直接回答
合同、项目资料和会议纪要进入 RAG 前,应先明确知识库用途并盘点文件,识别不需要的敏感信息,经人工复核后生成不可逆清洁副本;入库前核对批准版本,入库后用代表性问题和“不应返回”的问题验证检索边界。
先说结论:不要把原始资料直接当作 RAG 语料
RAG 入库前脱敏的目标,不是把文档里的内容全部删掉,而是让知识库只接收完成业务审核、且与使用目的相匹配的版本。原件留在既定的受控文档环境中;进入 RAG 的文件则使用经过识别、人工复核和批准的不可逆清洁副本。该不可逆副本不提供还原路径。
这一步可以减少不必要的敏感信息进入后续 AI 流程,但不能替代知识库权限、检索隔离、模型治理、运行时防护或法律与合规判断。
先确定用途
知识库要回答什么,哪些内容没有必要进入。
再处理文件
识别候选敏感信息,由业务人员复核取舍。
只交付明确版本
原件、处理中版本和 AI 可用副本不要混用。
一个常见场景:项目资料准备进入内部知识库
项目结束后,团队希望把合同、项目方案、会议纪要和阶段性报告整理进内部 RAG,方便后续检索和复用。问题通常不在“文件能不能上传”,而在“哪些内容应该被长期检索”。
合同里可能保留交易对手、价格条款、账户信息和签字页;项目资料可能包含人员名单、客户数据、内部判断和未公开计划;会议纪要还会混入讨论过程、临时意见和待确认事项。如果这些原始内容直接进入知识库,后续回答可能把本来只适用于单个项目或少数人员的信息重新带出来。
本场景是代表性业务流程,不是已验证客户案例,也不构成针对特定组织的法律或合规建议。
三类资料,处理重点并不相同
| 资料类型 | 入库前常见关注点 | 需要业务人员回答的问题 | 建议输出 |
|---|---|---|---|
| 合同与附件 | 主体信息、联系人、账户、价格及未公开条款、签署信息 | 是否影响知识库要回答的问题?是否只需保留条款结构或通用表述? | 经复核的不可逆清洁副本;原件不随 AI 可用版本进入 RAG |
| 项目资料 | 客户数据、项目成员、内部判断、阶段结论、未公开计划 | 内容是否仍受项目范围限制?后续使用者是否需要看到具体主体和数字? | 按知识库用途删减后的批准版本 |
| 会议纪要 | 参会人员、讨论过程、临时意见、行动项和未确认结论 | 哪些内容是正式结论,哪些只是过程记录?是否需要整段排除? | 保留必要结论、移除无关敏感细节的清洁副本 |
表中的类别只是评审起点。具体敏感信息范围、保留条件和审批责任,应结合组织政策、适用要求和项目目的确定。

客户真正需要先做的六个决定
- 语料范围:这次准备的是单个项目、一个部门,还是跨项目知识库?
- 使用对象:哪些人员会查询,回答会用于内部参考、业务复盘还是对外交付?
- 最小必要内容:完成预期问答,哪些主体、数字、条款和讨论记录并非必需?
- 复核责任:谁理解文件上下文,谁可以批准 AI 可用版本?
- 版本边界:如何区分原件、待复核版本、已批准清洁副本和已入库版本?
- 验证方法:入库后用哪些测试问题确认敏感片段没有因版本错误或处理遗漏进入回答?
如果这六项还没有明确,先暂停批量入库。工具可以帮助识别和处理文件,但不能替团队决定业务披露边界。
RAG 入库前的六步脱敏流程
1. 盘点文件与数据用途
列出计划进入知识库的文件、来源、业务负责人和预期用途,先排除重复文件、过期草稿、无业务价值附件以及本就不应进入该知识库的材料。
2. 定义需要识别的敏感信息
结合合同、项目资料和会议纪要的实际内容建立识别清单。固定字段可以用规则或模板作为起点,依赖上下文的条款、内部意见和例外仍交给熟悉业务的人判断。
3. 生成候选脱敏版本
在文件进入 RAG 之前处理候选敏感信息,并保留供复核的工作版本。对于知识库、测试或外部 AI 使用场景,优先评估不可逆输出;生成的不可逆副本不提供还原路径。
4. 由业务人员完成人工复核
复核人员同时看“删得够不够”和“剩下的内容还能不能用”,检查遗漏、误判、表格或附件中的遗留,以及脱敏后是否破坏理解所需的上下文。
5. 锁定输出与版本边界
为原件、处理中版本、已批准清洁副本和实际入库文件建立可区分的版本状态。交付给 RAG 的目录只放已批准版本,具体版本字段和操作记录以项目配置为准。
6. 验证入库文件与检索结果
入库前核对文件就是批准的清洁副本;入库后用代表性问题测试检索片段和回答,并加入“不应返回”的测试问题。
脱敏之后,RAG 团队仍要负责什么
| 控制对象 | 脱敏可以提供的帮助 | 仍需由 RAG / IT / 治理团队完成 |
|---|---|---|
| 入库内容 | 在文件进入后续 AI 流程前减少不必要的敏感信息 | 决定语料范围、保留规则和入库审批 |
| 检索访问 | 降低清洁副本中敏感内容被召回的可能性 | 配置用户权限、知识库隔离和检索边界 |
| 模型回答 | 减少原始敏感字段进入提示上下文 | 管理提示词、模型行为、输出检查与运行时风险 |
| 版本更新 | 提供经处理和复核的文件输出 | 确保 RAG 使用正确版本,并在文件变化后重新验证 |
| 法律与合规 | 支持内部核查和证据准备 | 根据地区、行业、政策和具体项目作出专业判断 |
