🚀 隐私代理：用于 confidential AI 工作流的代理和 MCP 服务器

PrivAgents 是一个注重隐私的框架，它展示了如何借助无信任的 MCP 服务器，实现自主代理（设备端和云端）对加密数据的安全处理，同时确保数据的完全保密性。该框架运用 隐私增强技术（Privacy-Enhancing Technologies，PETs） 中的 同态加密（Homomorphic Encryption，HE），能够在不解密的情况下对加密数据进行计算。

通过对话式代理界面，用户数据在设备上完成加密后，会被发送至安全处理单元（MCP），随后处理结果将以加密形式返回，并在本地进行解密。这一过程为医疗保健、个性化服务和金融等敏感领域构建了安全且智能的系统。

🚀 快速开始

1. 克隆并设置项目

git clone https://github.com/UvrajSB/PrivRec.git
cd PrivRec
python -m venv venv
source venv/bin/activate
pip install -r requirements.txt

2. 运行 MCP 服务器

# 启动 MCP 服务器（在终端中运行）
python mcp_server.py

3. 使用代理进行推理

• Ollama Agent：在另一个终端中运行以下命令，使用 Ollama 进行推理。

  python agent_ollama.py
  

• OpenAI Agent：在另一个终端中运行以下命令，使用 OpenAI API 进行推理。

  python agent_openai.py
  

✨ 主要特性

🔐 为什么选择 PrivAgents

设备端模型能保障隐私，但通常计算能力有限；云端模型具备强大的计算能力，却会引发信任问题。PrivAgents 结合了两者的优势，有效解决了这一问题：

• 可根据隐私约束和资源可用性，灵活选择设备端或云端代理。
• 同态加密确保数据在处理过程中始终保持私密。
• 模块化 MCP 服务器在后端执行加密相似性计算。
• 端到端加密管道实现了安全的数据交互。

⚙️ 支持的代理

• ✅ Ollama Agent：使用本地模型进行设备端推理。
• ✅ OpenAI Agent：通过 API 进行云端智能处理。

用户可根据隐私限制和资源情况，选择合适的代理类型。

📦 优势

• ✅ 无需信任即可要求：服务器不会接触到用户数据。
• ✅ 代理无关性：适用于设备端和云端的大语言模型（LLM）代理。
• ✅ 可扩展性：支持更多复杂的用户配置文件或额外领域（如音乐、购物、医疗保健）。
• ✅ 教育意义：通过实际场景展示同态加密的工作原理。

📚 详细文档

🧠 架构概述

      +------------------------+
      |     用户设备            |
      |  (代理 + 加密)          |
      +------------------------+
         |   加密输入
         v
+------------------------+   ← 安全通道 →
|     MCP 服务器         |  (加密相似性计算)
+------------------------+
         |   加密结果
         v
      +------------------------+
      |  用户设备（解密） |
      +------------------------+

📁 项目结构

PrivAgents/
│
├── agent/           # Ollama 和 OpenAI 代理实现及 PET 工具
├── mcp/             # 加密处理逻辑，用于相似性分析
├── utils/           # 上下文设置、加密助手
├── data/            # 示例输入和加密输出文件
└── .env             # 端口和日志配置

👥 参与贡献

如果你对构建安全且智能的系统感兴趣，并希望运用隐私增强技术（PET），欢迎参与项目贡献。无论是扩展代理逻辑、在新的加密工作流上进行实验，还是优化 MCP 层，都非常期待你的加入。请 Fork 该仓库并开始参与。