在使用 Codex 等大语言模型进行开发或内容生成时，开发者往往面临一个核心矛盾：既需要模型理解复杂的业务逻辑，又必须确保代码中的密钥、用户个人数据等敏感信息不被泄露。这种“敏感信息保护”并非简单的过滤，而是贯穿在提示词设计、数据处理及模型交互全流程的安全策略。对于新手而言，建立正确的安全意识比掌握高级技巧更为重要。
1. 提示词层面的脱敏处理
最基础且有效的防护手段是在构建提示词（Prompt）时主动对敏感数据进行脱敏。切勿将真实的 API 密钥、数据库密码或具体的用户身份证号直接写入 Prompt 中。建议采用占位符代替，例如使用 [API_KEY] 或 {user_id} 来示意位置，并在实际运行时通过环境变量注入真实值。这样，模型仅能学习到数据结构和处理逻辑，而不会接触到任何实质性的机密信息，从源头上切断了数据泄露的风险路径。
2. 上下文管理的最佳实践
Codex 等模型在处理长上下文时，可能会“记住”对话早期输入的信息。因此，严禁在连续的对话轮次中粘贴包含敏感信息的完整日志或配置文件片段。如果必须调试相关错误，应提供经过严格清洗的模拟数据（Mock Data）。此外，定期清除不必要的历史会话记录，避免模型缓存潜在的敏感痕迹，是维护系统安全的重要习惯。
3. 权限控制与合规审查
除了技术层面的隔离，还需关注平台的使用条款。大多数 AI 服务禁止上传受监管的个人信息（如 PHI 或 PII）。在提交代码片段前，建议启用自动化工具扫描潜在泄露风险。同时，区分公开仓库与私有环境，确保敏感配置仅在内网或受控环境中调用模型能力。通过“最小权限原则”，只让模型访问其完成任务所需的最小数据集，从而最大程度降低误用和泄露的可能性。