U kunt gevoelige gegevens uit een document redigeren door een AI‑agent in gewone taal te vragen, en de redactie wordt lokaal uitgevoerd, binnen het bestand, op uw machine. Met GroupDocs.Redaction.Mcp verbonden met Claude Desktop, Claude Code, Cursor of GitHub Copilot, is één prompt voldoende:

Redigeer elk e-mailadres in case-file.pdf en vertel me welk bestand je hebt opgeslagen.

De stap‑voor‑stap versie met configuratie en probleemoplossing staat in de documentatie: Hoe gevoelige gegevens uit documenten te redigeren met AI‑agents.

Waarom kan een chatmodel het document niet gewoon voor u redigeren?

Een taalmodel dat een document leest en een nieuw document schrijft, produceert een herschrijving, geen redactie. De herschrijving kan een voorkomen missen, de bewoording wijzigen die u niet gevraagd heeft te wijzigen, en raakt het oorspronkelijke bestand nooit. Een zwart rechthoek getekend in een PDF‑viewer heeft een vergelijkbare fout: de tekst onder het vak blijft in het bestand en kan worden gekopieerd. De agent mag het verwijderen niet zelf doen. Hij moet het patroon voorstellen en een tool aanroepen, en de engine moet de overeenkomende tekst in het document zelf vervangen.

Dat is de taakverdeling in GroupDocs.Redaction.Mcp. De agent stelt patronen voor en stuurt de aanroepen aan. De engine past ze exact toe. Er is geen classifier die beslist wat gevoelig lijkt, zodat het gedrag controleerbaar is, en de beslissing over wat als gevoelig telt, bij u blijft.

Manier 1: Tekst vervangen op basis van patroon

Gebruik dit voor alles wat u kunt beschrijven als een reguliere expressie: e‑mailadressen, nationale ID’s, telefoonnummers, rekeningnummers, een klantnaam. De agent roept redact_text aan, die tekst die overeenkomt met het patroon in het document vervangt en een geredigeerde kopie opslaat. Het origineel blijft onaangeroerd.

Redigeer alles dat overeenkomt met \b\d{3}-\d{2}-\d{4}\b, Amerikaanse social security‑nummers, in case-file.pdf. Laat me het patroon zien voordat u het uitvoert.

Het vragen om eerst het patroon te zien is de extra stap waard. Een regex die u heeft gelezen is een redactie die u kunt verdedigen, en een losse regex verwijdert meer dan u bedoelde, terwijl een strakke regex gegevens achterlaat. De replacement‑parameter standaard naar [REDACTED], waardoor de output gemakkelijk te beoordelen is.

Verwacht resultaat: een geredigeerde kopie in de uitvoermap, en een agent‑bericht met de naam van het opgeslagen bestand.

Manier 2: De plaatsen opruimen die een tekstpatroon niet kan bereiken

Het opschonen van de hoofdtekst en het leveren van een bestand waarvan de marge‑commentaren en auteur‑veld nog steeds de persoon benoemen, is de meest voorkomende manier waarop een redactie faalt. Gevoelige gegevens bevinden zich op vier plaatsen, en elk heeft zijn eigen tool:

Waar de gegevens zich bevinden Tool
Hoofdtekst redact_text
Scans, foto’s, handtekeningen redact_image_area
Commentaren en plaknotities redact_annotations
Auteur, bedrijf, datums in eigenschappen erase_metadata

Verwijder alle annotaties in case-file.docx, en wis vervolgens de auteur‑, bedrijfs‑ en datum‑eigenschappen. Pas elke stap toe op het bestand dat door de vorige stap is geproduceerd.

redact_annotations kan annotatietekst vervangen of, met deleteAll, annotaties volledig verwijderen. erase_metadata accepteert een door komma’s gescheiden lijst van velden, zoals Author,Company,CreatedTime, en standaard All. De keteninstructie is belangrijk: elke aanroep schrijft een nieuw bestand, dus een agent die het origineel in stap twee invoert, gooit stap één weg.

Verwacht resultaat: een eindbestand geproduceerd door de laatste stap in de keten, met elke tussenliggende bestandsnaam zichtbaar in het transcript.

