以太坊創辦人 Vitalik Buterin 4 月 2 日在個人網站發表长文，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：“請不要直接複製這篇文章描述的工具与技術，並假設它們是安全的。這只是一個起點，而不是完成品的描述。”
為什麼現在寫這篇？AI agent 的安全問題被嚴重低估
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，包括添加新的通讯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，其中藏了一個會命令 agent 下載並執行 shell 腳本的惡意頁面
部分第三方技能包（skills）会执行静默的数据外泄，通过 curl 指令将数据送往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，我们终于往前迈一步的时候，我们却可能退后十步。”
五大安全目标
他设定了明确的安全目标框架：
LLM 隱私：在涉及个人隐私数据的情境中，尽量减少使用远端模型
其他隱私：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原始码（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，只是他个人没有亲试。
对 DGX Spark 他直言不客气：“被描述为‘桌面 AI 超级电脑’，但实际 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，大家远端连线使用。
为什麼本地 AI 的隱私問題比你想像的更緊迫
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。
这篇文章 Vitalik：我如何打造完全本地、私密、自主可控的 AI 工作环境 最早出现在 鏈新聞 ABMedia。
