隐私体检官 (privacy-checkup)

用途

这是一个离线（无网络、无外部 API）的隐私体检工具。它扫描用户自己拥有或有权处理的文件，自动发现其中可能泄露的隐私信息，帮助用户或企业对可能存储隐私信息的设备进行敏感信息排查，以脱敏或移入回收站的方式处置，在转售、出借、共享设备或清理历史文件前降低隐私泄露风险，保护用户信息安全。

⚠️ 本技能只作用于当前用户账户可读的本地文件。它不会也不能访问其他用户加密的凭据库
（浏览器密码管理器、操作系统凭据保险库等），也不会尝试破解任何加密存储。仅识别以明文/可读文本
形式存在的隐私信息。

何时使用

• 用户说「帮我找出电脑里有没有身份证号/手机号/银行卡/密码」「清理一下我的隐私文件」
• 用户要「脱敏一份文档」「把这些含地址的文件处理掉」
• 用户准备卖/扔/借设备，要求「做个隐私体检」
• 用户要求扫描手机里的隐私文件（仅当手机以媒体设备/MTP 挂载为盘符，或提供本地备份目录时）
• 隐私泄露风险排查
• 信息安全检查
• 敏感信息扫描
• 用户说「下载隐私卫士离线版」「把exe下到本地」「我要离线运行的exe」「获取隐私体检官安装包」「生成exe」「打包离线版」

核心原则（强制）

1. 先报告，后动作。 任何扫描都必须是只读的，先产出报告，绝不边扫边改。
2. 逐文件确认。 处置（脱敏/删除）前，必须把待处理清单列给用户，等用户明确选择后再执行。
   不要批量静默处理。
3. 删除 = 回收站，默认先备份；但确认删除可不留备份。 「删除」一律走 Recycle Bin（send_to_trash.py），
   默认先复制原文件到备份目录，绝不执行永久删除（del / rm / shutil.rmtree）。
   若用户明确选择「确认删除即彻底清除」（CLI --no-backup / --purge-backup，GUI 勾选「回收站不保留备份」），
   则移入回收站前不创建新备份、并清除该文件已存在的备份，使删除后不留任何副本（仅回收站可恢复）。
   这一选项只在用户明确要求时使用，且必须逐项确认。
4. 小批量。 单次最多处理 10 个文件，每批执行后向用户汇报结果。
5. 不碰系统禁区（指"处置"环节）。 扫描可覆盖任何用户可读目录，包括 Temp、AppData、
   各类缓存目录——这些地方常保留自动保存稿、浏览器缓存、聊天记录临时副本等敏感内容，必须核查。
   但删除/脱敏只针对用户逐文件明确选定的文件，绝不递归批量清理 C:\、Windows、Program Files
   等系统目录；系统目录仅作遍历时的"提速排除项"（见下），不主动处置其中的文件。
6. 只处理本人数据。 不将此能力用于无权访问的他人数据。

文件溯源分类引擎（智能区分「用户文件」与「系统 / 软件自带文件」）

隐私体检的最大痛点：全盘扫描时，大量软件自带文件会被误报成隐私——Office 激活脚本、WPS 插件池前端代码、Chromium 开源许可证、云盘运行日志等。这些文件不含任何用户隐私，却会产生上千条无关命中、严重拖慢扫描并淹没真实风险。

本技能内置一套统一的"文件溯源分类引擎"（scan_pii.classify_path() / should_skip_file()）。对每一条路径，它只回答一个问题——"这个文件是谁产生的？"——并据此决定扫描或跳过；每个判断都带可解释的 reason 字段。

归属分六类：

引擎由四道互不依赖、可独立生效的拦截线组成，从根本上消除"发现一类误报补一条规则"的打补丁模式：

1. Tier1 系统树整树跳过：C:\Windows、Program Files、ProgramData、$Recycle.Bin 等（仅当为卷根直接子目录时）整棵跳过。
2. Tier2 程序树逐文件判断：D:\tools\Python314、E:\apps\MyApp 等应用安装树下，跳过二进制/编译码/打包资源/厂商文档，但保留 .env、密钥、用户数据等。
3. AppData 厂商子树安全网：AppData\*\已知应用\addons|pool|extensions|cache|... 纯路径前缀匹配，零 I/O，不依赖遍历状态。
4. 全局厂商归因：LICENSES/licence/notice/copying/third_party/open_source_licenses… 无论位于何处都跳过。

