對現有的代理至代理（Agent-to-Agent）協議進行了重要擴展，新增了一個，讓參與者在的情況下，能夠發現、選擇並與其他代理安全互動。該提案引入了三個輕量級的（身份、聲譽、驗證），同時將應用特定邏輯留在鏈下處理。信任模型可插拔且分層，安全性與任務風險成正比——從「訂披薩」這樣的低風險任務，到「醫療診斷」這樣的高風險任務均可適用。

DSpark 通过半自回归架构和置信度调度验证两项互补机制，解决了推测解码在真实生产环境中的两大核心瓶颈。在 DeepSeek 线上服务中，单用户生成速度提升60%-85%局限：可预测性极低、接受率偏低的复杂查询，前置草稿算力无法回收[reference:215]。未来方向：草稿模型内部引入难度感知的早退出机制DSpark 的意义不仅是技术突破，更在于将推测解码从学术概念变成生产标配——这可能是

DSpark 通过半自回归架构和置信度调度验证两项互补机制，解决了推测解码在真实生产环境中的两大核心瓶颈。在 DeepSeek 线上服务中，单用户生成速度提升60%-85%局限：可预测性极低、接受率偏低的复杂查询，前置草稿算力无法回收[reference:215]。未来方向：草稿模型内部引入难度感知的早退出机制DSpark 的意义不仅是技术突破，更在于将推测解码从学术概念变成生产标配——这可能是

The Emerged Security and Privacy of LLM Agent: A Survey (F. He et al., ACM 2025)LLM Agent（大型语言模型代理）基于 GPT-4、Claude 等 LLM 作为核心引擎，能够执行複杂任务、工具调用、自主决策与多代理协作，已广泛应用于虚拟助理、客户服务、教育、财务、医疗等领域，甚至模拟真实社群互动（如论文中的像素化

The Emerged Security and Privacy of LLM Agent: A Survey (F. He et al., ACM 2025)LLM Agent（大型语言模型代理）基于 GPT-4、Claude 等 LLM 作为核心引擎，能够执行複杂任务、工具调用、自主决策与多代理协作，已广泛应用于虚拟助理、客户服务、教育、财务、医疗等领域，甚至模拟真实社群互动（如论文中的像素化

引入涵盖**资料中心（Data-centric）、模型中心（Model-centric）、部署与互动中心（Deployment & Interaction-centric）**的三维威胁分类法（Taxonomy）。论文作者 A.D.E. Berini 等指出，传统 AI 安全研究多聚焦于影像或一般机器学习模型，无法充分涵盖 LLMs 的独特性——例如自然语言处理的开放性、：整合数百篇相关论文，包含

使用 DP-MLM（对文字资料中的名词短语等敏感部分进行概率替换）或 DP-SGD（在训练中加入梯度裁剪与高斯噪声）训练基底模型 (Base Model, BM)，提供 ε-DP 或 (ε, δ)-DP 保护。：收到遗忘请求时，从基底模型开始，仅在保留资料 (Retain Set) 上进行微调，产生具保证的遗忘模型 (Unlearned Model, UM)。：排除要遗忘的资料后，从头重新训练模型

對現有的代理至代理（Agent-to-Agent）協議進行了重要擴展，新增了一個，讓參與者在的情況下，能夠發現、選擇並與其他代理安全互動。該提案引入了三個輕量級的（身份、聲譽、驗證），同時將應用特定邏輯留在鏈下處理。信任模型可插拔且分層，安全性與任務風險成正比——從「訂披薩」這樣的低風險任務，到「醫療診斷」這樣的高風險任務均可適用。

大型语言模型（LLM）已广泛应用于对话式 AI（Conversational AIs, CAIs）、LLM 代理（Agents）及基于 Model Context Protocol (MCP) 的应用中，为使用者提供高效服务，但同时也带来了严重的隐私风险。LLM 能够记忆上下文与训练资料中的个人识别资讯（PII，例如姓名、年龄、电话、医疗纪录等）。使用者在互动过程中很容易无意洩露这些资料，后续可能

工具整合（MCP）**的动态风险。随着代理生态系快速发展（客户服务、医疗、个人助理等），未经缓解的隐私洩漏可能导致严重后果，如资料外洩、合规违规或恶意滥用。中能正确辨识隐私资讯（准确率高达 98%），却在**实际生成行动（action）**时频繁洩漏敏感资料（洩漏率。在处理敏感通讯（如电子邮件、文件、凭证）时，具备强大自主性，但容易发生。的前提下大幅提升 LLM 代理的隐私保护，同时透过。会放大问