ARTICLE · 1238405
我让 AI 写了个脱敏工具,三种写法不用密钥就还原
银行做开发，最常缺的东西不是代码，是数据。
要测一个转账功能，得有一批像样的客户和账户；要测对账，得有一批像样的流水。真实的不能拿出来，编的又不真。所以几乎每个项目都会出现同一件事：有人写个小工具，把导出的样本洗一遍，拿到开发库去用。
这事本身在绿区。判据很简单：工具写错了，当场就看得出来，而且它根本不接触生产数据。所以我一直是让 AI 写这类工具的。
这次我让它写一个脱敏工具。
它交了三个函数，分别处理姓名、证件号、卡号。代码干净，注释清楚，还跟我解释了「都做了不可逆处理」。
我把这三个跑了一遍。
三个，一个都没挡住。
它交了什么
第一个，姓名。每个字替换成一个固定的假字，同一个人每次都变成同一个假名。
第二个，证件号。每一位往后错五位，转成字母数字混排。
第三个，卡号。先算一遍 md5 哈希，再截前七位当替代值。
读下来，三件事都做了：变了、错了、看不出原样了。
问题是这三件事之间没有因果关系。
我是怎么把它还原回来的
还原没用什么破解手段，就是穷举。信息量根本没被打掉，只是换了副样子。
姓名那一版，映射表就写在代码里。反过来排一遍字典，逐字查回去，五条全中。
而且就算代码拿不到，只拿洗过的那个值 dacfbh，配上「这是中文人名」这个常识去穷举常见姓名组合，结果也只有一条：张三。
证件号那一版，位移量是常数，写在函数里。往反方向移五位，五条全中，一位不差。
卡号那一版，看着最像回事，因为它用了哈希。但它只留了七位十六进制。卡号的结构是公开的：前六位是发卡行，最后一位是校验位，真正不知道的只有中间那十二位。我从中段往前挨个试，撞上原值用了 50 万次左右，两秒出头。
三个函数，三种写法，毛病是一个：变换要么可逆，要么值域小到能被人一个个试完。
为什么测试测不出来
这点比 bug 本身更值得说。
如果让 AI 顺手写测试，大概就是这几条：洗完之后名字变了，通过；证件号格式还对，通过；同一条数据洗两次结果一致，通过；空值不报错，通过。
这些测试全绿，而且确实都对。它们测的是「变换有没有发生」。
但脱敏这件事的定义不是「变了」，是「变不回去」。
「变不回去」这个性质，用常规单测证明不了。你得站到对面去，拿工具本身当对手，试一遍能不能还原。AI 写测试天然站在开发者这边，不会站到对面去。
所以这类工具最容易糊弄人。它不只是写错了，它还能自己证明自己是对的。拿着那份全绿的测试报告，你很容易跳过自己动手那一步。
什么样的脱敏才算数
我把判据拆成三层。
第一层，不可逆。不是换了，是换不回来。哈希走这条路可以，但必须带盐，盐不能写死在代码里，不能全库共用一把。不加盐的哈希，对证件号这种值域有限的东西，等于明文。
第二层，不可枚举。就算不可逆，输入空间只有几百万种的话，也只是把还原成本从零抬到了两秒。要么加盐让攻击方那张表作废，要么直接把值域砍掉，比如证件号只留省市区前缀，后面整个换随机。这一层是数量级问题，不是有无问题。
第三层，不保结构。这一层最容易忽略。证件号的校验位、卡号的 Luhn 位、手机号的号段规律，都是结构。结构留着，工具能跑了，但每条数据都在告诉你它原来长什么样。开发测试里很多场景根本不需要结构是对的，只需要格式像个样。
还有一条比技术更硬的：洗只能发生在出口，不能发生在使用过程中。 数据进了开发库，它就已经离开了原来的边界，再洗第二遍洗的是已经流出去的东西。顺序是先洗、再出，出去之后别再洗。
该怎么用 AI 干这件事
四步。
第一，让 AI 写工具，不让它验收。 它写得快，这部分确实强。但「够不够」它判不了，它没有对手视角。交付归它，验收不归它。
第二，验收自己写一版还原脚本。 这是唯一有效的验收方式。拿洗过的数据，写个查表/回推/枚举的脚本，能还原多少就是漏了多少。我这次就是这么抓出来的，还原脚本比脱敏工具本身还短。
第三，盐和密钥不进代码。 写在代码里的常量等于没有。参数从环境变量读，读不到就报错退出，别给默认值。给默认值那天，就是它在生产上用默认值那天。
第四，洗完抽一批人工看一眼。 不是看程序输出，是看数据本身。姓名是不是还集中在几个常见姓、证件号前六位是不是还对着真实地区、金额是不是还留着真实量级。程序判不了的事，眼睛三秒钟能看出来。
最后
这篇不是要说 AI 写不了脱敏工具。这活我以后还会交给它，它快，错了代价也当场看得见。
我要说的是另一句：「当场可见」这个条件，得你自己去创造。
AI 交出来的东西，自带一副「我已经验证过了」的样子：默认参数、成套的测试、讲得通的理由。三样凑齐，人就容易跳过自己动手那一步。
脱敏这类工具，自己动手那一步就是写个还原脚本。写完你就知道它到底挡没挡住。
不写，你就只能拿它的话当结论。而它的话，恰好是全绿。
关于这篇的实验
文中三个脱敏函数的写法、还原方式和一个还原耗时，是我拿一套虚构数据自己跑出来的，代码从零重写，没有一行来自工作环境。
实跑结果：姓名版五条全部查表还原，且只拿洗过的值不做查表、穷举常见姓名也只剩「张三」一个候选；证件号版五条反方向移五位全部原样还原；卡号版把截断值当目标、从中间号段顺序枚举，50 万次左右命中，两秒出头（本机 Python，单线程）。
未验证的部分
「穷举要多久」这个数是本机单线程 Python 跑出来的量级，不是评估结论。真实数据分布、能不能并行、有没有别的侧面信息可用，都会让这个数变。文中「两秒」只能说方向：留七位十六进制挡不住。
具体哪些字段要脱敏、脱到什么程度、能不能保留格式，是合规和业务要求，得按你们自己的制度定。文中三层是结构，不是标准。
还有一点：本篇讲的是「工具本身写得不够」这一类问题。让 AI 去碰真实生产数据的导出、或者把样本贴进对话框，那是另一条线（红线 r3），不在本篇范围内。
红线自查
只讲通用脱敏逻辑，不涉及任何具体机构的实现 所有代码从零重写，虚构银行「示范银行」、虚构姓名、虚构证件号与卡号（Luhn 位自己算） 全文不出现任何真实机构名、项目名、可反推的细节
