该技能面向大语言模型输出环节的隐私风险评估，重点针对四类风险：训练数据记忆化（模型可逐字复现姓名、邮箱、电话等PII）、生成文本中的PII泄露（包括逐字复现、信息重组、模式补全与上下文泄露）、提示注入与数据提取（直接/间接注入、系统提示提取、多轮渐进提取、越狱），以及幻觉个人信息（虚假归因、伪造资历、虚构PII、编造关系）。
评估框架从五个维度加权评分：记忆化暴露25%、PII泄露可能性25%、提示注入韧性20%、幻觉风险15%、监控覆盖15%，总分0-100对应低、中、偏高、高、严重五档，并给出相应处置动作。
缓解措施分三类：预部署包括训练数据去重、训练前PII清洗、差分隐私训练、RLHF安全对齐与指令微调；运行时包括输出PII扫描器、正则PII过滤、输入提示分类器、检索接地、限速与多轮对话监控；部署后监控涵盖PII检出率、注入检出率、用户报告、提取模式与幻觉投诉的告警阈值。
资料还给出输出扫描的PII类别与处置方式（如邮箱、电话脱敏并记录，国家ID、信用卡、医疗信息阻断并告警），以及输入过滤→LLM→输出PII扫描→交付的控制架构流程。适用场景为部署LLM前的隐私合规评估与运行期监控设计，限制在于部分措施效果依赖模型与数据条件，且资料未提供具体实现代码、工具版本或定价信息。