nomos-ai 0.1.0

GDPR-compliant document anonymization MCP server for legal use

NomosAI — Anonymiseur de documents juridiques

Détecte et masque les données personnelles (RGPD) dans des documents .docx, .pdf, .txt, .md et .rst, et produit un Markdown structuré avec métadonnées de conformité.
Moteur : Microsoft Presidio + spaCy · Langue par défaut : français.

Distribué comme serveur MCP — utilisable directement depuis Claude Desktop ou Claude Code, sans interface graphique.

---

Installation rapide (utilisateurs finaux)

Étape 1 — Installer uv (une seule fois par machine) :

• Windows : ouvre PowerShell et colle :

  powershell -c "irm https://astral.sh/uv/install.ps1 | iex"
  

• Mac : ouvre Terminal et colle :

  curl -LsSf https://astral.sh/uv/install.sh | sh
  

Étape 2 — Ajouter NomosAI à Claude Desktop :

Édite %APPDATA%\Claude\claude_desktop_config.json (Windows) ou
~/Library/Application Support/Claude/claude_desktop_config.json (Mac) :

{
  "mcpServers": {
    "nomos-ai": {
      "command": "uvx",
      "args": ["nomos-ai"]
    }
  }
}

Redémarre Claude Desktop. Au premier démarrage, uvx télécharge automatiquement toutes les dépendances (modèle spaCy fr_core_news_lg inclus, ~600 Mo) — environ 1 à 3 minutes. Les démarrages suivants sont instantanés.

Pour plus de détails, voir le Guide d'utilisation MCP.

---

Formats supportés

Entrée	Librairie
.docx	python-docx
.pdf	pdfminer.six (fallback : pypdf)
.txt / .md / .rst	natif

---

Installation développeur

Pour travailler sur le code source :

# Cloner le dépôt et installer en mode éditable
pip install -e .

# Ou via conda (environnement existant)
conda activate nomosai
pip install -e .

Le modèle spaCy est installé automatiquement comme dépendance du package.
Pour ajouter le modèle anglais (optionnel) :

python -m spacy download en_core_web_lg

---

Anonymisation — anonymize.py

# Fichier unique (sortie : <nom>_anonymise.md)
python anonymize.py rapport.pdf

# Sortie explicite
python anonymize.py contrat.docx --output contrat_anon.md

# Dossier complet
python anonymize.py dossier/ --output dossier_anonymise/

# Dossier récursif
python anonymize.py dossier/ --recursive --language fr

# Limiter les types d'entités
python anonymize.py notes.txt --entities PERSON EMAIL_ADDRESS PHONE_NUMBER

# Ajuster le seuil de confiance (défaut : 0.55)
python anonymize.py file.pdf --score-threshold 0.6

# Activer les entités opt-in (dates, chemins fichiers)
python anonymize.py file.pdf --entities PERSON DATE_TIME FILE_PATH

Chaque exécution produit deux fichiers :

Fichier	Contenu
<nom>_anonymise.md	Document anonymisé avec frontmatter YAML RGPD
<nom>_anonymise-index.md	Confidentiel — table placeholder → valeur originale

En mode dossier, un RAPPORT_ANONYMISATION.md de synthèse est également généré.

---

Désanonymisation — deanonymize.py

Restaure les valeurs originales à partir de l'index.

# Index auto-détecté (<fichier>-index.md voisin)
python deanonymize.py contrat_anonymise.md

# Index explicite
python deanonymize.py contrat_anonymise.md --index contrat_anonymise-index.md

# Sortie explicite
python deanonymize.py contrat_anonymise.md --output contrat_restaure.md

# Dossier complet
python deanonymize.py dossier_anonymise/ --output dossier_restaure/

⚠ Ce script restaure des données personnelles. Réservez-le aux personnes habilitées.

