PAAC: Colaboração Dispositivo-Nuvem Agêntica e Consciente da Privacidade

Resumo

Agentes de modelo de linguagem grande (LLM) enfrentam uma tensão estrutural: agentes em nuvem oferecem raciocínio robusto, mas expõem dados do usuário, enquanto agentes no dispositivo preservam a privacidade ao custo de capacidade geral. Projetos dispositivo-nuvem existentes tratam esse limite como uma divisão computacional, em vez de um limite de confiança adequado a cargas de trabalho agentivas, e sanitizadores existentes forçam uma escolha entre flexibilidade de políticas e a fidelidade estrutural que chamadas de ferramentas exigem. Neste trabalho, desenvolvemos o PAAC, uma estrutura agentiva com foco em privacidade que alinha a decomposição planejador-executor ao limite dispositivo-nuvem, de modo que a própria especialização de papéis se torne o mecanismo de privacidade. O agente em nuvem raciocina sobre tokens de espaço reservado tipados que preservam o papel de raciocínio de cada valor sensível, descartando seu conteúdo, enquanto o agente no dispositivo identifica segmentos sensíveis e destila o resultado da execução de cada etapa em descobertas principais compactas. A sanitização confina o LLM do dispositivo a propor quais segmentos mascarar, enquanto um registro determinístico realiza toda a substituição e reversão, mantendo as ações diretamente executáveis no dispositivo. Em três benchmarks agentivos sob configurações estritas de privacidade, o PAAC domina a fronteira de Pareto de privacidade e precisão, melhorando a precisão média em 15-36% e reduzindo o vazamento médio em 2-6 vezes em relação às linhas de base dispositivo-nuvem estado-da-arte, com as maiores margens em alvos de privacidade fora de taxonomias de entidades fixas. Encontramos melhorias consistentes em 17 benchmarks adicionais abrangendo 10 domínios, incluindo matemática, ciências e finanças.

English

Large language model (LLM) agents face a structural tension: cloud agents provide strong reasoning but expose user data, while on-device agents preserve privacy at the cost of overall capability. Existing device-cloud designs treat this boundary as a compute split rather than a trust boundary suited to agentic workloads, and existing sanitizers force a choice between policy flexibility and the structural fidelity tool calls require. In this work, we develop PAAC, a privacy-aware agentic framework that aligns planner--executor decomposition with the device-cloud boundary so that role specialization itself becomes the privacy mechanism. The cloud agent reasons over typed placeholder tokens that preserve each sensitive value's reasoning role while discarding its content, while the on-device agent identifies sensitive spans and distills each step's execution outcome into compact key findings. Sanitization confines the on-device LLM to proposing which spans to mask, while a deterministic registry performs all substitution and reversal, keeping actions directly executable on device. On three agentic benchmarks under strict privacy settings, PAAC dominates the Pareto frontier of privacy and accuracy, improving average accuracy by 15-36\% and reducing average leakage by 2-6times over state-of-the-art device-cloud baselines, with the largest margins on privacy targets outside fixed entity taxonomies. We find consistent improvements on 17 additional benchmarks spanning 10 domains, including math, science, and finance.