> 关键设计：分类逻辑收敛在 classify_path() 单一决策点，而非散落多处。任何代码改动都必须先跑 verify_classification.py 全绿才能发布——这是"区分能力"的可回归载体（详见配套资源）。

工作流程

第 0 步：确认范围（不要静默全扫）

• 向用户确认要扫描的路径。默认建议扫描个人文件夹（如 Desktop、Documents、Downloads、
  Pictures），或用户指定的目录/盘符。
• 扫描整块系统盘（如 C:\）需用户显式确认，且要说明耗时与可能的大量结果。
• 手机扫描说明：本机只能读到手机以「媒体设备/MTP」挂载出来的盘符（如 D:\ 下的 DCIM、
  以及可读的备份目录）。无法直接读取手机系统分区或 App 私有加密数据。让用户把手机连成媒体设备，
  或对本地 iTunes / Android 备份目录指路径。

第 1 步：只读扫描，生成报告

运行扫描脚本（纯本地、离线）：

python "~/.workbuddy/skills/privacy-checkup/scripts/scan_pii.py" \
  --paths "C:/Users/lenovo/Documents" "D:/phone_dcim" \
  --output pii_report.json --max-bytes 3000000

• 本技能脚本目录为 ~/.workbuddy/skills/privacy-checkup/scripts/。
• 扫描范围默认覆盖用户目录与缓存：C:\Users\<账户>\（桌面/文档/下载/图片，以及用户自己的 AppData\Local\Temp、浏览器缓存、文档自动保存、聊天记录临时副本等最易藏敏感文件的区域）照常核查。
• Windows 系统目录树自动整体豁免：扫描卷根（如 C:\）时，凡直接挂在盘符下的系统目录 Windows、Program Files、Program Files (x86)、ProgramData、$Recycle.Bin、System Volume Information、Recovery、Boot、EFI 等整棵子树一律跳过——这些目录（及其下的 SystemApps、Licenses、SecureBoot、Speech_OneCore、SysWOW64、WinSxS 等）只含操作系统代码与许可证文件，绝不含用户隐私，跳过既提速又根除此类误报。判别规则：仅当目录是卷根的直接子目录时才按系统树处理，用户自建的深层 windows 文件夹不会被误伤。
• 安全组件缓存自动跳过（任何深度）：凡属已通过安全审查、不可能包含用户隐私的 OS/驱动缓存（如 NVIDIA/AMD/Intel 的着色器缓存 GLCache/ComputeCache/D3DSCache、IconCache、Thumbnails、FontCache 等）一律跳过，不浪费时间也不产生噪音。
• 仍会跳过 .git、node_modules、__pycache__、site-packages 等开发/版本控制缓存（任何深度，纯提速）。
• 「快速重点扫描」模式（--focus，GUI 勾选「快速重点扫描」）：跨机器、跨账户、跨安装位置通用——自动枚举本机所有真实用户账户（不限当前登录账户），扫描每个账户的文档/桌面/下载/网盘及整个 AppData 树（覆盖非默认安装位置的软件，因其用户数据仍落 AppData），并做有界签名探测捕捉被搬出 AppData 的浏览器/微信数据目录（含其它盘浅层探测）。专门解析浏览器 SQLite 数据库（Chromium 的 History/Cookies/Web Data/Login Data（无扩展名）、Firefox 的 *.sqlite），从 URL、自动填充、用户名等明文列提取隐私；同时仍覆盖即时通讯（微信/QQ/钉钉/企业微信/飞书）、网盘（OneDrive/百度网盘/阿里云盘/Dropbox）、邮件（Outlook/Foxmail）、Office/WPS 自动保存与备份。系统/驱动缓存与无关应用数据一律不碰。
• 如需连系统目录也扫（极少见），加 --include-system；如需额外跳过别的目录，加 --exclude-dirs。
• 大文件（默认超过 3MB）对纯文本只读头部 3MB 以保证速度；Office/PDF/图片过大则跳过。
  如需更完整覆盖，调大 --max-bytes。
• 输出 pii_report.json，含每个命中文件的类型统计、脱敏后的片段（不含原文明文）、行号、置信度。
• 提速要点：仅打开文本类扩展名（.txt/.md/.csv/.json/.log/.xml/.py/.docx/.xlsx/.pdf 等），
  对无扩展名的点文件（.env/hosts/passwd/.bash_history 等）也按明文密钥核查；
  GUI 扫描在后台线程运行，带进度条与「取消」按钮，结果实时显示、不再卡死；并带「快速重点扫描」勾选框（只查最易泄露隐私的位置，最快出结果）。
• 支持的识别类型与稽核规则：
• 手机号：11 位，以 1[3-9] 起；前 3 位号段（MOBILE_PREFIXES，涵盖移动/联通/电信/广电/虚商分配号段）命中→高置信度，号段未分配→中置信度。已覆盖 13x/14x(145-149)/15x/16x(162/165/166/167)/17x(170-178)/18x/19x(190-199，剔除 194)。
• 固定电话：区号 = 0+(10|2x|[3-9]xx)，本地号 7–8 位；区号命中 AREA_CODES（真实大陆区号表）及结构合法→高置信度，仅结构合法→中置信度；非法区号（如 0123）直接排除。可选带 +86。
• 经纬度（敏感位置）：十进制经纬度对（如 31.2304, 121.4737，需落在合理经纬度范围且至少一值 ≥10 以排除 折扣0.15, 价格0.99 这类噪音）、度分秒（如 31°13'49"N 121°28'25"E）、或关键词引导的单个坐标（纬度:/lat=/gps 等）→ 与住址并列归为「可定位的敏感位置信息」。
• 身份证号（带 GB11643 校验位）、银行卡号（按卡组织 IIN 前缀 + Luhn 校验）、邮箱、家庭住址（启发式，低置信度）、明文密码/密钥（启发式 + 后验过滤，中置信度）。详见 references/patterns.md。

