用大模型做敏感数据识别和自动分级，怎么落地？
面试怎么回答
我会先和安全、法务确定分类和分级标准，以及每一级的访问和脱敏要求。识别分层做：格式固定的手机号、身份证、银行卡用正则加校验算法；字段名和注释用关键词字典；规则判断不了的，比如备注字段或 JSON 扩展字段，把字段名、注释、表用途和脱敏后的样例交给大模型判断；再沿血缘把上游的敏感标签传播到下游并确认是否已脱敏。新表上线自动扫描，高置信度自动打标，低置信度推送负责人确认，高敏字段自动关联脱敏和访问控制，并定期复扫。发给模型的样例要先掩码或用内部模型，评估时宁可多报不能漏报，每个标签都记录识别依据便于审计。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
数据安全法规要求企业对数据分类分级，但数仓里有几万张表、几十万个字段，人工梳理不现实。传统的规则（正则匹配手机号、身份证）只能识别格式固定的数据。面试官问这题，想看你怎么把规则和大模型结合起来，做出一套能持续运行的分级体系。
先定分级标准
技术方案之前，先和安全、法务确定：
- 有哪些分类（个人信息、财务、经营数据、员工信息……）；
- 分几级（比如公开、内部、敏感、高度敏感），每一级的访问和脱敏要求；
- 哪些字段属于个人敏感信息。
没有标准，识别出来也没法用。
识别的分层方案
- 规则先行：手机号、身份证、银行卡、邮箱这类格式固定的数据，用正则和校验算法（比如身份证校验位）识别，准确、便宜；
- 字典和元数据：字段名、注释里包含「手机」「地址」「薪资」等关键词，结合公司的字段命名规范；
- 大模型补充：对规则无法判断的字段，把字段名、注释、表的用途、脱敏后的样例值交给模型判断分类和级别。比如
remark字段里经常出现用户的地址和电话，或者ext_info这种 JSON 字段里混着敏感信息； - 血缘传播：上游字段是敏感的，经过简单加工的下游字段通常也是敏感的，沿血缘自动继承标签，再由模型或人工确认是否已经脱敏或聚合。
落地流程
- 新表上线时自动扫描，识别结果写入元数据系统；
- 高置信度的结果自动打标；低置信度的推送给负责人确认；
- 高度敏感的字段，自动关联脱敏策略和访问控制；
- 定期全量复扫，因为字段内容会变化（比如原本没用的字段开始存手机号）。
注意事项
- 样例数据本身就是敏感的：发给模型的样例要先做格式化掩码，或者使用内部部署的模型；
- 准确率评估：用人工标注的样本集评估召回率和准确率，宁可多报不能漏报，漏报一个身份证字段的代价远大于误报；
- 可解释：每个标签记录识别依据（规则、模型、血缘继承、人工），方便审计。