Manier 3: Redigeren voordat u prompt, en de waarden uit het gesprek houden

Pre‑LLM‑redactie betekent dat de gevoelige tekenreeksen nooit een gehost model bereiken. De documenten blijven op uw machine, maar het gesprek niet. Bij een cloud‑gehost model reist wat de agent zegt naar de modelprovider, en bij redactie‑werk kan dat de tekenreeksen die u verwijdert omvatten. “Ik heb jane.smith@example.com geredigeerd” heeft zojuist het adres dat u beschermde verzonden.

Redigeer de klantnaam met ons standaardpatroon. Herhaal de overeenkomende tekst niet in uw antwoord.

De redactie‑tools geven de naam van het opgeslagen bestand terug, niet een aantal overeenkomsten. Een getal in het antwoord van de agent is zijn eigen lezing, bijvoorbeeld van het zoeken in de tekst vóór het redigeren, dus beschouw het als een controle en niet als tool‑output. Voor de sterkste instelling, voer een lokaal model uit zodat er niets uw perimeter verlaat, wat u ook document‑redactie‑automatisering geeft die van begin tot eind lokaal blijft.

Verwacht resultaat: een opgeslagen bestandsnaam in het antwoord, zonder gevoelige tekenreeksen in het transcript.

Voorbeeldsessie (verkort)

You:    Redact every email address in case-file.pdf and tell me which file you saved.
Agent:  I will use this pattern: [\w.+-]+@[\w-]+\.[\w.]+
        -> redact_text(file: case-file.pdf, pattern: ..., replacement: "[REDACTED]")
Agent:  Saved case-file_redacted.pdf.
You:    For case-file.docx, delete all annotations and clear the document properties.
Agent:  -> redact_annotations(file: case-file.docx, deleteAll: true)
        Saved the output file.
        -> erase_metadata(file: the file saved by the previous step, fields: "All")
        Saved the output file.

Wat zijn de beperkingen van de evaluatiemodus?

Stel dit duidelijk voordat een belangrijke uitvoering plaatsvindt. Zonder licentie draait de server in evaluatiemodus: één document per proces, één redactie, beperkt tot 4 vervangingen, plus proef‑badges. Een patroon dat tien keer voorkomt, wordt vier keer geredigeerd en zes keer ongewijzigd gelaten, en de output kan er schoon uitzien. De limiet is alleen voor demo’s. Verstuur nooit de output van een niet‑gelicentieerde uitvoering, en vraag eerst get_license_status: “Wat is de licentiestatus van de redactie‑server?”

Of een resultaat voldoet aan een regelgeving zoals de AVG, is een beslissing die bij u blijft. De server verwijdert wat u aangeeft te verwijderen, in het bestand dat u opgeeft.

  • PDF op Linux. Op Linux, inclusief de Docker‑image, falen redact_image_area en erase_metadata momenteel op PDF‑bestanden (de beeldverwerking van de PDF‑engine hangt af van System.Drawing, dat .NET alleen op Windows ondersteunt); beide werken op Word‑documenten, en redact_text werkt op PDF. Voer PDF‑gebied‑redactie en metadata‑verwijdering uit op Windows met dnx.

Veelgestelde vragen

Kan Claude PII uit een PDF redigeren zonder het te uploaden? Ja. De MCP‑server draait als een child‑process van uw AI‑client via lokale stdio en leest en schrijft bestanden in mappen die u configureert. Houd er rekening mee dat alles wat de agent in de chat zegt nog steeds naar een cloud‑modelprovider gaat.

Bepaalt de agent wat gevoelig is? Nee. De agent stelt patronen voor en u beoordeelt ze. De engine past precies toe wat hij krijgt.

Hoe installeer ik het? Met de .NET 10 SDK, voer dnx GroupDocs.Redaction.Mcp --yes uit en stel GROUPDOCS_MCP_STORAGE_PATH in op de map die uw documenten bevat. Docker is de andere optie: ghcr.io/groupdocs-redaction/redaction-net-mcp.

Dieper duiken