一篇指南发布后，读者说看不懂：我把它编译成了一个匿名化判断 Skill

从一篇难读的监管指南，到一套经过盲测和真实场景验证的判断路径。

读者反馈推动了一次法律知识交付方式的调整。

上一篇 EDPB《匿名化指南 02/2026》全文翻译发布后，有读者给了一个很直接的反馈：内容很专业，读起来却有些吃力。这句话让我重新看了一遍文章，也重新想了一遍这类监管指南应该怎样交付。

匿名化判断涉及具体的数据对象、使用数据的实体以及可能取得的附加信息。读者即使逐段看懂原文，回到项目现场仍可能卡在一个实际问题上：研发把手机号做了 SHA-256，双方用它对撞重合用户，这些数据究竟处于什么法律状态？

我因此做了一个 edpb-anonymisation-guidelines Skill。它把指南中的判断规则重新编排，让用户可以带着真实场景逐步补充事实，并得到有明确边界的初步分析。

监管指南通常按照法律概念和论证层级展开。总原则、主体视角、技术标准和失败分支分散在不同章节，读者需要自己把这些内容还原成一条判断路径。

我最初考虑过把全文放进 Skill 的 references。模型有了完整材料，仍可能把记录唯一直接写成个人可识别，也可能忽略处理者通常需要沿用控制者的视角。后来考虑的重点摘要更适合解释概念，对具体场景中的事实追问和分支选择帮助有限。

最后采用的方案是把指南重新组织成执行顺序，并给输出增加证据约束。实体规则仍然来自 EDPB 指南，Skill 负责确定 AI 在什么时候读取事实、怎样进入下一步，以及证据不足时如何收住结论。

Skill 的运行从评估对象开始。它先确认正在判断的是数据集、统计结果、接口还是模型，然后确定数据拟对哪一个实体保持匿名。

评估对象 → 适用视角 → 合理可能使用的手段

→ 明显识别情形 → 三项标准 → 失败分支与限定结论

适用视角会直接影响后面的判断。同一份文件可能对独立接收方构成匿名信息，对保留原始数据库的控制者仍属于个人数据；代表控制者处理数据的服务商，也不能只根据自己手中是否有映射表来判断。

进入技术标准后，Skill 会分别检查唯一记录、关联和推断风险。记录具有唯一性，说明该记录能够从数据集中被单独区分，后续还要分析相关实体能否把它对应到现实中的自然人。小群体聚合结果则要继续检查共同属性、范围或上下界，因为这些信息有时已经能够支持针对已知成员的具体推断。

证据纪律也写进了 Skill。用户陈述、分析假设、实际技术测试结果和缺失信息需要分开呈现，模型没有运行唯一性统计或关联攻击时，只能指出需要验证的方向。

结论被限制在四种状态中，包括限定情境下初步匿名、尚未证明匿名、从特定主体视角属于个人数据，以及需要专项评估。每个结论都要写清适用主体和使用场景，避免把阶段性分析扩展成覆盖整个项目的结论。

候选版先跑了 5 个固定 smoke test，17 项必选标准全部满足。随后又使用外部测试包完成 8 个案例的对照盲测，一共产生 16 份独立输出。

对照组读取 EDPB 规则索引，实验组在同一索引上增加 SKILL.md。两组使用相同案例和提示词，生成阶段看不到标准答案，全部输出完成后再交给独立评分任务。

对照组得到 73.9/80，Skill 组得到 77.7/80，提高 3.8 分，两组都没有触发严重错误上限。这组结果说明执行路径带来了稳定增益，同时也留下了一个值得继续处理的失败案例。

TC-04 描述了一个四人团队的调查结果。经理知道全员参与，公开统计中只出现 1、2、3 分；首轮输出关注能否确定每个人的精确分数，漏掉了已经成立的共同上界：四名员工的评分都不高于 3 分。

这个遗漏使 TC-04 的 Skill 得分只有 7.9/10，略低于对照组的 8.2/10。我据此补充了一条规则，要求模型在已知成员和全员参与的场景中检查聚合结果揭示的共同属性、范围及上下界。

修正后的定向回归得到 10.0/10.0，原有 smoke test 仍保持 5/5 个任务、17/17 项标准、0 个自动失败。这次修正也确定了后续测试方式：总分用于观察整体表现，具体失败案例用于修改规则。

完成本地安装后，我用一个常见的数据合作方案做了实测。两家公司计划对撞重合用户并共建画像，研发认为 ID 已经经过 SHA-256 处理，因此可以作为匿名数据交换。

Skill 第一轮先确认处理目的和匹配方式。它指出，双方只要对同一个原始标识生成相同哈希，就能把哈希作为稳定连接键，整个过程无需先破解 SHA-256。

我一开始把输入描述成双方各自生成的内部随机 ID。Skill 随即指出，两套独立随机 ID 通常无法自然匹配，方案中还缺少共同标识、映射服务或其他桥接步骤。

我随后纠正事实，实际输入是手机号的 SHA-256。双方没有保存专门的“手机号—哈希”映射表，但各自仍持有手机号，所以可以重新计算哈希并完成匹配。

继续补充流程后，第一阶段只向业务人员返回整体重合数量，用户级交集不能导出，也不会保存。如果重合程度达到合作门槛，第二阶段会重新运行匹配，逐用户生成画像标签并写回双方服务器。

这轮实测把一个笼统的“匿名化方案”拆成了三个对象。用户补充关键事实后，Skill 会更新对应环节的分析，已经确认的部分可以继续保留。

第一版没有加入唯一率计算、关联攻击脚本或模型提取测试，也不承担完整的 GDPR 合法性审查。面对真实数据集时，它能够指出潜在的唯一字段组合和关联桥梁，并说明下一步需要验证的技术问题。

缺少统计结果和攻击验证时，输出会停留在“尚未证明匿名”或“需要专项技术或人工评估”。高风险结论仍需要技术人员、法务、DPO 或外部专家核对，组织事实也要由项目团队确认。

这次开发让我更清楚地看到，法律资料进入 AI 后还需要一次方法层面的整理。指南提供实体规则，Skill 保存执行顺序和证据要求，测试案例则负责检查这些方法在具体事实中是否可靠。

读者最初提出的“看不懂”，最终推动了一种新的知识交付方式。监管指南可以继续作为权威依据，日常项目则通过结构化路径进入事实追问和初步判断，阅读与应用之间由此多了一层可复核的工作接口。

我已经把这个 Skill 放到个人网站的资料库中，页面提供项目说明和直接下载入口。可以前往 “那一片数据星辰”Skill 资料库 获取当前版本。

下载后，将其中的 edpb-anonymisation-guidelines/ 目录复制到下面的位置。刷新或重启 Codex 后即可调用。

~/.codex/skills/edpb-anonymisation-guidelines/

调用时可以直接描述项目事实，并明确要求使用该 Skill。下面是一条可以开始测试的示例指令。

请使用 $edpb-anonymisation-guidelines 分析：

我们删除姓名和手机号后，把订单数据交给外部公司分析。

外部公司是受托处理者，我们仍保留原始订单库。

处理后的数据能否视为匿名？

本 Skill 目前仅基于 EDPB Guidelines 02/2026 Version 1.0 的公开征求意见版本。该指南于 2026 年 7 月 7 日通过用于征求意见，反馈期截至 2026 年 10 月 30 日，后续版本仍可能调整。中文规则索引属于个人整理，正式或有争议的判断应回到 EDPB 官方英文指南与征求意见页面 核对。

我是朱玲凤，关注数据保护、AI 治理与 AI 的真实使用场景。

如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。

THANKS FOR READING