Exchange Ranking
Top Exchanges
24h Volume Ranking
Popularity Ranking
Exchange BTC Balance
Proof of Reserves
Decentralized Exchanges
Funding Rate
Funding Heatmap
Liquidation Data
Max Pain
Long/Short Ratio
Whale L/S Ratio
Binance/Okex/Huobi L/S
Bitfinex Margin L/S
ETF Tracker
Solana ETF
XRP ETF
Hong Kong ETF
Bitcoin Treasuries
Crypto Reversal
Ethereum Reserves
HyperLiquid Wallet Analysis
Hyperliquid Whale Watch
Large Transactions
On-chain Movement
Bitcoin ROI
Stablecoin Market Cap
Options Analysis
News
Articles
Economic Calendar
Features
Wallet
Contract Calculator
Security
Collections
Watchlist
Following
ETH 以太坊联合创始人维塔利克·布特林提出面向隐私的AI代理架构
以太坊联合创始人维塔利克·布特林（Vitalik Buterin）勾勒出一套以隐私为核心的AI代理架构。该方案结合了零知识API访问、基于Tor的网络路由以及本地运行的语言模型，旨在通过分层方法减少通常伴随AI辅助工作流程的数据暴露风险。
但特林隐私优先的AI代理设置结构
这一提议将隐私视为一个分层问题，而非单一的层叠修复方案。每个组件针对不同的攻击面：代理如何访问外部服务、其网络流量如何路由，以及模型推理实际在哪里运行。布特林此前曾指出AI加密风险是近期需要关注的重点，他将这种组合描述为限制任何单一方观察代理活动的能力的手段。
zkAPI与保护隐私的外部服务访问
zkAPI层旨在允许AI代理查询外部数据源或服务，而无需透露请求的完整上下文。零知识证明允许证明者展示查询满足某些条件，同时不披露底层输入，从而缩小服务提供商对代理目标的可推断范围。这种方法将布特林应用于身份系统的相同密码学推理扩展到了自主代理的API访问层。
Tor与网络层面的隐私考量
通过将代理流量路由到Tor，被视为一种分离网络层面元数据（特别是IP地址和时间模式）与代理请求内容的手段。即使载荷已加密，传统连接上的被动观察者仍可能随时间推移将请求模式与代理行为相关联。Tor的洋葱路由引入了多个中继跳数，从而打破这种关联性，尽管它增加了延迟，且并未消除所有流量分析风险。
本地LLM与保持模型交互在设备端
在本地运行语言模型是第三层，也是就数据最小化而言最具决定性的一层。当推理发生在远程API上时，每个提示和补全都对模型提供商可见。使用部署在消费级或服务器硬件上的开放权重模型进行本地执行，完全消除了这种暴露。布特林对此组件的强调与其更广泛的关注点一致，即以太坊与AI的交叉领域，其中数据主权和可验证性是反复出现的主题。
该提案对私有AI代理基础设施的信号意义
分离应用、网络和模型层如何减少不同类型的暴露
该架构的独特之处在于独立对待每一层。仅使用本地LLM的系统如果流量未掩蔽，仍会泄露元数据；仅使用Tor的系统仍会将提示内容暴露给远程模型提供商。通过堆叠zkAPI、Tor和本地推理，该设置旨在同时关闭多个观察通道，而不是用一种暴露换取另一种暴露。
为何隐私取决于实施选择和用户操作实践
这三个组件中的任何一个都不能单独保证匿名性，它们的组合也不能保证。零知识证明需要仔细的电路设计，以避免通过查询结构泄露信息。Tor提供的是概率性的而非绝对的网络隐私。本地模型相对于前沿API的能力各不相同，因此在隐私和任务性能之间产生了实际的权衡。布特林概述的大纲是一个设计方向，而不是 finished product specification（成品规范）。
该提案为构建自主代理基础设施的团队提供了一个具体的架构参考点，在这些团队中，用户数据最小化是一个设计约束。这是一个 squarely at the intersection of decentralized AI agent training environments and on-chain privacy tooling（ squarely 位于去中心化AI代理训练环境与链上隐私工具交汇点）的问题空间。整个堆栈是否能在规模上变得实用，取决于本地模型性能和zkAPI工具在近期内的发展成熟度。
