V神分享：我如何打造完全本地、隐秘、自主可控的AI工作环境

Vitalik Buterin 提出本地运行 AI 架构，强调隐私、安全与自我主权，并警示 AI Agent 潜在风险。

以太坊创办人 Vitalik Buterin 4 月 2 日在个人网站发表长文，分享他以隐私、安全与自我主权为核心所打造的 AI 工作环境设置——所有 LLM 推理本地执行、所有文件本地存放、全面沙箱化，刻意避开云端模型与外部 API。

文章一开头先警告：“请不要直接复制这篇文章描述的工具与技术，并假设它们是安全的。这只是一个起点，而不是完成品的描述。”

为何现在写这篇？AI agent 的安全问题被严重低估

Vitalik 指出，今年初 AI 完成了从“聊天机器人”到“agent”的重要转型——你不再只是问问题，而是交付任务，让 AI 长时间思考、调用数百个工具来执行。他以 OpenClaw（目前 GitHub 史上成长最快的 repo）为例，同时点名研究人员记录的多项安全问题：

• AI agent 可在无需人工确认的情况下修改关键设置，包括添加新的通信渠道与修改系统提示
• 解析任何恶意外部输入（如恶意网页）都可能导致 agent 被完全接管；在 HiddenLayer 的一次示范中，研究员让 AI 摘要一批网页，其中藏了一个会命令 agent 下载并执行 shell 脚本的恶意页面
• 部分第三方技能包（skills）会执行静默的资料外泄，通过 curl 指令将数据发送至技能作者控制的外部服务器
• 在他们分析的技能包中，约 15% 包含恶意指令

Vitalik 强调，他对隐私的出发点不同于传统资安研究者：“我来自一个对把个人生活完整喂给云端 AI 感到深度恐惧的立场——就在端到端加密与本地优先软件终于主流化、我们终于往前迈出一步的时候，我们却可能退后十步。”

五大安全目标

他设置了明确的安全目标框架：

• LLM 隐私：在涉及个人隐私数据的情境中，尽量减少使用远端模型
• 其他隐私：最小化非 LLM 的数据泄露（如搜索查询、其他线上 API）
• LLM 越狱：防止外部内容“駭入”我的 LLM，让它违背我的利益（例如发送我的代币或私人数据）
• LLM 意外：防止 LLM 误将私人数据发送至错误渠道或公开到网络
• LLM 后门：防止被刻意训练进模型的隐藏机制。他特别提醒：开放模型是开放权重（open-weights），几乎没有一个是真正开放源代码（open-source）

硬件选择：5090 笔电胜出，DGX Spark 令人失望

Vitalik 测试了三种本地推理硬件配置，主力使用 Qwen3.5:35B 模型，搭配 llama-server 与 llama-swap：

他的结论是：低于 50 tok/sec 太慢，90 tok/sec 是理想。NVIDIA 5090 笔电体验最流畅；AMD 目前仍有较多边缘问题，但未来有望改善。高端 MacBook 也是有效选项，只是他个人没有亲自试。

对 DGX Spark 他直言不客气：“被描述为‘桌面 AI 超级电脑’，但实际上 tokens/sec 比好的笔电 GPU 还低，而且还要额外搞定网络连接等细节——这很逊。”他的建议是：若负担不起高端笔电，可以和朋友共同购买一台足够强力的机器，放在有固定 IP 的地点，大家远端连接使用。

为何本地 AI 的隐私问题比你想象的更紧迫

Vitalik 的这篇文章，与同日推出的 Claude Code 安全问题讨论形成有趣的呼应——AI agent 进入日常开发工作流的同时，安全性问题也正在从理论风险变成现实威胁。

他的核心讯息很清楚：在 AI 工具愈来愈强大、愈来愈能存取你的个人数据与系统权限的当下，“本地优先、沙箱化、最小信任”不是偏执，而是理性的起点。

• 本文经授权转载自：《链新闻》
• 原文标题：《Vitalik：我如何打造完全本地、私密、自主可控的 AI 工作环境》
• 原文作者：Elponcrab