Langfuse を用いて生成 AI アプリ・エージェントを運用することにより Trace の可視化や分析、評価などを行うことができ、大変便利です（むしろやらないと管理が不可能ではとも思います）、一方で、ユーザーが入力する際に PII (個人情報:Personal Identifiable Information) が混入し、そのままトレースとして保存されてしまうことがセキュリティポリシー上で許容できないケースもあるかもしれません。

そこで私たち（GAO）は、Langfuse の mask フックに組み込める 4 つの PIIマスキング手法 を検証し、ブログ連載として公開しました。本記事では各エントリを素早く俯瞰できるよう要点をまとめます。

各アプローチのサマリ

観点	llm‑guard OSS	Guardrails for Bedrock	Gemini 2.5 Flash-Lite	Sensitive Data Protection (Google Cloud)
日本語精度の印象	★★☆☆☆	★★★☆☆	★★★★☆	★★★☆☆
対応 PII 種類	8+	31+	プロンプト次第	150+ （マイナンバー等を含む）
インフラ依存	なし	AWS 必須	Google Cloud/ or Gemmini API	Google Cloud 必須
コスト感	サーバー実行のみ	API 従量課金	低コスト LLM	アノテーション課金
実装難易度	低	中	中	中

選定の目安

すばやく PoC ⇒ llm‑guard
AWS ワークロード ⇒ Guardrails for Bedrock
日本語精度 & 柔軟運用 ⇒ Gemini 2.5 Flash-Lite
100+ InfoType が欲しい / Google Cloud ワークロード ⇒ Sensitive Data Protection

1. llm‑guard でマスキング

Python ライブラリ。mask() をフックするだけで導入可能
Langfuse 公式例として記載あり
正規表現＋ルールベースで 8 種ほどの PII を自動マスク
課題: 日本語住所・人名は検出漏れが多いブログ記事

2. Guardrails for Amazon Bedrock

bedrock_runtime.apply_guardrail で LLM を使わず検査
日本語で対応も正式にGAしており安心で、AWSユーザーにとって使いやすい
31 種類以上の PII タイプを MASK / BLOCK モードで制御
課題: AWS 依存 & 日本固有 PII は手動追加が必要ブログ記事

3. Gemini 2.5 Flash-Lite で LLM マスキング

プロンプト調整のみでルール変更でき、非エンジニアでも運用◎
高速＆低コストで日本語精度も高い
課題: プロンプト制御なので過剰マスク／誤変換のリスクは残るブログ記事

4. Google Cloud Sensitive Data Protection (旧 Cloud DLP)

Langfuse へトレースを書くときの実践 Tips

PII フィルター自体の呼び出しも同一トレースに記録しておくと、
「誰がいつフィルターを通し、コストがいくら掛かったか」を後から監査できます。
ただし mask フック内で再帰的に Langfuse を呼ぶと無限ループになるので注意が必要です。
こちらの記事で詳細はご確認ください。

ブログ記事

まとめ

Langfuse の mask フックをうまく活用すれば、ツール差し替えが容易です。
まずは 小規模データで精度とパフォーマンスを比較 → 本番では二段構えのフェイルオーバー（例：Google Cloud Sensitive Data Protection / Guardrails for Amazon Bedrock → 検出漏れ時に Gemini）という構成にすると、日本語特有の PII も漏れなくキャッチしつつコストを抑えられます。

生成 AI の可観測性とプライバシー保護を両立し、安心して Langfuse を運用しましょう