Vous pouvez masquer les données sensibles d’un document en demandant à un agent IA en langage naturel, et le masquage s’exécute localement, à l’intérieur du fichier, sur votre machine. Avec GroupDocs.Redaction.Mcp connecté à Claude Desktop, Claude Code, Cursor ou GitHub Copilot, une seule invite suffit :

Masquez chaque adresse e‑mail dans case-file.pdf et dites‑moi quel fichier vous avez enregistré.

La version étape par étape avec configuration et dépannage se trouve dans la documentation : Comment masquer les données sensibles des documents avec des agents IA.

Pourquoi un modèle de chat ne peut‑il pas simplement masquer le document pour vous ?

Un modèle de langage qui lit un document et en écrit un nouveau produit une réécriture, pas un masquage. La réécriture peut manquer une occurrence, modifier une formulation que vous n’avez pas demandé à changer, et elle ne touche jamais le fichier original. Un rectangle noir dessiné dans un visualiseur PDF présente un défaut similaire : le texte sous la boîte reste dans le fichier et peut être copié. L’agent ne doit pas effectuer la suppression. Il doit proposer le motif et appeler un outil, et le moteur doit remplacer le texte correspondant directement dans le document.

C’est ainsi que se répartit le travail dans GroupDocs.Redaction.Mcp. L’agent propose des motifs et déclenche les appels. Le moteur les applique exactement. Il n’y a aucun classificateur décidant de ce qui semble sensible, de sorte que le comportement est révisable, et la décision de ce qui compte comme sensible reste à votre charge.

Méthode 1 : Remplacer le texte par un motif

Utilisez cela pour tout ce que vous pouvez décrire comme une expression régulière : adresses e‑mail, numéros d’identification nationaux, numéros de téléphone, numéros de compte, nom d’un client. L’agent appelle redact_text, qui remplace le texte correspondant au motif dans le document et enregistre une copie masquée. L’original reste intact.

Masquez tout ce qui correspond à \b\d{3}-\d{2}-\d{4}\b, numéros de sécurité sociale américains, dans case-file.pdf. Montrez‑moi le motif avant de l’exécuter.

Demander à voir le motif d’abord vaut le tour supplémentaire. Une expression régulière que vous avez lue est un masquage que vous pouvez justifier, et une expression lâche supprime plus que prévu tandis qu’une stricte laisse des données derrière. Le paramètre replacement vaut par défaut [REDACTED], ce qui facilite la révision de la sortie.

Résultat attendu : une copie masquée dans le dossier de sortie, et un message d’agent indiquant le fichier enregistré.

Méthode 2 : Nettoyer les endroits où un motif texte ne peut pas atteindre

Nettoyer le texte principal et livrer un fichier dont les commentaires en marge et le champ auteur portent encore le nom de la personne est la façon la plus courante d’échec d’un masquage. Les données sensibles se trouvent à quatre endroits, chacun disposant de son propre outil :

Où les données se trouvent Outil
Texte principal redact_text
Scans, photos, signatures redact_image_area
Commentaires et notes autocollantes redact_annotations
Auteur, société, dates dans les propriétés erase_metadata

Supprimez toutes les annotations dans case-file.docx, puis effacez les propriétés auteur, société et date. Appliquez chaque étape au fichier produit par la précédente.

redact_annotations peut remplacer le texte d’une annotation ou, avec deleteAll, supprimer les annotations entièrement. erase_metadata accepte une liste de champs séparés par des virgules comme Author,Company,CreatedTime, et vaut par défaut All. L’instruction de chaînage est importante : chaque appel écrit un nouveau fichier, ainsi un agent qui fournit l’original à l’étape deux élimine l’étape un.

Résultat attendu : un fichier final produit par la dernière étape de la chaîne, avec chaque nom de fichier intermédiaire visible dans le transcript.

