我们的第一位雇佣者：数据集匿名化工具 — MVP0 处于试用期

----
----
Données brutes client (SPG, cours, évaluations)
  ├→ Noms de stagiaires en clair dans les PDF
  ├→ Emails dans les métadonnées JSON
  ├→ IP de connexion dans les logs pgvector
  ├→ Identifiants dans les nœuds Graphify
  └→ Références OF pilote dans les schémas SQL
----

结果：要么你在脏数据上做 RAG（会出现 PII 幻觉、不符合 GDPR、法律风险），要么你什么都不做（没有产品）。第三种方式——手动清洁——不可扩展。

我的回答：不要回避问题。L'**自动化**.

== MVP0：匿名化器，试用期首位受雇人员

MVP0不是一个feature。它是一个**便利专家**一个干着肮脏、愚蠢而残忍工作的员工，也是没人愿意在 pitch decks 中提及的。

它做的事：

[source]
----
ENTRÉE : Données brutes multi-sources
  ├→ AsciiDoc (SPG_A2SP.adoc) → noms, dates, OF pilote
  ├→ JSON (catalogue formations) → emails, téléphones
  ├→ YAML (config workspace) → tokens OAuth2
  ├→ SQL (schémas DDL) → IP, adresses
  ├→ pgvector (métadonnées embeddings) → identifiants
  ├→ ONNX (outputs classification) → noms propres
  └→ Graphify (graph.json) → nœuds avec PII

SORTIE : Datasets propres, format standardisé
  ├→ [ANONYMIZED] remplace les PII détectées
  ├→ Classification RGPD (niveau 0→4)
  ├→ Rapport d'audit (quoi a été nettoyé)
  └→ Dataset prêt pour RAG ET fine-tuning
----

它首先检测最明显的模式（电子邮件`.*@.*`, 令牌`sk-*`, `ghp_*`, IPs), 然后它学习。 试用期就是这样： 我们验证它不会让假阴性通过，在将其正式确定之前。

== 此 MVP 解锁了什么（而不仅仅是合规）

以 MVP0 为代表的匿名化不是高速公路之前的 GDPR 收费站；它就是高速公路本身。它为以下内容打开了大门：

=== 现在：提示中的增强现实

[source]
----
DONNÉES BRUTES CLIENT
    ↓
Anonymiseur MVP0 → datasets propres
    ↓
RAG pgvector (MVP1) → top-K documents similaires (filtrés, anonymisés)
    ↓
LLM (deepseek-v4-pro) → réponse augmentée, zéro PII
----

RAG 不会在脏数据中搜索 — 它会在一个空间中搜索**因构造而整洁**. 这改变了回答质量的一切：LLM 不会花时间去规避它识别出的但不应提及的个人身份信息（PII）。

=== 未来：在健康数据上的微调

[source]
----
MVP0 → datasets propres accumulés (session après session)
    ↓
Fine-tuning expert métier (CDA, FPA) sur données zéro PII
    ↓
Modèle fine-tuné exposé via Ollama (sans fuite de données)
----

在原始数据上进行微调是一场潜在的法律灾难。在干净数据上，它是一**可重复的方法**. 每个客户积累其清洗后的数据集，每个客户可以在其数据上对其业务专家进行微调 — 从不暴露任何个人数据。

== 为什么它具有市场价值

这不是“GDPR合规工具”。这是一**一种可复制的方法，可以将普遍问题转化为资产。** :

1. *每个培训公司都有脏数据* — 这就是问题
2. *没有任何一个拥有自动化的多源清洗管道* — 这就是市场
3. *循环 : 匿名化 → RAG → 微调是专有的* — 这就是障碍

Edster SaaS（MVP3）不会出售 « Gradle 工作区 »。它将出售这个闭环。而 MVP0 是入口。

== SQL 格式作为情境的第三种方法

结构化数据的导入不仅仅是一种交换格式。SQL 模式（DDL）承载了**领域实体关系模型**:

[source]
----
CREATE TABLE formation (
  id UUID PRIMARY KEY,
  titre VARCHAR NOT NULL,
  referentiel RNCP REFERENCES rncp(id),
  organisme OF REFERENCES of_pilote(id)  -- ← va être anonymisé
);
----

此 DDL，匿名化（第 4 行）后，成为 LLM 的上下文来源。不是文本 — du**商业模式**. RAG 提供内容（向量相似度），Graphify 提供关系（精确结构），而 SQL 模式提供**隐式的领域驱动设计**: 有界上下文、聚合、值对象。LLM 通过读取其模式 来理解业务。

== 路线图：从MVP0到SaaS

[source]
----
MVP0 — Anonymiseur (ce que cet article décrit)
  Sortie : datasets propres, reproductible

MVP1 — RAG pgvector (dépend de MVP0)
  Realité augmentée en prompt sur données nettoyées

MVP2 — Graphify + ONNX + SQL DDD (dépend de MVP1)
  Vecteur composite de contexte (règles + similarité + relations exactes)

MVP3 — SaaS Edster (dépend de MVP0-2)
  Provisionnement workspace client complet
----

每个 MVP 都依赖于前一个。没有任何一个可以在没有 MVP0 的情况下交付。这就是为什么匿名器在待办列表中不是 « P0 » — 它是**MVP0**这是第一个商业交付物，其余一切都以其成功为前提。

== 结论：使一切成为可能的隐形工作

在传统创业公司中，数据清洗通常被外包、手动进行或被忽视。在这种架构下，它是**产品核心**. 匿名器是第一个被雇用的员工，因为没有他，什么都不起作用：

* 没有 MVP0 → 没有合法的 RAG (MVP1)
* 没有 MVP0 → 没有数据泄漏就没有微调 (EPIC 5)
* 没有 MVP0 → 没有可信的 SaaS (MVP3)
* 没有 MVP0 → 没有增强现实的提示
* 没有 MVP0 → 没有第三种上下文方式（SQL DDD）

他干肮脏的活儿。他在推介中永远不会被提及。但正是他让工厂运转起来。

这就是我们先雇佣他的原因。

== 参考文献

* 关于空间本体论和信任圈的文章：link:../2026/0114_gouvernance_cercles_confiance_ontologie_spatiale_alignement_llm_post.html[空间本体作为对齐机制]
* 关于代理人 Eager/Lazy 治理的文章：link:../2026/0108_gouvernance_agent_opencode_eager_lazy_post.html[用一些AsciiDoc管理一个AI智能体]
* 关于 Hot/Warm/Cold 机制的文章：link:../2026/0110_mecanisme_backup_contexte_agent_post.html[滑动窗口 和 冷浪]
* 关于三个LLM比较的文章：link:../2026/0112_comparaison_kimi_glm_deepseek_long_contexte_plugin_gradle_opencode_post.html[DeepSeek-V4-Pro, Kimi K2.6, GLM-5.1]
----