本文提出 PolicyGuard，一个面向 LLM 编程助手的提示词拦截框架，用于在用户提示词进入代码生成模型之前进行语义级数据防泄漏（DLP）检测。研究背景是：AI 编程助手接受自由形式的自然语言提示，其中可能无意包含凭据、个人身份信息（PII）或专有业务数据，而现有 DLP 方案依赖刚性正则、模型微调或厂商管理的分类器，定制性受限。PolicyGuard 的核心创新是“策略即提示”（policy-as-prompt）范式：将 DLP 分类标准完全定义在一个纯文本策略文件中，非工程师无需编写代码或重新训练模型即可编辑策略。框架使用 LLM 对用户提示进行分类，依据该自然语言策略判断是否应阻止。作者还设计了严格的评估协议，包括模板族级数据划分、隐藏保留集和冻结测试集，以评估泛化能力。实验基于 2,000 条多语言提示，在 927 条冻结测试集上达到 96.5% 的有效阻止率（EBR）和 3.0% 的误报率（FPR），在 217 条隐藏保留集上达到 100% 准确率。信息匹配基线的对比实验表明，自然语言策略格式显著优于等效 JSON 格式（McNemar 卡方=31.58, p<0.001），并大幅优于零样本分类（Cohen's h=0.915）。跨模型可移植性实验显示，同一策略在四种不同 LLM 上无需修改即可达到 86.4%-96.5% 的 EBR。适合安全工程师、DLP 产品研发人员及 LLM 应用架构师阅读。