Skip to main content
Glama

query-sanitizer-mcp

Легковесное MCP-промежуточное ПО, которое располагается между вашими промптами и внешними LLM, автоматически удаляя конфиденциальные данные до того, как они покинут ваш компьютер.

[Your Prompt] → sanitize_query() → [Safe Prompt] → External LLM → [Response] → restore_response() → [You]

v0.3.0 — Четырехэтапный DLP-конвейер: regex → GLiNER NER → уточнение LLM → пост-сканирование. Работает на 100% с открытым исходным кодом, на 100% локально. Протестировано на M4 MacBook и Google Colab T4.


Зачем это нужно

Каждый раз, когда вы вставляете внутренний контекст в Claude, ChatGPT или любую облачную LLM, вы рискуете раскрыть:

  • Имена сотрудников, адреса электронной почты, номера телефонов

  • Кодовые имена внутренних проектов

  • Детали инфраструктуры (IP-адреса, имена хостов, имена баз данных)

  • API-ключи и учетные данные

  • Названия компаний, размеры сделок, юридические ссылки

Этот MCP-сервер перехватывает текст, заменяет конфиденциальные токены типизированными плейсхолдерами ([ORG_NAME_1], [PII_NAME_1] и т. д.) и восстанавливает их в ответе — таким образом, вы видите естественный текст, а облачная LLM никогда не видит реальных значений.


Related MCP server: ai-security-gateway-mcp

Инструменты

Инструмент

Описание

sanitize_query(text)

Трехэтапное удаление. Возвращает безопасный текст + san_id.

restore_response(text, san_id)

Заменяет плейсхолдеры обратно на оригиналы.

scan_response(text)

Сканирует ответ LLM на наличие данных, которые могли быть сгенерированы или раскрыты.

view_ledger(last_n)

Показывает недавнюю историю очистки.


Конвейер обнаружения

Этап 1 — Предварительная проверка через Regex (всегда выполняется, модель не требуется)

Детерминированные шаблоны для структурированных токенов. Работает, даже когда локальная модель отключена.

Шаблон

Категория

Заблокировано?

AWS access keys (AKIA…)

CREDENTIAL

Да — заблокировано

GitHub tokens (ghp_…, gho_…)

CREDENTIAL

Да

JWTs (eyJ…)

CREDENTIAL

Да

Slack tokens (xox[baprs]-…)

CREDENTIAL

Да

Присваивания типа api_key = "…"

CREDENTIAL

Да

Пароли в URL (://user:pass@)

CREDENTIAL

Да

Адреса электронной почты

PII_NAME

Нет — восстанавливается

Номера телефонов

PII_NAME

Нет

SSNs (NNN-NN-NNNN)

PII_ID

Нет

ID сотрудников/бейджей (EMP-…)

PII_ID

Нет

Частные IP-адреса RFC 1918

INFRA

Нет

Суммы в долларах

FINANCIAL

Нет

Определенные в конфигурации сущности (названия организаций, сотрудники, кодовые имена, домены)

варьируется

Нет

Этап 2 — Уточнение LLM (контекстное, «лучшее из возможного»)

Выявляет сущности, требующие семантического понимания: названия организаций, используемые в контексте, кодовые имена проектов, ссылки GEO_INTERNAL, юридические термины, шаблоны INTERNAL_URL. Если локальная модель недоступна, возвращается результат Этапа 1 с четким предупреждением.

Этап 3 — Проверка достоверности после сканирования

Запускает высокоточные regex-шаблоны по очищенному тексту, чтобы пометить потенциальные пропуски LLM (например, JWT, который модель не заметила). Отображается как предупреждение в отчете.


Установка

Вариант А — M4 MacBook (рекомендуется)

Стек: Ollama 0.19+ (бэкенд MLX, ~50 ток/с на M4) + GLiNER NER (MPS, ~80 мс/вызов)

# 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)

Добавьте в Claude Code (~/.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"
      }
    }
  }
}

Альтернативные LLM-модели для M4 (все через Ollama):

Модель

Размер

Скорость на M4

Лучше всего для

qwen2.5:3b

2 ГБ

~50 ток/с

По умолчанию — быстро, точно

phi4-mini

3 ГБ

~40 ток/с

Сильное рассуждение

llama3.2:3b

2 ГБ

~45 ток/с

Широкое общее использование

qwen2.5:7b

5 ГБ

~30 ток/с

Более высокая точность, больше RAM


Вариант B — Google Colab T4

Стек: HuggingFace transformers (Ollama не требуется) + 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)

Первый запуск загружает Qwen2.5-3B-Instruct (~6 ГБ) и gliner_medium-v2.1 (~500 МБ) в кэш Colab. Последующие запуски происходят мгновенно.