第 2 步：呈现报告，让用户选择

• 汇总命中数量（按类型）与文件清单。
• 对住址/密码等低中置信度命中，明确标注「建议人工核对」，不要直接处置。
• 询问用户：对每个文件（或批量）要 脱敏 还是 移入回收站，还是跳过。
• 不要替用户做删除决定。

第 3 步：执行处置（逐文件、先备份）

• 脱敏（就地替换隐私片段，原文件先备份）：

bash python "~/.workbuddy/skills/privacy-checkup/scripts/redact_file.py" --files "a.txt" "b.docx"

支持纯文本与 Office（.docx/.xlsx/.pptx，基于 zip/XML 的最佳实践脱敏）；
PDF 文本不在此脚本重写，建议人工处理（可在报告中标注）。
备份位于 ~/.workbuddy/privacy-checkup/backups/。

• 移入回收站（先备份，再进回收站，非永久删除）：

bash python "~/.workbuddy/skills/privacy-checkup/scripts/send_to_trash.py" --files "c.txt"

若用户确认要彻底清除、不保留任何副本，加 --no-backup（不建新备份）或 --purge-backup（连已存在的备份一起删）：

bash python "~/.workbuddy/skills/privacy-checkup/scripts/send_to_trash.py" --files "c.txt" --purge-backup

• 单次最多 10 个文件；执行后向用户汇报成功/失败与备份位置。

第 4 步：收尾

• 提示用户：所有原文件均备份于 ~/.workbuddy/privacy-checkup/backups/，误删可恢复。
• 若做了脱敏，提醒用户检查脱敏后文件是否仍满足使用需求（尤其是 Office/PDF 中图片内的文字不会被识别）。

隐私与信息安全风险排查提示词

本技能不仅能"扫出隐私"，还能作为风险排查的引导框架——扫描出命中后，用下面这套提示词（可直接复制给使用者 / AI）进一步判断泄露风险与信息安全隐患，而不只是简单删除。完整版见 references/risk_prompts.md。