Méthode 3 : Masquer avant de lancer l’invite, et garder les valeurs hors de la conversation

Le masquage pré‑LLM signifie que les chaînes sensibles n’atteignent jamais un modèle hébergé. Les documents restent sur votre machine, mais la conversation ne le fait pas. Avec un modèle hébergé dans le cloud, ce que l’agent dit est transmis au fournisseur du modèle, et dans le cadre d’un masquage cela peut inclure les chaînes que vous supprimez. « J’ai masqué jane.smith@example.com » a simplement envoyé l’adresse que vous protégiez.

Masquez le nom du client en utilisant notre motif standard. Ne répétez pas le texte correspondant dans votre réponse.

Les outils de masquage renvoient le nom du fichier enregistré, pas le nombre de correspondances. Un nombre dans la réponse de l’agent est son interprétation, par exemple issu d’une recherche du texte avant le masquage, il faut donc le considérer comme une vérification croisée et non comme une sortie d’outil. Pour le paramètre le plus strict, exécutez un modèle local afin que rien ne quitte votre périmètre, ce qui vous fournit également une automatisation du masquage de documents entièrement locale de bout en bout.

Résultat attendu : un nom de fichier enregistré dans la réponse, sans chaînes sensibles dans le transcript.

Exemple de session (abrégé)

Vous :    Masquez chaque adresse e‑mail dans case-file.pdf et dites‑moi quel fichier vous avez enregistré.
Agent :  J’utiliserai ce motif : [\w.+-]+@[\w-]+\.[\w.]+
        -> redact_text(file: case-file.pdf, pattern: ..., replacement: "[REDACTED]")
Agent :  Fichier case-file_redacted.pdf enregistré.
Vous :    Pour case-file.docx, supprimez toutes les annotations et effacez les propriétés du document.
Agent :  -> redact_annotations(file: case-file.docx, deleteAll: true)
        Fichier de sortie enregistré.
        -> erase_metadata(file: the file saved by the previous step, fields: "All")
        Fichier de sortie enregistré.

Quelles sont les limites du mode d’évaluation ?

Indiquez cela clairement avant toute exécution importante. Sans licence, le serveur fonctionne en mode d’évaluation : un document par processus, un masquage, limité à 4 remplacements, plus des badges d’essai. Un motif qui apparaît dix fois est masqué quatre fois et reste en place six fois, et la sortie peut sembler propre. Cette limite est réservée aux démonstrations. Ne diffusez jamais la sortie d’une exécution non licenciée, et demandez d’abord get_license_status : « Quel est l’état de licence du serveur de masquage ? »

Le fait qu’un résultat soit conforme à une réglementation telle que le RGPD reste votre décision. Le serveur supprime ce que vous lui indiquez de supprimer, dans le fichier que vous fournissez.

  • PDF sur Linux. Sous Linux, y compris l’image Docker, redact_image_area et erase_metadata échouent actuellement sur les fichiers PDF (la gestion des images du moteur PDF dépend de System.Drawing, que .NET ne prend en charge que sous Windows) ; les deux fonctionnent sur les documents Word, et redact_text fonctionne sur les PDF. Exécutez le masquage de zone PDF et l’effacement des métadonnées sur Windows avec dnx.

FAQ

Claude peut‑il masquer les informations personnelles identifiables (PII) d’un PDF sans le télécharger ? Oui. Le serveur MCP s’exécute en tant que processus enfant de votre client IA via stdio local et lit/écrit les fichiers dans les dossiers que vous configurez. Sachez que tout ce que l’agent dit dans le chat est toujours envoyé au fournisseur du modèle cloud.

L’agent décide‑t‑il de ce qui est sensible ? Non. L’agent propose des motifs et vous les examinez. Le moteur applique exactement ce qui lui est fourni.

Comment l’installer ? Avec le SDK .NET 10, exécutez dnx GroupDocs.Redaction.Mcp --yes et définissez GROUPDOCS_MCP_STORAGE_PATH sur le dossier contenant vos documents. Docker est l’autre option : ghcr.io/groupdocs-redaction/redaction-net-mcp.

Approfondir