MemPrivacy：面向边缘-云智能体的隐私保护个性化记忆管理

随着基于大语言模型（LLM）的智能体越来越多地部署在边缘-云环境中，个性化记忆已成为实现长期适应和以用户为中心交互的关键能力。然而，云辅助的记忆管理会暴露敏感用户信息，而现有的隐私保护方法通常依赖激进的掩码操作，这会移除与任务相关的语义，从而降低记忆效用和个性化质量。为解决这一问题，我们提出 MemPrivacy，它在边缘设备上识别隐私敏感片段，将其替换为语义结构化的类型感知占位符以供云端记忆处理，并在需要时在本地恢复原始值。通过将隐私保护与语义破坏解耦，MemPrivacy 在最小化敏感数据暴露的同时，保留了有效记忆形成与检索所需的信息。我们还构建了用于系统评估的 MemPrivacy-Bench 数据集，涵盖 200 名用户和超过 5.2 万个隐私实例，并引入四级隐私分类体系以支持可配置的保护策略。实验表明，MemPrivacy 在隐私信息提取方面表现强劲，大幅超越 GPT-5.2 和 Gemini-3.1-Pro 等通用强模型，同时降低了推理延迟。在多个广泛使用的记忆系统中，MemPrivacy 将效用损失限制在 1.6% 以内，优于基线掩码策略。总体而言，MemPrivacy 为边缘-云智能体在隐私保护与个性化记忆效用之间提供了有效平衡，实现了安全、实用且对用户透明的部署。