。レスポンス時にはこれらを元に戻すため、ユーザーは自然なテキストを確認でき、クラウドLLM側は実際の値を一切目にすることはありません。
Related MCP server: ai-security-gateway-mcp
ツール
ツール | 説明 |
| 3段階の編集処理。安全なテキストと |
| プレースホルダーを元の値に戻します。 |
| LLMのレスポンスをスキャンし、生成または漏洩した可能性のあるデータを確認します。 |
| 最近のサニタイズ履歴を表示します。 |
検出パイプライン
フェーズ 1 — 正規表現による事前パス(常に実行、モデル不要)
構造化トークンのための決定論的パターン。ローカルモデルがオフラインの場合でも実行されます。
パターン | カテゴリ | ブロック対象か? |
AWSアクセスキー ( | CREDENTIAL | はい — ブロック |
GitHubトークン ( | CREDENTIAL | はい |
JWT ( | CREDENTIAL | はい |
Slackトークン ( | CREDENTIAL | はい |
| CREDENTIAL | はい |
URL内のパスワード ( | CREDENTIAL | はい |
メールアドレス | PII_NAME | いいえ — 復元 |
電話番号 | PII_NAME | いいえ |
SSN ( | PII_ID | いいえ |
従業員/バッジID ( | PII_ID | いいえ |
RFC 1918 プライベートIP | INFRA | いいえ |
ドル金額 | FINANCIAL | いいえ |
設定定義済みのエンティティ(組織名、従業員、コードネーム、ドメイン) | varies | いいえ |
フェーズ 2 — LLMによる精査(コンテキスト依存、ベストエフォート)
文脈的な理解が必要なエンティティ(コンテキスト内で使用される組織名、プロジェクトのコードネーム、GEO_INTERNAL参照、LEGAL用語、INTERNAL_URLパターンなど)を捕捉します。ローカルモデルが利用できない場合は、明確な警告とともにフェーズ1の出力が返されます。
フェーズ 3 — ポストスキャンによる信頼性チェック
編集後のテキストに対して高信頼度の正規表現パターンを実行し、LLMが見逃した可能性のあるデータ(例:モデルが捕捉できなかったJWT)をフラグ立てします。レポート内で警告として表示されます。
セットアップ
オプション A — M4 MacBook(推奨)
スタック: Ollama 0.19+ (MLXバックエンド、M4で約50 tok/s) + GLiNER NER (MPS、約80ms/回)
# 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)Claude Codeに追加 (~/.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"
}
}
}
}M4用代替LLMモデル(すべてOllama経由):
モデル | サイズ | M4での速度 | 用途 |
| 2 GB | 約50 tok/s | デフォルト — 高速かつ正確 |
| 3 GB | 約40 tok/s | 強力な推論 |
| 2 GB | 約45 tok/s | 幅広い汎用用途 |
| 5 GB | 約30 tok/s | 高精度、より多くのRAMが必要 |
オプション B — Google Colab T4
スタック: HuggingFace transformers (Ollama不要) + 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)初回実行時に
Qwen2.5-3B-Instruct(約6 GB) とgliner_medium-v2.1(約500 MB) がColabキャッシュにダウンロードされます。2回目以降は即座に実行可能です。
最小構成(正規表現のみ、モデル不要)
依存関係ゼロで運用したい場合(純粋な正規表現、Ollamaなし、GLiNERなし):
pip install fastmcp
SANITIZER_MODEL_RETRIES=0 python server.py認証情報、メールアドレス、SSN、プライベートIP、金額は正規表現のみで捕捉されます。人名、組織名、プロジェクトのコードネームにはGLiNERまたはLLMレイヤーが必要です。
設定
.sanitizer-ledger/config.json を作成します(または python scripts/ledger.py init-config を実行):
{
"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"]
}設定で定義されたエンティティ(org_names、known_employeesなど)は、正規表現による事前パス(決定論的マッチング用)とLLMシステムプロンプト(コンテキストバリアント用)の両方に組み込まれます。変更は次回の sanitize_query 呼び出し時に反映され、サーバーの再起動は不要です。
環境変数
変数 | デフォルト | 説明 |
|
| ローカルモデルのエンドポイント |
|
| モデル名 |
|
| モデル失敗時のリトライ回数 (2s, 4s バックオフ) |
|
| レジャーディレクトリのパス |
|
|
|
レジャー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.json編集カテゴリ
カテゴリ | 例 | 重要度 |
| APIキー、トークン、パスワード | CRITICAL — ブロック、復元不可 |
| イントラネットURL、ステージングエンドポイント | CRITICAL |
| 名前、メールアドレス、電話番号 | HIGH |
| SSN、従業員ID、バッジ番号 | HIGH |
| 会社名 / 子会社名 | HIGH |
| 契約条件、事件番号 | HIGH |
| 内部コードネーム | MEDIUM |
| IPアドレス、ホスト名、DB名 | MEDIUM |
| 収益、取引規模、予算 | MEDIUM |
| オフィス所在地、建物名 | LOW |
セキュリティモデル
認証情報は保存されません — 元の値の代わりに
[BLOCKED]がレジャーに書き込まれますフェイルセーフ設計 — モデルが利用できない場合は正規表現によるフォールバックがトリガーされ、プレーンテキストがそのまま通過することはありません
ローカル推論のみ — サニタイズ処理のために外部APIへデータが送信されることはありません
プライバシーモード (
SANITIZER_LEDGER_STORE_ORIGINALS=false) — 元の値はディスクに一切書き込まれません。復元はメモリ内キャッシュを介して同一サーバーセッション内でのみ機能します
例
セッションの完全なトレースについては examples/ を参照してください:
01_api_key_leak.md— 正規表現の事前パスによってブロックされたAWS認証情報02_employee_pii.md— 名前、メール、従業員IDを含む人事プロンプト + 復元03_internal_infra.md— Ollamaオフライン時のインフラデバッグ(正規表現フォールバック)
コントリビューション
Issueを作成するか、PRを送信してください。
今後のアイデア:
[ ] 検出されたパターンからの設定エントリの自動提案
[ ] Claude Codeフック統合(プロンプト前の自動サニタイズ)
[ ] 信頼度しきい値の設定
[ ] バッチ / 一括サニタイズモード
[ ] コードブロックのスキャン(インラインシークレット、インポートパス)
[ ] レジャーの暗号化保存
[ ] レジャー確認用のWeb UI
ライセンス
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