audit

confide:audit — コーパス全体を対象にした、統計情報のみの PII 監査

PII を一切公開せずに、セッションのフォルダー全体にどの程度の PII が含まれているかを測定します。監査では shared/confide_core.py のレイヤー化されたローカル検出スタック（regex → Natasha → ローカル LLM）を各ファイルに対して実行し、集計値のみを出力します。これは real_session_eval のプライバシー契約にならい、テキストはプロセス内でのみ読み取り、件数のみを出力します。

プライバシー上の不変条件（必ず守ってください）

• ローカルのみ。 クラウド API は使用しません。生のトランスクリプトテキストがマシンの外に出ることはありません。
• 出力は統計情報のみ。 レポート（Markdown＋JSON、任意で HTML）に含まれるのは件数と比率のみです。トランスクリプトの一部も、検出された PII の値も含まれません。
• ファイル名は含めません。 ファイルごとの行は、own-00、own-01、…のような匿名化された ID で識別します。元のパスや名前が書き込まれたり、表示されたりすることはありません。読み取れないファイルについて記録されるのは、インデックスと例外クラス名のみです。
• 安全に共有できます。 件数のみで構成されるため、集計レポートはクラウドエージェントと共有したり、チャットに貼り付けたりできます。PII はマシン内にとどまります。

レポート内容

• n_files、ドキュメントの文字数の合計／平均／最小／最大
• spans_by_type（PERSON、EMAIL、PHONE、DATE、…）と spans_by_layer（regex / natasha / llm）
• overall_redaction_rate と セッションごとの墨消し率の分布（最小／中央値／平均／最大）
• 大まかな残存プロキシ： 墨消し後も検出可能なスパン。適切に匿名化された RED コーパスでは約 0、GREEN コーパスでは情報漏えいの兆候になります。

実行方法

フォルダーを指定します（サブフォルダーも再帰的に検索し、すべての .md／.txt を処理します。confide 自身の *.green.md／*.stats.json 出力はスキップします）。

python3 skills/audit/scripts/audit.py FOLDER

オプション：

• --list paths.txt — 1 行に 1 つ記載された絶対パスも監査対象に追加するか、代わりに監査します。
• --layers regex,natasha,llm — 検出レイヤーを選択します（デフォルトは設定に従います）。 モデルやネットワークを使わず、完全にオフラインで決定論的に処理するには、--layers regex を使用します。
• --out report.md — レポートのパスです。同じ場所に report.json も書き込まれます。
• --html — Tufte 風のダッシュボード（report.html、件数のみ）も書き込みます。

Markdown＋JSON レポート（および任意の HTML）を書き込み、集計サマリーを出力します。すべて件数のみです。

RED と GREEN

• RED（生）コーパス： 墨消しを行う前に、PII の問題の規模を測定します。
• GREEN（墨消し済み）コーパス： 残存プロキシと残っている spans_by_type によって、大規模に墨消しが機能しているかを確認できます。

実行後

1. 集計サマリー（ファイル数、種類／レイヤーごとのスパン合計、墨消し率の分布、残存プロキシ）を報告します。PII を貼り付けてはいけません。
2. GREEN コーパスで残存値が無視できない場合は、ユーザーに confide:anon で再度墨消しを行い、confide:red で再識別リスクを調べるよう案内します。

セットアップ

レイヤーの利用可否（Natasha、Ollama 経由のローカル LLM）は設定によって決まります。インストールされていない場合は confide:setup を実行してください。--layers regex は常にオフラインで動作します。