由充满热情的人打造,为人们而作

albadr.ai博客
← 全部文章

BADR阅读约 16 分钟

没人点开的那张工作表

一份 Word、Excel、PowerPoint 或 PDF 文件里装的东西,比它显示出来的那一页要多。BADR 是我们为文件发出前的那一分钟做的 MVP 演示版;本文讲它是怎样构成的、我们测了什么,以及它目前还做不到什么。

2025 年 2 月 3 日,加拿大边境服务局的一名主管把一份排班用的电子表格发给了 70 名员工。这份文件里还有另一张工作表,上面是其他 18,000 多名员工的个人信息。随邮件发出去的是一整个工作簿,它比发件人眼前的那张工作表要大。该局后来查明,2024 年和 2025 年还发生过另外四起类似的电子表格事件。

这样的事以前就有过。2023 年 8 月 8 日,北爱尔兰警察局用一份电子表格答复了一项信息公开申请。看得见的工作表都已删掉,却有一张没有显示出来,标签栏上只有三个小点标示着它的存在,而质量检查只看了用于答复的那一张。这张隐藏的工作表列出了全部 9,483 名警员和文职人员的姓氏、职级和工作地点,在一个公开网站上挂了将近两个半小时。该局后来申请降低对它开出的 750,000 英镑罚款,未获成功。

2014 年 2 月,澳大利亚的移民部门以 Word 文件的形式发布了一份统计报告,作为数据来源的 Excel 电子表格就嵌在这个文件里:约 9,250 名寻求庇护者的个人信息,在该部门的网站上挂了大约八天半。按该部门的规定,这样一份报告要由七名审核人放行,审的是纸质稿。至于电子文件里有没有嵌入数据,没有人检查。

我们做 BADR,为的就是这类文件发出去之前的那一分钟。它目前是一个处于展示阶段的 MVP 演示版,还不是产品。收件人的软件能怎么读一份 Word、Excel、PowerPoint 或 PDF 文件,它就怎么读;读完列出这份文件会泄露什么,附上实际找到的值,再返回一份干净副本。在 albadr.ai 上,扫描和干净副本都免费,一次一份文件,最大 10 MB。给文档里的标识符脱敏、可选的 AI 解读和 API,则需要密钥。它只读文字:图片和扫描页不读。

办公软件只隐藏,不删除

这几件事里的人,都是按软件设计的方式在用软件。隐藏一张工作表,删掉数据透视表所依据的那张工作表,把一张图表粘贴进幻灯片:这些操作没有一个会把内容从文件里拿掉。这件事,我们自己的报告是用各种文件格式自己的术语讲出来的。对一个带数据透视表的工作簿,报告写的是:“数据透视表的源数据有一份副本留在文件里,即使源工作表已被删除。”保存过多次的 PDF,报告里会有这样一行:“每次增量保存都是在文件末尾追加,并不擦除:文字、表单域或注释的早期版本仍然可读。”带图表的演示文稿,报告写的则是:“图表背后的整个 Excel 工作簿会跟着演示文稿一起走,其他工作表也在内。”

对写指南的人来说,这些都不是什么新鲜事。美国国家安全局(NSA)的指南《有把握地删除敏感内容》(Redacting with Confidence)首次发布于 2005 年 12 月,其中写道:“最常见的错误是用黑色盖住文字”;对任何不能让人读到的内容,它的说法是:“该项内容必须删除。”加拿大联邦隐私专员公署有一份日期为 2006 年、现已归档的情况说明,列举了随共享文档一同传出去的内容,其中有修订痕迹、批注、当前作者和以往作者的姓名、历次修改、版本以及隐藏文字。微软自己的支持页面写明,它的“文档检查器”检测不出白底白字这样的隐藏文字;在 Excel 里,对嵌入的文件、宏和数据透视表的缓存数据,它能报告,却无法删除。这个页面讲的是一种手动检查,查的只是当前打开的那一份文件。

光是知道还不够。法国国家信息与自动化研究所(Inria)的研究人员检查了 47 个国家 75 家安全机构发布的 39,664 份 PDF 文件,其中 33% 暴露了文件创建者的身份。在所有这些文件中,24% 在发布前做过清理,而清理过的文件里,又有 65% 清理得不到位:隐藏信息仍然可以恢复出来。这项研究从 NSA 自己的网站上取了 82 份 PDF,其中 45 份仍带着完整的元数据。

