隐私保护：本地部署不是口号，是数据流设计

把模型搬到本地只是第一步。真正决定隐私水平的是数据在哪里被读取、在哪里停留、在哪里留下痕迹。本页给出可执行的边界划分、红线清单与自查表。

数据不出域内外网隔离日志最小化可审计

① 三个真实痛点，指向同一条路径

Risk 01

毕业论文数据、研究方法、问卷与访谈记录一旦上传云端，就不再受你控制。

💡 本地部署的第一价值：数据不出本机。

Risk 02

校园网/办公网高峰卡顿、免费额度用完、服务突然下线——把关键工作押在外部服务的可用性上。

💡 本地部署的第二价值：断网可用、永久可用。

Risk 03

订阅制按人按年计费，重度使用者四年累计足以覆盖一台主机。

💡 本地部署的第三价值：边际成本趋零。

架构	输入数据去向	模型位置	留存风险	适用
纯云端	上传至第三方服务器	厂商机房	高：对话与文件留存于第三方，受其政策与司法管辖影响	公开信息、通用写作、对外素材
纯本地	仅在本机/内网处理	本机或内网服务器	低：数据不出域，痕迹可控可删	✓ 敏感数据、内部制度、客户信息
混合	本地检索 + 云端生成（或反之）	两端	中：需明确哪些字段外发，做脱敏与审批	需要外部知识补充且已脱敏的场景

本项目选择：「RAG + 本地化部署」架构——检索与生成全部在本地完成，实现数据不出域的安全闭环。这也是知识库检索精确率 91% 的同时，仍能通过合规审查的前提。

绝对禁止将任何含有内部敏感信息、商业秘密、非公开数据的文档上传至在线知识库平台。在线平台的价值在协作与获取外部信息，本地平台才是处理内部数据的唯一场所。

AI 生成内容涉及法规、数据、政策时，必须人工核查。AI 是强大的辅助工具，但最终决策和责任仍由使用者承担——尤其是对外出具的文书与执法依据。

为图省事把本机推理端口对全网开放（如 0.0.0.0 + 放行防火墙），等于把内网模型变成公共接口。开发期可用 OLLAMA_ORIGINS=*，上线时应限定来源域并置于反向代理之后。

对象	风险	处理动作
对话历史	前端本地留存，换机或共用设备时泄露	提供清除按钮；默认不持久化；确需保存时加密并设定保留期
端点配置	存于浏览器 localStorage，含内网地址	仅保存地址与模型名，绝不写入密钥、口令或令牌
上传文档	临时目录与缓存残留	处理完成后清理临时文件；向量库按知识库隔离，删除知识库即删除索引
服务日志	请求内容被完整记录	关闭或裁剪请求体日志；只保留时间、模型、耗时、错误码
遥测与更新	客户端向厂商回传使用数据	按需关闭遥测；离线环境采用离线升级包
知识片段索引	站点携带的知识库内容被公开访问	公开站点只放 L3 公开级内容；L1/L2 内容不进入静态资源

本站点做法：知识片段索引与检索全部在浏览器内完成，不向任何服务器发送提问内容；连接参数仅存于本机 localStorage；推理请求只发往你填写的本机/局域网端点。 请注意：若把含内部数据的片段放进站点静态资源，任何能打开站点的人都能下载它——按 L1/L2/L3 分级放置。