脱敏是入库前的一道控制,不是 RAG 系统本身。bestCoffer 不应被描述为向量数据库、Embedding 服务、RAG 运行时网关、模型安全网关或知识库权限系统。

RAG 入库前控制点清单
- 已列出本次入库的文件范围、业务目的和预期使用者。
- 已排除重复、过期、无关或不应进入知识库的文件。
- 每组资料都有熟悉上下文的业务负责人和复核人。
- 已按合同、项目资料和会议纪要分别定义敏感信息清单。
- 已区分固定字段规则与需要上下文判断的内容。
- AI 或规则识别结果已被视为候选项,而非自动批准结果。
- 用于 RAG 的输出是经过批准的不可逆清洁副本。
- 已检查页眉页脚、表格、批注、附件和重复出现的信息。
- 已检查处理后仍保留完成预期问答所需的上下文。
- 原件、处理中版本、清洁副本和实际入库版本可以清楚区分。
- 入库前已核对文件与批准版本一致,入库后已用代表性问题和“不应返回”问题验证。
- 发现异常时,能回到文件范围、识别、复核或版本环节重新处理。
参考依据与方法来源
本文的方法参考以下一手资料,用于说明数据用途、最小必要处理、知识源验证和 RAG 风险管理。它们不构成对 bestCoffer 的认证、合规背书或产品能力证明。本文六步流程是 bestCoffer 结合企业文档进入 RAG 前的准备任务提出的实施建议,并非对某一标准的逐条转述。
- NIST《Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile》:用于说明生成式 AI 的预期用途、使用者、数据来源和限制需要被明确。
- NIST《Privacy Framework》:用于说明处理目的、数据要素盘点、数据最小化和隐私风险评估。
- OWASP GenAI Security Project《LLM08:2025 Vector and Embedding Weaknesses》:用于说明 RAG 向量与嵌入环节的知识源验证和边界测试。
内容方法:本文由 bestCoffer 发布,内容团队依据当前公开产品边界、企业 RAG 入库前的文档准备任务和上述一手资料整理;产品能力仍以 bestCoffer 当前版本、项目配置和 POC 结果为准。
bestCoffer 建议怎样落地这套流程
bestCoffer 的适用位置在 RAG 之前:团队把已经纳入项目范围的文件送入受控的脱敏流程,结合规则或 AI 辅助识别候选敏感信息,由业务人员复核,再输出供知识库使用的清洁副本。对于 RAG 入库场景,建议优先评估不可逆模式,避免把可还原路径带入后续检索和问答链路。
bestCoffer 不负责 RAG 的切片、Embedding、向量数据库、检索运行时或模型回答控制;这些环节仍由客户的 AI 与 IT 架构负责。具体文件格式、处理性能、部署范围、集成方式、权限模型、还原规则和日志字段,须以当前版本、项目配置与 POC 结果确认为准。
继续了解:可逆脱敏与不可逆脱敏怎么选、bestCoffer AI 脱敏、RAG 前 AI 数据准备、企业 AI 知识库数据安全指南 和 RAG 前脱敏:企业 AI 的实用控制框架。
常见问题
合同、项目资料和会议纪要进入 RAG 前,都要删除所有敏感信息吗?
不一定。应先看知识库用途和最小必要范围:与预期问答无关、且不应被后续检索的敏感信息应移除;确有业务必要的内容,需要由负责人结合权限、政策和风险决定是否保留。脱敏工具不能替代这项判断。
RAG 入库应使用可逆还是不可逆脱敏?
用于检索、切片、向量化或 AI 问答的版本,建议优先评估不可逆清洁副本。该不可逆副本不提供还原路径。若内部流程仍需核对原件,可在既定受控环境中单独保留原件,但不要把原件与 AI 可用版本混在同一入库目录。具体安排以组织政策和项目配置为准。
AI 识别后还需要人工复核吗?
需要。合同条款、项目判断和会议讨论高度依赖上下文,AI 或规则适合提出候选敏感信息,不能独立决定哪些内容可以进入知识库。复核人员还要检查遗漏、误判和处理后的可用性。
怎样确认进入 RAG 的是正确版本?
入库前核对文件与批准清洁副本一致,并确保接收目录没有原件或待复核版本。入库后再用代表性问题检查检索片段和回答,同时加入“不应返回”的测试问题。具体版本字段和操作记录以项目配置为准。
文档脱敏后,是否就能保证 RAG 安全或合规?
不能。脱敏可以减少不必要的敏感信息进入后续流程,但仍需配合知识库权限、检索隔离、模型与输出治理、组织政策以及适用的法律和合规评估。本文不构成法律、监管或合规建议。
bestCoffer 在 RAG 流程中负责哪一段?
bestCoffer 用于文档进入 RAG 前的敏感信息处理:接收已确定范围的文件,支持候选识别、人工复核和清洁副本输出。它不负责 RAG 的切片、Embedding、向量数据库、检索运行时或模型回答控制;这些环节仍由客户的 AI 与 IT 架构负责。
相关资源
用真实资料验证 RAG 入库前的处理流程
选择一组有代表性的合同、项目资料和会议纪要,检查敏感信息识别、人工复核、清洁副本与入库版本能否形成清楚的交接边界。
预约演示查看 AI 脱敏