魁北克省的 Commission d’accès à l’information(信息获取委员会)在 2023-2024 年度收到 444 份事件通报,其中 58 份所列的原因包括意外披露。根据经《第 25 号法》修订的该省私营部门隐私法,法院可以对企业处以最高 2500 万加元或其全球营业额 4% 的罚款,以较高者为准。

如今,文件还会交到 AI 助手手里。一家安全厂商的监测数据取自它自己的客户,因此不是随机样本;按这份数据,2025 年 7 月至 9 月间上传到生成式 AI 工具的文件有 26.38% 含有敏感信息,高于上一季度的 22%。有些案例已有公开记录。在新南威尔士州,一名前临时工作人员于 2025 年 3 月把一份 10 列、12,000 多行的 Excel 电子表格上传到了 ChatGPT,暴露了一项洪灾恢复住房计划中 2,031 人的个人信息。

BADR 做什么

把一份文件拖到页面上,就会返回一份报告:先是一行带风险等级的结论,然后是这份文件会泄露的内容,按类别分组,按风险排序。每个清理选项都是一个开关,点一下就返回干净副本。网站自带的示例是一份虚构的 Word 报价书,它的结论开头是:“此文件会泄露 27 项内容,其中 10 项为高风险”。

它会去看那些没有人会手动打开的地方:保存在文件里的网络打印机名称;把文件路径打印出来的页眉;带着服务器、账号、有时还带着密码的数据连接;图表背后的工作簿;编辑过的 PDF 里仍然留着的早期版本;还有在页面上哪儿都看不到的标识符,因为它只存在于某个公式或某个链接的地址里。它能识别 11 种标识符,其中有社会保险号、魁北克医疗保险号、支付卡号和 IBAN。

它是怎样构成的

下面是它的几项特性,每一项都有代价。页面只是界面。引擎运行在我们的服务器上,从不下发到浏览器;浏览器收到的是约 100 KB 的脚本(压缩后 36 KB),这段脚本只向自己所在的源发请求,别的一概不连:没有跟踪,没有广告,没有统计分析。代价是文档必须传到我们这里,走的是加密连接。

所以,文件只在内存里读,从不留存。两次请求之间,服务器不保留文档的任何内容;你要干净副本时,页面会把文档再发一遍。日志里记的是计数和大小(文件类型、文件大小、发现了多少项、花了多长时间),没有文件名、内容或地址。文件由收到它的那个数据中心处理,一般是最近的一个,它可能不在魁北克,也可能不在加拿大。代价是:凡是需要记住你的文档才能实现的功能,都做不了。换来的是:不存在一个需要保护或需要交出去的文档库。

引擎是自包含的。读取或清理的时候,它不调用自身以外的任何东西,连 AI 服务也不调用;文件里的任何东西它都不执行,不管是宏、脚本、域还是公式。同一份文件总是得到同一份报告,只有写着扫描耗时的那一行除外。代价是检测靠模式匹配,可能漏掉一些,也可能多报,所以每一项发现都标明位置,交给人来判断。如果 Office 文件里有哪个部分读不出来,报告会写明这一点,结论绝不会是“未发现问题”,也不会生成干净副本。

这一切都在 128 MB 的内存上限内运行,这是边缘平台上一个小型沙箱的配额。托管演示版的各项限制就是按这个沙箱定的:每份文档 10 MB,每次请求 20 份文档、25 MB。每次请求承担的工作量也有上限。装不下的文档会连同原因列在响应里,由客户端放进更小的一批重新发送。

干净副本里留下的,是你选择保留的内容。已删除的文字、早期版本,以及历次编辑遗留的内容,都不在里面。脱敏是把字符本身去掉,而黑框只是盖在字符上面;脱敏后的副本还会再读一遍,好让报告统计出没能脱敏的内容。隐藏的工作表、行和列不是删除,而是显示出来,这样你就能看到收件人本来可能发现的东西。

我们测了什么

第一张表只给扫描计时,也就是引擎读一份文件并写出报告的时间,跑在一颗 2012 年的台式机处理器(Intel Core i7-3770)上。每个数值都是预热之后 3 次运行的中位数;扫描加干净副本合计超过 20 s 的文件例外,只计时一次。文件都是合成的:按真实大小生成,所用文本像正常行文那样有变化。“带照片”指文本占 10%,图片用随机字节代替。