Минимальная установка (только regex, модели не нужны)

Если вы хотите работу без зависимостей (чистый regex, без Ollama, без GLiNER):

pip install fastmcp
SANITIZER_MODEL_RETRIES=0 python server.py

Учетные данные, электронные письма, SSN, частные IP-адреса и финансовые суммы определяются только с помощью regex. Люди, названия организаций и кодовые имена проектов требуют GLiNER или уровня LLM.


Конфигурация

Создайте .sanitizer-ledger/config.json (или запустите python scripts/ledger.py init-config):

{
  "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"]
}

Определенные в конфигурации сущности (org_names, known_employees и т. д.) встроены как в предварительную проверку regex (для детерминированного сопоставления), так и в системный промпт LLM (для контекстных вариантов). Изменения вступают в силу при следующем вызове sanitize_query — перезапуск сервера не требуется.


Переменные окружения

Переменная

По умолчанию

Описание

SANITIZER_MODEL_URL

http://localhost:11434/v1/chat/completions

Эндпоинт локальной модели

SANITIZER_MODEL_NAME

llama3.2

Имя модели

SANITIZER_MODEL_RETRIES

2

Повторные попытки при сбое модели (задержка 2с, 4с)

SANITIZER_LEDGER_DIR

.sanitizer-ledger/

Путь к директории журнала

SANITIZER_LEDGER_STORE_ORIGINALS

true

Установите false, чтобы прекратить хранение оригинальных значений в покое (режим GDPR — восстановление работает только в рамках одной сессии)


CLI журнала

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

Категории удаления

Категория

Примеры

Важность

CREDENTIAL

API-ключи, токены, пароли

КРИТИЧЕСКАЯ — заблокировано, никогда не восстанавливается

INTERNAL_URL

Интранет-URL, эндпоинты стейджинга

КРИТИЧЕСКАЯ

PII_NAME

Имена, электронные письма, номера телефонов

ВЫСОКАЯ

PII_ID

SSN, ID сотрудников, номера бейджей

ВЫСОКАЯ

ORG_NAME

Названия компаний / дочерних структур

ВЫСОКАЯ

LEGAL

Условия контрактов, номера дел

ВЫСОКАЯ

PROJECT_NAME

Внутренние кодовые имена

СРЕДНЯЯ

INFRA

IP-адреса, имена хостов, имена БД

СРЕДНЯЯ

FINANCIAL

Выручка, размеры сделок, бюджеты

СРЕДНЯЯ

GEO_INTERNAL

Офисные локации, названия зданий

НИЗКАЯ


Модель безопасности

  • Учетные данные никогда не сохраняются — в журнал записывается [BLOCKED] вместо оригинального значения

  • Отказоустойчивость, а не отказ с открытием — недоступность модели вызывает откат к regex, никогда не пропускает открытый текст

  • Только локальный вывод — никакие данные не отправляются на внешний API для этапа очистки

  • Режим конфиденциальности (SANITIZER_LEDGER_STORE_ORIGINALS=false) — оригиналы вообще не записываются на диск; восстановление работает только в рамках одной сессии сервера через кэш в памяти


Примеры

Смотрите examples/ для полных трассировок сессий:

  1. 01_api_key_leak.md — Учетные данные AWS заблокированы предварительной проверкой regex

  2. 02_employee_pii.md — HR-промпт с именами, электронными письмами, ID сотрудников + восстановление

  3. 03_internal_infra.md — Отладка инфраструктуры с офлайн-Ollama (откат к regex)


Участие в разработке

Откройте issue или отправьте PR.

Идеи для следующего шага:

  • [ ] Автоматическое предложение записей конфигурации на основе обнаруженных шаблонов

  • [ ] Интеграция хука Claude Code (автоматическая очистка перед промптом)

  • [ ] Настройка порога достоверности

  • [ ] Режим пакетной/массовой очистки

  • [ ] Сканирование блоков кода (встроенные секреты, пути импорта)

  • [ ] Шифрование журнала в покое

  • [ ] Веб-интерфейс для просмотра журнала


Лицензия

MIT

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

    • F
      license
      Not graded
      quality
      D
      maintenance
      Security 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.
      -
    • F
      license
      A
      quality
      D
      maintenance
      A 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
      -