以太坊共同創辦人 Vitalik Buterin 為 AI 代理提出一套隱私導向架構，結合零知識 API 存取、以 Tor 為基礎的網路路由，以及在本機執行的語言模型。這套分層設計旨在減少 AI 輔助工作流程中常見的資料暴露。其核心是透過設計實現資料最小化：在特定工作流程中，每一方——被查詢的服務、網路路徑、模型供應商——都僅能看到其角色所需的資訊。

隱私視為堆疊問題，而非單一層級的解決方案

這套提出的架構將隱私視為堆疊問題，而非單一層級即可解決的議題。每個元件針對不同的攻擊面：代理如何存取外部服務、其網路流量如何路由，以及模型推論實際在哪裡執行。Buterin 曾警示 AI 密碼學風險是近期需關注的議題，他將這種組合定位為限制任何單一方對代理活動所能觀察到的內容的方式。（相關報導：THORChain 拒絕 Bitget 遭駭黑名單，Vitalik 也表態。）

zkAPI：對外部服務的隱私保護存取

zkAPI 層旨在讓 AI 代理查詢外部資料來源或服務時，無須揭露請求的完整內容。零知識證明允許證明者展示某項查詢符合特定條件，而不揭露底層輸入，從而縮小服務供應商對代理目標的推斷範圍。此作法將 Buterin 應用於身分識別系統的密碼學思維延伸至自主代理的 API 存取層。

Tor：將網路中繼資料與請求內容分離

透過 Tor 路由代理流量，被描述為將網路層中繼資料——特別是 IP 位址與時間模式——與代理請求內容分離的手段。即使在加密承載的情況下，傳統連線上的被動觀察者仍可隨著時間將請求模式與代理行為相互關聯。Tor 的洋蔥路由引入多個中繼跳點以打破這種關聯，但會增加延遲，且無法消除所有流量分析風險。

本地 LLM：將模型互動保留在裝置端

在本機執行語言模型是第三層，也可說是對資料最小化最關鍵的一層。當推論發生在遠端 API 時，每一則提示與回應都會被模型供應商。使用部署於消費級或伺服器硬體上的開放權重模型進行本地執行，可完全消除這種暴露。Buterin 對此元件的重視，與他對以太坊與 AI 交會點的一貫關注相符，其中資料主權與可驗證性是反覆出現的主題。

此提案對私人 AI 代理基礎設施的意義

同時封閉多個觀察管道

此架構值得注意之處在於對每一層的獨立處理。僅使用本地 LLM 的系統，若流量未被遮蔽仍會洩漏中繼資料；僅使用 Tor 的系統，仍會將提示內容暴露給遠端模型供應商。透過疊加 zkAPI、Tor 與本地推論，此架構旨在同時封閉多個觀察管道，而非以一種暴露換取另一種。

為何隱私取決於實作選擇與使用者的操作實務

三個元件中沒有任何一個能單獨保證匿名性，其組合亦然。零知識證明需要謹慎的電路設計，以避免透過查詢結構洩漏資訊。Tor 提供的是機率性而非絕對的網路隱私。本地模型在能力上與前沿 API 存在差異，形成隱私與任務效能之間的實際權衡。Buterin 所描述的構想是設計方向，而非完成的產品規格。

此提案為正在建構自主代理基礎設施、且將使用者資料最小化作為設計約束的團隊，提供了一個具體的架構參考點——這正是去中心化 AI 代理訓練環境與鏈上隱私工具交會的問題領域。完整堆疊能否在大規模下實用，取決於本地模型效能與 zkAPI 工具在近期的成熟程度。

免責聲明：本文僅供資訊參考，不構成財務或投資建議。加密貨幣與數位資產市場具有重大風險。在做出決策前，請務必自行研究。