本文提出SurrogateShield，一种客户端代理框架，旨在解决用户与第三方大型语言模型（LLM）API交互时的隐私泄露问题。当用户查询包含个人可识别信息（PII）时，传统方法采用占位符删除（Placeholder Redaction），这会破坏语义连贯性，导致查询质量下降。SurrogateShield在传输前将检测到的PII替换为本地生成的、类型一致的替代值，并在响应中恢复原始值，确保没有真实PII离开用户设备。检测采用三级级联架构：PatternScan（基于模式）、EntityTrace（实体追踪）和ContextGuard（上下文防护），覆盖22种PII类型及基于Sweeney的k-匿名框架的准标识符组合。替代值与原始值的映射存储在AES-256-GCM加密的每会话ShadowMap中，且该映射从不离开设备。实验基于1,124条查询语料库，级联检测整体F1得分为98.87%。在语义效用方面，替代替换显著优于占位符删除，BERTScore（roberta-large）从81.59%提升至94.85%，提高13.26个百分点。在100条查询的对抗试验中，提示LLM对手无法从替代消息中恢复原始值。该研究适用于任何使用外部LLM API的场景，尤其适用于处理敏感数据的应用程序。

本文提出了一种名为 PIIGuard 的网页级防御机制，旨在缓解大型语言模型（LLM）助手在浏览网页时从公共页面中抓取联系型个人身份信息（PII）的风险。现有的防御措施大多部署在模型层、服务层或智能体层，而普通网页所有者缺乏可行的部署选项。PIIGuard 通过重新利用间接提示注入作为保护手段：网页所有者嵌入优化的隐藏 HTML 片段，引导模型避免逐字或可重建地披露联系 PII。该方法利用基于规则的泄漏评分、进化变异和最终基于评估器的可恢复性评估来搜索片段文本和插入位置。在直接 HTML 评估中，针对 GPT-5.4-nano、Claude-haiku-4.5 和 DeepSeek-chat（最新 v3.2）三个目标模型，PIIGuard 在基于规则和基于评估器的泄漏评估下至少达到 97.0% 的防御成功率，通常达到 100.0%，同时保持了良性同页面问答的效用。进一步评估了两种更难的设置：公共 URL 浏览和攻击方对抓取网页的 LLM 清洗。结果表明，页面侧防御片段在部署中对于某些模型-位置对仍然有效，但鲁棒性在不同浏览界面和清洗提示之间差异很大。总体而言，PIIGuard 证明网页所有者可以使用页面侧片段作为网络接地 PII 泄漏的实际缓解措施。