Minim：经可信本地净化面向智能体的隐私感知最小视图

现代 LLM 支持的自主代理越来越依赖丰富的用户界面 (UI) 状态观察来在复杂的数字环境中实现可靠的操作基础。然而，许多部署将完整的 UI 状态传输到远程推理服务器，即使大多数元素与当前任务无关，这可能会泄漏敏感但不必要的上下文，例如身份验证代码、私人通知和后台应用程序状态。我们提出了 MINIM，这是一个值得信赖的本地代理，可以在任何观察结果离开设备之前在客户端执行隐私感知最小化。基于上下文完整性 (CI)，MINIM 通过预测固有敏感性分数 (s) 和任务条件必要性分数 (n) 来学习每个 UI 元素的双分数表示。这些分数推动了三元披露策略，该策略保留基本元素，在需要时抽象敏感属性，并删除与任务无关的内容。我们优化了 CI 感知目标，对高风险内容的必要性错误进行更严厉的惩罚，从而在保留关键任务信息的同时实现积极的修剪。对来自 WebArena 的真实世界 UI 观察结果进行的实验表明，MINIM 显着减少了与任务无关的敏感泄漏，同时保留了任务关键型语义上下文以及可靠代理操作所需的交互可供性。