---

Entités détectées

Par défaut

Entité	Label	Description
PERSON	[PERSONNE_N]	Noms de personnes (NLP + titres Pr/Dr/M./Mme)
ORGANIZATION	[ORGANISATION_N]	Noms d'organisations
LOCATION	[ADRESSE_N]	Lieux, adresses
EMAIL_ADDRESS	[EMAIL_N]	Adresses e-mail
PHONE_NUMBER	[TELEPHONE_N]	Numéros français (+33, 0033, local)
URL	[URL_N]	URLs
IP_ADDRESS	[IP_N]	Adresses IP
CREDIT_CARD	[CARTE_BANCAIRE_N]	Numéros de carte bancaire
IBAN_CODE	[IBAN_N]	IBAN
NRP	[ID_NATIONAL_N]	Identifiants nationaux
MEDICAL_LICENSE	[LICENCE_MEDICALE_N]	Licences médicales
CRYPTO	[CRYPTO_N]	Adresses crypto

Reconnaisseurs français supplémentaires

Entité	Label	Exemples
FR_NIR	[NIR_N]	Numéro de sécurité sociale (15 chiffres)
FR_SIRET	[SIRET_N]	SIRET (14 chiffres)
FR_SIREN	[SIREN_N]	SIREN (9 chiffres)
FR_TVA	[TVA_N]	TVA intracommunautaire
FR_PASSPORT	[PASSEPORT_N]	Passeport français
FR_CNI	[CNI_N]	Carte nationale d'identité
FR_DRIVING_LICENSE	[PERMIS_N]	Permis de conduire
FR_POSTAL_CODE	[CODE_POSTAL_N]	Code postal (avec contexte)

Entités opt-in (à activer via --entities)

Entité	Label	Remarque
DATE_TIME	[DATE_N]	Dates — exclus par défaut (bruit dans les rapports)
FILE_PATH	[CHEMIN_FICHIER_N]	Chemins Windows/Unix — français uniquement, exclus par défaut

---

Architecture

anonymize.py              CLI principal (lecture, anonymisation, écriture)
deanonymize.py            CLI de restauration à partir de l'index
src/
  nomosai/
    readers.py            Lecture DOCX/PDF/TXT/MD/RST → liste de Block
    engine.py             Moteur Presidio + filtres faux positifs + dédup spans
    recognizers_fr.py     Reconnaisseurs regex français (NIR, SIRET, téléphone…)
    formatter.py          Rendu Markdown + frontmatter RGPD
    server.py             Serveur MCP (FastMCP, transport stdio)
pyproject.toml            Métadonnées du package et dépendances

Pipeline : Reader → Engine → Formatter → fichier .md + fichier -index.md

---

Qualité de détection

Seuils de confiance

Le seuil global par défaut est 0.55. Certains types ont un plancher plus élevé pour réduire les faux positifs :

Type	Seuil minimum
LOCATION	0.80 (sur-détection dans les tableaux PDF)
FR_SIREN	0.70
FR_CNI	0.70
FR_POSTAL_CODE	0.70

Filtres anti-faux-positifs

L'engine rejette automatiquement les détections dont le texte :

• est une lettre ou sigle de 1–3 caractères (F, NR, ET…)
• est une valeur statistique (N=1 035, 75,6…)
• est un numéro de section (II.4, I.1…)
• est un fragment tout-en-majuscules multi-mots (en-tête de tableau)
• contient des artefacts OCR (espaces intrus dans un mot)

---

Ajouter un reconnaisseur personnalisé

from presidio_analyzer import PatternRecognizer, Pattern

MY_RECOGNIZER = PatternRecognizer(
    supported_entity="MY_ENTITY",
    supported_language="fr",
    patterns=[Pattern("MY_PATTERN", r"\bREGEX\b", score=0.85)],
    context=["mot", "clé", "contextuel"],
)

Ajouter l'instance dans get_french_recognizers() de src/nomosai/recognizers_fr.py et son label dans FRENCH_ENTITY_LABELS.

Voir la doc Presidio.

---

Publier une nouvelle version sur PyPI

Première publication (une seule fois)

1. Créer un compte sur pypi.org
2. Générer un token API : Account Settings → API tokens → Add API token
3. Publier :

uv build
uv publish --token pypi-<VOTRE_TOKEN>

Mettre à jour une version existante

# 1. Incrémenter la version dans pyproject.toml
#    ex. version = "0.1.0"  →  version = "0.2.0"

# 2. Construire et publier
uv build
uv publish --token pypi-<VOTRE_TOKEN>

Vérifier l'installation depuis PyPI

Sur une machine sans l'environnement de développement :

uvx nomos-ai
# → le serveur MCP démarre (attend sur stdin, pas d'erreur)

Stocker le token de façon permanente

Pour ne pas retaper le token à chaque publication, créer ~/.pypirc :

[pypi]
  username = __token__
  password = pypi-<VOTRE_TOKEN>

Puis publier simplement avec :

uv publish