扫描,仅引擎0.25 MB1 MB5 MB10 MB
Word,纯文本107 ms573 ms3.5 s未测量
Excel109 ms610 ms4.5 s未测量
PDF,纯文本106 ms318 ms405 ms540 ms
Word,带照片12 ms44 ms214 ms435 ms
PowerPoint,带照片12 ms36 ms187 ms410 ms
PDF,带照片3 ms7 ms31 ms60 ms

1 MB 以内,每种文件的读取时间都不超过 0.61 s。到 25 MB,以照片为主的 Word 或 PowerPoint 文件需要 1.3 s,PDF 需要 148 ms。读这张表,有三点要留意。文本很容易压缩,所以纯文本 Office 文件的内容密度比文件大小显示的要高:解压之后,1 MB 的 Word 文件里约有 7.8 MB 的文本和标记,1 MB 的 Excel 文件约有 5.5 MB,而托管演示版会拒绝文本和标记超过 5 MB 的 Office 文档。从 1 MB 往上,这两行是引擎的速度,而不是演示版会替你做的事。25 MB 的那些数字也一样,因为演示版到 10 MB 为止。另外,纯文本 PDF 那一行在 1 MB 之后变平,是因为对长 PDF,扫描最多只读前 400 页的文本,并在报告里写明这一点。

干净副本的开销比扫描大。所有选项全开、标识符全部脱敏时,以文本为主的 1 MB 文件用了 2.4 到 4.1 s,一份 5 MB 的电子表格用了 81 s。这些同样是引擎的数字,所用文件的内容密度超出了演示版接受的范围。以照片为主的 1 MB 文件用了 0.03 到 0.21 s。

第二张表是经由 API 的最坏情况:所有选项全开,标识符脱敏,返回一个 ZIP。每个场景先在取消大小限制的情况下跑一次,再在 128 MB 的内存上限下跑一次;这个上限设在一个服务器进程上,用来代替边缘沙箱。

最坏情况,每项各跑一次耗时128 MB 上限下
一份 1 MB 的 Word、PowerPoint 或 PDF 文档0.05 到 0.14 s未超限
一份 15 MB 的 PDF0.8 s未超限,接近上限
20 份 1 MB 的文档,类型混合5.2 s6.0 s
40 份 1 MB 的文档,类型混合10.3 s11.8 s

这些数字并没有把一切都算进去。它们计的是引擎的时间,而你实际等待的时间里,还有文件上传和响应传回的那两段。没有一项是在边缘平台自己的处理器上测的,所有文件也都是合成的。而且这里没有任何一项是衡量准确性的:我们还没有可以公布的精确率或召回率数字。网页版带有 189 项自动化测试,它们能表明引擎做到了我们规定的事,却无法表明我们规定的事能把一切都查出来。

我们为什么称它为 AI 解决方案

BADR 里有两种 AI,我们把两者分开。

引擎属于较老的那一种,也就是把知识写成规则;它是用数据科学的方法构建的。它的每一步都有一个平常的名字:在连续的文本里找出一个社会保险号,叫实体识别;用校验位确认这个号码,叫校验;不只读文件的文字,还读它的结构,叫结构分析;给找到的内容排出等级,叫基于规则的分类。这些都不是我们的发明。美国国家标准与技术研究院(NIST)关于去标识化的报告在综述病历方面的工作时,把基于规则的系统列为人们探索过的两种主要技术之一,用来在自由文本中查找标识符。引擎里没有任何机器学习或统计的成分,这是有意为之:每一项发现都能追溯到一条由人写下的规则,引擎也不从你的文件里学习任何东西。正因为如此,我们网站的常见问题才可以说:没有 AI 读你的文档。按 2026 年大多数人所说的那个意思,即由语言模型来读文件,确实没有。

较老的那一种还算不算 AI,要看问的是谁。斯坦福大学的“人工智能百年研究”(One Hundred Year Study on Artificial Intelligence)把这种现象称为“AI 效应”:AI 让一项技术进入日常使用,人们习以为常之后,就不再把它当作 AI。官方文本各自把界线划在不同的地方。欧盟《人工智能法》序言第 12 段把基于逻辑和基于知识的方法算作 AI 技术,又在同一段里说,这个定义“不应涵盖基于完全由自然人定义的规则来自动执行操作的系统”。加拿大联邦的《自动化决策指令》管的是联邦政府内的行政决策,它绕开了这个问题:按它的定义,自动化决策系统包括任何协助或取代人类决策者判断的技术,并把基于规则的系统与机器学习、神经网络一并点了名。至于监管机构会把我们的引擎归入哪一类,我们不作任何断言。

