企业官网建设流程全解析

OpenMed LangChain与LlamaIndex集成：带隐私过滤的RAG管道搭建指南

【免费下载链接】openmedLocal-first healthcare AI: clinical NER & HIPAA PII de-identification that runs 100% on-device. 2,200+ medical models, 21 languages, Apple MLX + Python, no cloud, no patient data leaving your network. Apache-2.0项目地址: https://gitcode.com/GitHub_Trending/ope/openmed

OpenMed 是一个本地优先（local-first）的医疗 AI 工具包，提供临床命名实体识别（NER）与 HIPAA PII 去标识化能力，全部运行在设备端，患者数据不出内网。本文将带你用 OpenMed 的隐私过滤组件，为 LangChain 与 LlamaIndex 搭建一条"检索内容先脱敏、再进大模型"的 RAG 管道，让医疗问答在保护隐私的前提下正常运行。

为什么 RAG 管道需要隐私过滤

在医疗场景的 RAG（检索增强生成）管道中，有一个常被忽略的风险：检索出的临床文档会带着患者姓名、病历号、电话等敏感信息直接拼进 Prompt 发给大模型。一旦模型是云端服务，患者数据就离开了你的网络边界。

OpenMed 的思路是"检索照常，进模型前过一道本地脱敏"：

• 脱敏在本地执行，不调用任何托管服务；
• 掩码是确定性的，同一输入得到同一输出，便于审计与测试；
• LangChain / LlamaIndex 均为可选依赖，不安装就不导入，不影响核心库体积。

一键安装步骤：安装可选依赖

按你的技术栈二选一（或都装）即可：

# LangChain 集成 pip install "openmed[langchain]" # LlamaIndex 集成 pip install "openmed[llamaindex]"

对应源码位于 openmed/interop/langchain.py 与 openmed/interop/llamaindex.py，依赖声明见 pyproject.toml。

LangChain 集成：在 Prompt 前插入脱敏节点

官方提供了三种粒度的接入方式，全部在 openmed/interop/langchain.py 中定义：

最快配置方法：Retriever 之后接脱敏 Runnable

典型的 RAG 写法是"检索 → 脱敏 → 拼 Prompt → 模型"，核心只有 4 行：

from openmed.interop.langchain import create_redaction_runnable redact_context = create_redaction_runnable() chain = ( { "context": retriever | redact_context, # 检索结果先过本地脱敏 "question": RunnablePassthrough(), } | prompt | model )

脱敏默认使用掩码方式（如Patient [PERSON] called from [EMAIL].），并可通过LangChainRedactionConfig调整置信度阈值、语言、安全扫描开关等参数。完整示例可参考 docs/integrations-langchain.md。

💡 如果链中传的是字典，还可以用input_key="context"只对可能含 PHI 的字段脱敏，用户提问字段原样保留。

LlamaIndex 集成：入库前与检索后双重防护

LlamaIndex 一侧提供两个组件（详见 docs/integrations-llamaindex.md）：

检索后：Redaction Postprocessor（脱敏后置处理器）

在查询引擎的node_postprocessors里挂上它，检索到的节点在送入响应合成前会被逐节点复制并脱敏——原文档不被修改，节点分数与元数据结构保持不变：

from openmed.interop.llamaindex import create_redaction_postprocessor redact_nodes = create_redaction_postprocessor() query_engine = index.as_query_engine(node_postprocessors=[redact_nodes])

入库前：Ingestion Transform（摄入转换）

更彻底的做法是在文档切分、向量化、入库之前完成脱敏，让后续所有环节（包括向量库）只见到安全文本。转换组件会自动：

• 保留节点的 chunk 元数据契约，替换节点/关系 ID 为确定性 UUID 假名，保证存储安全且可关联；
• 将数值型元数据（如日期戳）替换为确定性 token，白名单（如页码）可通过numeric_metadata_allowlist放行；
• 每次调用后提供audit_metadata——只含节点数、变更值数、实体类别数等计数型审计摘要，绝不含原文、偏移或替换值。

pipeline = IngestionPipeline( transformations=[ redaction_transform, # 先脱敏 SentenceSplitter(chunk_size=512, chunk_overlap=32), embed_model, ], disable_cache=True, # 官方建议关闭摄入缓存 )

性能参考：本地批量脱敏够快吗

OpenMed 的批量脱敏基准测试显示，批量处理（batch_size=16）相比单条处理，CPU/Torch 路径快约 3.3 倍、MLX 路径快约 2.2 倍，批量吞吐可达 200+ 文档/秒，本地跑 RAG 摄入完全够用：

更多基准数据见 docs/benchmarks/ 与 docs/assets/pii-batch-benchmark.svg。

进阶：脱敏保留的检索管道

如果你的需求不止"打码"，而是希望外部模型只看到占位符、授权角色再按需还原原文，OpenMed 提供了完整的脱敏保留检索原语：RedactedIndex（脱敏索引）、RedactedRetriever（脱敏检索器）、EncryptedMappingVault（加密映射保险库）与AuthorizedReidentifier（授权重标识），均位于 openmed/interop/retrieval/。离线可运行的演示见 examples/redaction_preserving_retrieval.py。

关键要点清单 📋

• ✅ 脱敏节点放在retriever 之后、prompt 之前（LangChain）或切分/嵌入之前（LlamaIndex），顺序错了等于白做；
• ✅ 默认策略是确定性掩码 + HIPAA Safe Harbor 风格策略，可按需切换strict_no_leak；
• ✅ 所有适配器失败时只输出安全的错误信息，异常文本中不携带输入内容；
• ✅ 官方演示应用可直观查看效果：examples/privacy_filter_studio/、examples/privacy_filter_multilingual_studio/（支持多语言）。

按上述步骤，你只需各加几行代码，就能让 LangChain / LlamaIndex 的 RAG 管道在 100% 本地的前提下完成临床文本的隐私过滤——数据不出网，问答照常跑。

【免费下载链接】openmedLocal-first healthcare AI: clinical NER & HIPAA PII de-identification that runs 100% on-device. 2,200+ medical models, 21 languages, Apple MLX + Python, no cloud, no patient data leaving your network. Apache-2.0项目地址: https://gitcode.com/GitHub_Trending/ope/openmed