cloakspan
Cloakspan es un firewall de privacidad autoalojado para el tráfico de LLM que detecta, pseudonimiza y enruta datos sensibles antes de su envío a una API compatible con OpenAI. Permite mantener la identidad local mientras se gestiona el contexto.
Ficha actualizada 22 sept 2026, 21:52 · upstream 22 sept 2026, 21:45 · release sin release detectada
Qué es cloakspan
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Cloakspan ejecuta en tu propio servidor y oculta detalles sensibles antes de que tu aplicación envíe texto a un modelo de IA. Por ejemplo, reemplaza un correo electrónico con un marcador de posición, luego lo devuelve si ese marcador aparece en la respuesta del modelo.
El proyecto se diferencia de los redactores tradicionales porque utiliza tokens HMAC tipo token para representar datos sensibles, manteniendo su estructura semántica. Esto permite que el modelo reconstruya el contexto sin revelar información sensible al usuario final.
Cloakspan opera con un patrón de arquitectura cliente-gateway-model: la aplicación autentica y inspecciona los datos, el gateway aplica políticas de filtrado y tokenización, y el modelo recibe solo tokens representativos. El flujo es:
app → authenticate → inspect → policy → tokenize → provider app ← restore approved tokens ← check response tokens ← provider
- Soporte técnico: reemplazar direcciones de correo electrónico en tickets antes de enviarlas a un asistente IA para mantener la privacidad del cliente.
- Asistentes internos: ocultar datos personales (direcciones, teléfonos) en respuestas generadas por asistentes de empresa sin exponer información sensible al usuario final.
- Chatbots corporativos: filtrar y redactar mensajes antes de enviarlos a un modelo de IA para mantener la confidencialidad de los datos del cliente.
- Soporte legal: proteger datos sensibles como documentos legales o contratos en chats de atención al cliente, manteniendo el contexto sin revelar información sensible.
- Chatbots de salud mental: ocultar identificadores personales (nombres completos, direcciones) antes de enviar consultas a un modelo para cumplir con normativas de privacidad.
- Tokenización HMAC tipo token permite mantener la estructura semántica del texto original mientras se oculta datos sensibles.
- Políticas de redirección local permiten que el modelo responda directamente a consultas que contienen datos personales, sin necesidad de un proveedor externo.
- Soporte para múltiples idiomas y formatos nacionales (Latinoamérica) mediante validación de identificadores nacionales con checksums verificables.
- API compatible con OpenAI estándar: la interfaz es un subconjunto estricto de POST /v1/chat/completions, permitiendo integración con clientes existentes sin cambios mayores.
- No incluye modelos NER (Named Entity Recognition) preinstalados; el reconocimiento de entidades requiere una instancia externa del modelo.
- El token vault es local por defecto y no soporta despliegues multi-nodo distribuidos.
- Los filtros personalizados deben ser tratados como configuración confiable, ya que no hay validación de entrada para los patrones regex.
- No soporta streaming nativo ni herramientas (tools) en las llamadas a la API. La compatibilidad con OpenAI estándar se limita al subconjunto explícito.
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Requisitos: Python 3.12+ y Git. El entorno de desarrollo puede requerir acceso a internet para instalar dependencias.,Despliegue Docker: usa docker-compose con un solo archivo compose.yml que define el gateway, el modelo local (Ollama) y la configuración del cliente OpenAI.,Configuración de seguridad: el puerto 8080 debe estar restringido a localhost o redes privadas. Se recomienda un proxy TLS en front-end para evitar exposición directa.,Para producción, se recomienda usar un reverse proxy con WAF (como Nginx) que filtre IPs y implemente rate limiting antes del gateway Cloakspan.,El modelo local debe ser desplegado en una instancia segura (Ollama, llama.cpp server) dentro de la misma red o mediante Tailscale/ZeroTier para cumplir con restricciones de red.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.