提示词 A：用户隐私泄露风险排查（直接可用）

> 请基于隐私体检官的扫描报告，做一次隐私泄露风险排查，聚焦三类风险：①暴露位置（在浏览器缓存/聊天临时副本/Office自动保存/云同步目录？云同步目录=高泄露风险）；②外发可传播性（是否经微信/QQ/邮件/网盘发出过）；③身份关联（多条隐私能否拼出完整身份=高危）。输出按【高危/中危/低危】分级的风险清单与处置优先级（立即处置/确认后处置/可暂缓）。

提示词 B：信息安全风险问题排查（直接可用）

> 请基于扫描报告做一次信息安全风险排查，按四类归类：①明文凭据（.env/hosts/passwd/配置/脚本里的 password=/api_key=/Token）；②暴露位置（经纬度、住址散落于日志/截图/备注）；③缓存与历史（浏览器历史/自动填充/聊天临时副本/Office自动保存残留）；④未加密明文库（SQLite/Excel 明文存放可被任意程序读取）。输出隐患清单与整改建议，表述中立合规，强调本人数据本人处置。

> ⚠️ 提示词必带合规边界：仅作用于本人有权处理的设备/数据；不访问他人加密凭据库、不破解加密；先报告后动作、逐文件确认、删除走回收站且先备份、单次最多 10 个文件。

局限与边界

• 手机：仅可读挂载目录/备份；无法读取系统分区或 App 私有加密数据。
• 密码：只识别明文凭据（如 密码：xxx、password=xxx、.env 中的密钥）。浏览器/系统凭据保险库里的加密密码不在范围。
• 住址/密码为启发式，必有漏报与误报，处置前必须人工核对。
• 图片/扫描件中的文字：默认不识别。可选启用 OCR 的两种方式：
• 命令行/Python 环境：pip install Pillow pytesseract 并把 tesseract.exe（+ tessdata）放到脚本目录或 PATH 即可识别图片内文字；
• 离线 exe：构建时加 --with-ocr（见 references/distribution.md），把 Tesseract 引擎直接打进 exe，对方无需额外放文件。
  未启用时图片会被统计为「跳过(未启用OCR)」而非误报。
• Office/PDF 脱敏为最佳实践：Office 通过 XML 替换文本节点；若隐私信息以图片形式嵌入（如截图），不会被脱敏。

配套资源

• scripts/patterns_lib.py — 检测与脱敏核心库（纯标准库，离线）。
• scripts/scan_pii.py — 只读扫描，产出 JSON 报告；内置文件溯源分类引擎（classify_path / should_skip_file），--html 额外生成离线 HTML 仪表盘。
• scripts/verify_classification.py — 文件溯源分类引擎的回归测试与单路径诊断工具。运行全套断言（规则级 + 路径级）确保"用户文件 / 系统 / 软件自带文件"区分能力不被破坏；也可 python verify_classification.py "某路径" 直接查看该文件被如何分类及原因。开发或改动规则后必须先跑它全绿再发布。
• scripts/redact_file.py — 就地脱敏（先备份）。
• scripts/send_to_trash.py — 移入回收站（先备份）。
• scripts/ocr_support.py — 可选图片 OCR（需 Pillow + pytesseract + Tesseract，缺依赖时自动跳过）。
• scripts/html_report.py — 生成离线 HTML 仪表盘（内联 SVG，无 CDN）。
• scripts/gui.py — 原生 tkinter 离线界面，给不懂命令行的用户使用。
• scripts/build_portable.py — 用 PyInstaller 打出单文件 exe（免装 Python）；支持 --with-ocr 打包 OCR、--sign 代码签名、--icon 嵌入图标。
• scripts/make_icon.py — 纯标准库生成盾牌图标 assets/privacy_checkup.ico（无需 PIL）。
• scripts/build_local_exe.py — 一句话本地生成离线版（推荐）：用本机 PyInstaller 把隐私卫士打包成单文件 exe，输出到 下载/隐私卫士离线版/，双击即用、无需联网、无需任何服务器托管。可选 --with-ocr 打包图片识别。
• scripts/download_offline.py — 可选·直链下载：若你已把 exe 托管到固定 URL，本脚本从地址拉取 exe/zip 到本机（仅在你已有托管地址时使用）。
• references/patterns.md — 各类型识别规则、校验逻辑与调优说明。
• references/distribution.md — 分发与离线运行的完整指引（exe 构建、OCR 打包、代码签名）。
• references/usage_guide.html — 面向被审计人的图文使用说明（离线可读，可随 exe 发放）。
• references/risk_prompts.md — 隐私泄露 / 信息安全风险排查提示词（给使用者的引导，含可直接复制的提示词与分级判定标准）。

