有效删除个人身份信息（PII）需要精心设计处理管道，因为模型往往会静默失败。在调用模型之前先进行基于规则的预处理，可能会因生成不自然的 token 模式而混淆模型，从而恶化结果。相反，应在原始文本上独立运行语义和结构两种处理流程，然后协调结果，确保结构偏移量保持有效，并过滤掉结构流程中置信度较低的时间检测。企业文档中的标记可能会扰乱模型输出；应提取纯文本、执行删除操作，再将其重新插入原始结构中，以显著提高召回率。针对拒绝执行删除的模型，需实施拒绝检测机制，回退至结构处理流程，并将这些实例记录在案，以便调整提示词。至关重要的是，系统设计应遵循“失败即关闭”（fail closed）而非“失败即开放”（fail open）的原则，以防止删除调用超时时发生数据泄露，将结构处理流程视为降级路径，并对此类事件发出警报。通过每次删除操作记录模型 ID 和提示词哈希值来实现提示词的版本控制，从而追踪性能随时间的变化。对于删除文本中的共指关系，应使用编号占位符而非通用标签，但需注意生成的映射表本身也属于 PII，需采取适当的安全措施；若无需可逆性，则直接丢弃该映射表。为衡量精确度，应构建一组不含 PII 的“金丝雀”文档集，并在每次变更时运行该集合；若其中出现任何删除操作，即表明性能出现回退。在扩展规模时，应超越单一模型的限制，构建路由接口，根据调用方的约束条件（如延迟、驻留地或语言）将请求分发至不同模型，同时始终将结构处理流程作为通用回退方案。针对长度超过 1,024 token 的提示词，需实施精细的缓存策略，以优化成本与吞吐量。推荐的构建顺序包括：提取文本、独立运行语义和结构处理流程、过滤时间、注入结构发现结果、将内容代回标记、检测拒绝情况，并记录关键元数据，同时持续使用金丝雀集进行测试。