做了个小小的自我实验。 目标：利用我的个人健康和旅行数据，为自己提供个性化的饮食和运动建议，使用前沿模型，同时避免泄露任何私人信息。 策略：使用本地模型（Qwen 3.8 Flash Next）进行协调，并将强大的远程模型作为工具调用，以利用本地模型无法提供的高层次思维和知识。 隐私保护的三层方法： 避免泄露个人身份信息，或通过写作风格泄露我的身份 -> 本地模型负责向前沿模型写查询，而不是我自己 避免通过支付渠道泄露我的身份 -> zkAPI 避免通过网络/IP泄露我的身份 -> Tor 这三点都需要具备（现在我们终于至少在某种程度上实现了这三点） 一个技能文件教会本地模型何时以及如何构建最少数据泄露的请求给远程模型。使用 zkAPI 包裹的 Tor 作为 CLI 工具。 一切都运行起来了！我收到了推荐结果，前沿模型的信息帮助改进了这些建议。 主要不足： * Tor 并没有针对逐请求去链接优化，而这是当今世界唯一真正有意义的网络层隐私形式（长时间运行的标识符太脆弱）。可能隐私性不足，同时延迟比理想状态高出10-100倍。 * 技能文件的请求构建策略显然远未达到最佳状态。 * Qwen 3.8 Flash Next 的速度仍然太慢，不够舒适。它目前运行在20-30 TPS，但只有达到100+ TPS时才会真正感觉到速度。 * 存在一个权衡：你越谨慎地控制提供给远程模型的数据，它能帮助你的程度就越有限。 https://(github.com)/ethereum/zkapi/pull/16/changes