第二种,就是如今大多数人说“AI”时指的那一种:语言模型。它是可选的。持有密钥的用户点一下,就发起一次调用,由它用几句平实的话解释各项发现。它只写文字,风险等级仍然由引擎给出。它收到的是各项发现,从来不是文件,而且这些发现事先已经用常规的数据科学手段作了去标识化处理:数据最小化、假名化(用替代值换掉检测到的标识符以及文件作者和编辑者的姓名,真实值只在你的浏览器里换回来)、泛化和截断。我们不把这叫作匿名化,因为我们的隐私页面写明,一段摘录“仍可能包含另一个人的姓名、一笔金额或文档里的一句话”。在我们的托管演示版上,这次调用发往一家外部的 AI 服务提供商。如果是客户自己的部署,模型可以由客户自己选,包括在客户自己的机器上运行的模型。不用它,标准报告也是完整的。

它用在哪里,客户怎样接入

凡是文档要越过一条边界的地方,这一步都是一样的:律师事务所发出一份合同,而合同的修订痕迹里还留着它删掉的文字;公共机构用一份电子表格答复信息公开申请;有人正要把一份报告上传给 AI 助手;一条流水线在发布或归档文档,而这些文档没有人逐份去读。

集成就是一次 HTTPS 调用,用 multipart 方式上传,用任何语言都可以发起,也可以由工作流工具的 HTTP 步骤发起。一次调用最多带 20 份文档。只传一份,返回的就是清理后的文件。传多份,返回的是一个 ZIP,里面有一份清单,逐份写明应用了哪些选项、删掉了什么,供客户记入自己的日志。处理失败的文档会列在清单里,其余文档照常返回;因超限而拒绝时,会说明测得的数值、限制是多少,以及为什么要有这项限制。

我们不提供任何连接器。这次调用可以放在你的文档本来就要经过的地方:邮件网关的外发环节,文档管理系统的发布环节,一个监视共享文件夹的脚本,或者上传给 AI 助手之前的那一步。API 现在由我们托管。在客户自己的云账号里或自己的服务器上运行,可以应要求提供,只是还没有打包好。

把它搬到另一种宿主环境

各项限制是设置,不是代码:换到更大的宿主上,文档数量、文档大小和工作量上限都可以通过配置调高。引擎现在已经在两种宿主上运行:生产环境用的是边缘沙箱,开发环境和上文的每一项测试用的是普通的服务器进程。

整个引擎还有第二份,是为第二个运行时重写的,做成了原生 Windows 应用,完全不需要服务器:没有任何文件离开本机。它没有发布。有第一个引擎可以对照,第二个只用了一天,就是 2026 年 11 月 7 日。一个由 48 份文档组成的语料库用五种模式在两个引擎上都跑了一遍:每一次扫描的结果都完全相同,每一份干净副本都等价。找到的唯一差别是几个字节,出在一条写明嵌入压缩包大小的发现里。这个应用的安装包是 2.1 MB。

演示版现在还做不到的事

BADR 是一个演示版,下面是它目前的局限。它只读文字:图片里或扫描页里的文字,既不检查,也不脱敏。对长 PDF,最多只读前 400 页的文本,报告会写明这一点。不支持 Word、Excel 和 PowerPoint 97-2003 格式的文件。标识符的识别是按加拿大和魁北克的情况调校的。检测靠模式匹配,所以一个看上去有效、其实不是标识符的号码可能被标出来,而一个格式不对的标识符可能被漏掉。文件最大 10 MB,Office 文档解压后的文本和标记最多 5 MB。加密的 PDF 只分析结构,不生成干净副本。它没有经过外部安全审计,也不附带任何服务等级承诺。每一份干净副本,发出之前都请检查一遍;在无人值守的环节里,这项检查就是由一个人或一条规则去读清单。

扫描在 albadr.ai 上是免费的。没有公布价格。如需密钥,或者想谈在自己的系统里运行 BADR,或者想按现状收购它,请写信到 contact@albadr.ai。