分发与离线运行（目标对象没有 Python 时）

绝大多数被审计对象不会装 Python，本技能已为此准备好「免安装离线版」：

1. 给 WorkBuddy 用户：直接分享 privacy-checkup.zip，在 WorkBuddy 里导入技能即可（本机已有 Python 运行时）。
2. 给没有 Python 的普通人：把打包好的单文件可执行程序 PrivacyGuardian.exe 发给他们，双击即用，无需安装、无需联网。
   - 该 exe 由 PyInstaller 把 Python 解释器与本技能全部脚本一起打进一个文件，目标机器只要装有 Windows 即可运行。
   - 构建方式：在本机用「带 tkinter 的 Python」执行 python build_portable.py（详见 references/distribution.md）。
   - 分发渠道：U 盘、企业内网、网盘、邮件附件都行，因为是单文件、纯离线。
   - 安全提示：exe 由本开源技能构建，对方可以审计源码；未签名的 exe 可能被杀毒软件误报，可代码签名或加入白名单。
3. OCR 可选：exe 默认不含 OCR（避免体积过大）。两种方式识别图片文字：
   - 随 exe 附 tesseract.exe 与 tessdata 文件夹到 exe 同目录即自动启用；
   - 或构建时加 --with-ocr 把引擎直接打进 exe（对方无需放任何文件，但 exe 体积增至 50–90MB）。
4. 跨平台：在 macOS / Linux 上同样用 build_portable.py 可打出对应平台的单文件程序（需该平台的 Python + tkinter）。

一句话本地生成离线版（最省事，推荐）

用户无需任何下载或托管：只要在 WorkBuddy 说一句「生成exe」「打包离线版」或「我要离线运行的exe」，本技能即在本机运行 scripts/build_local_exe.py——用 PyInstaller 把隐私卫士源码现场打包成单文件 exe，输出到 下载/隐私卫士离线版/PrivacyGuardian.exe，双击即用。全程只在本机发生、无需联网、无需任何服务器托管。

• 触发话术示例：「生成exe」「打包离线版」「下载exe」「我要离线运行的exe」「获取隐私体检官安装包」。
• 首次运行会自动 pip install pyinstaller（约几十秒）；之后每次几秒。需要本机有 Python（WorkBuddy 自带）+ tkinter（Windows 官方 Python 自带）。
• 构建完成后默认自动打开输出目录（下载/隐私卫士离线版/），方便立刻拿到 exe；可加 --no-open 关闭此行为。
• 可选开关：
• --with-ocr：把图片文字识别引擎（Tesseract/pytesseract）一起打进 exe，生成带 OCR 的离线版（体积变大，且运行环境需本机已装 Tesseract-OCR 引擎）。脚本会自动检测 tesseract 是否在 PATH，未安装时给出安装提示但仍继续打包。
• --no-open：构建完成后不自动打开输出目录。
• --no-icon：不嵌入盾牌图标。
• 对目标机器：把生成的 exe 拷过去双击即用，无需 Python、无需联网（带 OCR 版仍需对方机器装 Tesseract-OCR）。

> 备选·直链下载：若你已把 exe 托管到固定 URL（自有服务器/OSS），也可用 scripts/download_offline.py 从地址直链拉取（地址配置见 download_url.txt 或环境变量 PRIVACY_GUARDIAN_DOWNLOAD_URL）。

核心原则不变：扫描只读、处置前确认、删除走回收站且先备份、单次最多 10 个文件。