我们的第一位雇员：数据集匿名器 — MVP0 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（PII 幻觉、不符合 GDPR、法律风险），要么你什么也不做（没有产品）。第三种方式——手动清洗——不可扩展。

我的回答：不要回避问题。L'**自动化**.

== MVP0：匿名化器，试用期首位雇员

MVP0 不是一个功能。这是一个**便利专家**— 一个做着肮脏、愚蠢且邪恶工作的员工，而且没人想在 pitch decks 中提及他。

它的作用：

[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 （emails`.*@.*`, tokens`sk-*`, `ghp_*`, IPs)，然后它学习。试用期就是这样：我们要确认它在正式聘用之前不会放过任何假阴性。

== 这个 MVP 解锁了什么（而这不仅仅是合规）

匿名化作为 MVP0 不是在高速公路之前的 GDPR 收费站。它就是高速公路本身。以下是它所打开的：

=== 现在：增强现实在 Prompt 中

[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**通过构造保持整洁**. 这对回答的质量至关重要：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：健康数据的微调

[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)
----

对原始数据进行微调是潜在的法律灾难。在干净的数据上，这是一**可重复的方法**. 每个客户累积其清理后的数据集，每个客户可以在其数据上微调其业务专家 —  — 永不暴露个人数据。

== 为什么它是可销售的

这不是 « GDPR 合规工具 》。这是一**可复制的方法将普遍问题转化为资产**:

1. *每家培训企业都有脏数据* — 这就是问题
2. *没有一个具有自动化的多源清理管道* — 这就是市场
3. *循环：匿名化 → RAG → 微调是专有的* — 这是障碍

Edster SaaS (MVP3) 不会卖 “Gradle 工作空间”。它会卖出这个闭环。而 MVP0 是入口。

== SQL 格式作为第三种情境方式

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，一旦匿名化（第4行），就成为LLM的上下文来源。不是文本——**商业模型**. RAG 提供内容（向量相似度），Graphify 提供关系（精确结构），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事项中不是 « 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：隐形的工作让一切成为可能

在传统的初创公司中，数据清理是外包的、手动的，或者被忽略的。在这种架构中，这是**产品的核心**. 匿名化器是第一位员工，因为没有他，什么都无法运作：

* 没有 MVP0 → 没有合法的 RAG (MVP1)
* 没有 MVP0 → 没有数据泄漏也无法进行微调（EPIC 5）
* 没有 MVP0 → 没有可信的 SaaS (MVP3)
* 没有 MVP0 → 没有提示中的增强现实
* 没有 MVP0 → 没有第三种情境路径（SQL DDD）

他做肮脏的活儿。他永远不会在路演中被提到。但正是他让工厂运转。

这就是为什么我们首先雇佣他。

== 参考

* 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[空间本体论作为对齐机制]
* 关于代理Eager/Lazy治理的文章：link:../2026/0108_gouvernance_agent_opencode_eager_lazy_post.html[使用 AsciiDoc 管理 AI 代理]
* 关于Hot/Warm/Cold机制的文章：link:../2026/0110_mecanisme_backup_contexte_agent_post.html[滑动窗口和寒波]
* 关于三个LLMs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]
----