PAAC：隐私意识代理设备云协作

大语言模型 (LLM) 代理面临结构性紧张：云代理提供强大的推理，但会暴露用户数据，而设备上代理则以整体能力为代价来保护隐私。现有的设备-云设计将此边界视为计算分割，而不是适合代理工作负载的信任边界，并且现有的清理程序强制在策略灵活性和工具调用所需的结构保真度之间进行选择。在这项工作中，我们开发了 PAAC，这是一种隐私感知代理框架，它将规划器-执行器分解与设备云边界保持一致，以便角色专业化本身成为隐私机制。云代理对类型化占位符词元进行推理，保留每个敏感值的推理角色，同时丢弃其内容，而设备上代理则识别敏感范围并将每个步骤的执行结果提炼为紧凑的关键发现。清理将设备上的 LLM 限制为建议要屏蔽的范围，而确定性注册表则执行所有替换和反转，从而保持操作在设备上直接可执行。在严格隐私设置下的三个代理基准上，PAAC 在隐私和准确性方面占据了帕累托前沿，与最先进的设备云基线相比，平均准确性提高了 15-36%，平均泄漏减少了 2-6$\times$，在固定实体分类法之外的隐私目标上具有最大的优势。我们发现 17 个额外基准的持续改进涵盖 10 个领域，包括数学、科学和金融。