尝试用 Antigravity 翻译威胁报告：我对 Agent 信息安全的观察

一次 PDF 翻译实践，让我重新思考了云端 Agent 的数据边界。

使用 Antigravity 翻译 PDF

9 月中关注到新闻提到 Anthropic 的威胁报告，里面提到了大量震撼的内容（Anthropic, 2026b），于是便产生了阅读原文的想法。毕竟在条件允许的情况下，我还是更愿意直接阅读原始报告，而不是只依赖他人的二手总结。

我在 Anthropic 官网找到了报告的 PDF，然后下载到本地：

Detecting and countering misuse of AI: September 2026

接着给 Antigravity 下达命令，让它处理 PDF 翻译。

在 Antigravity 中让 Agent 拆分 PDF，并行执行文本识别与翻译。

采用拆分并发的方式是为了提升速度。不过，如果模型本身的智能足够高，可能这些 Prompt 都是多余的，模型会自己判断什么样的方式最高效。

我还让 Agent 简单统计了一下威胁报告中不同类型案例的比例：

Anthropic 威胁报告中不同威胁类型的页数分布。

大约一年前，我还没有想过可以直接使用 Agent 本身的能力完成这一步骤。现在看来，很多垂直翻译工具的功能边界正在被通用 Agent 压缩。

之前我也尝试过 PDFMathTranslate。它的优点是可以自由选择不同的翻译引擎，但部署和调试相对繁琐；这些小功能现在也可以通过通用 Agent，或者 Codex 的子 Agent 来实现（PDFMathTranslate, n.d.）。

Agent 正在把很多垂直软件的“功能护城河”抹平。可能未来垂直软件真正剩下的护城河，会更多转向工作流、稳定性、专业数据、合规、UI 和集成。

威胁报告之后

威胁报告发布后，很快就出现了对网络安全的讨论。报告中提到了攻击者通过中间人、代理和其他基础设施扩大模型使用范围的问题（Anthropic, 2026b）。

这也让我再次意识到，“数据安全”并不是一个只和密码学或服务器配置有关的命题。

《头文字D》电影剧照（2005）。历史上并不缺乏因为私人数字资料泄露而造成巨大现实后果的案例。

AI Agent 的不同之处在于，它获得的数据读取范围可能比传统应用大得多。它不只是等待用户输入文本，还可能读取文件、调用工具、执行命令，并把结果交给远程模型继续处理。

Agent 的工作原理

以这次使用的云端 Agent 为例，模型推理主要在云端完成。为了让 Agent 处理本地 PDF，它至少需要接收到任务相关的文件或文本；究竟上传哪些内容，则取决于客户端实现、Agent 权限和具体工作流。

Agent 工作时，本地文件、原始数据和模型返回结果可能在本地与云端之间流动。

当权限控制、数据边界或供应链存在问题时，Agent 可能从“助手”变成“小偷”：它有能力读取、上传，甚至把原本只存在于本地的数据交给第三方处理。

如果上传范围和保存时间不透明，Agent 的便利性就会转化为新的数据暴露面。

9 月 18 日，开发者 Ferstar 通过逆向分析指出，某国产大模型厂商的一款闭源 Agent 存在工作区快照上传行为；随后该厂商官方致歉，并解释称问题源于代码库索引功能（Ferstar, 2026; IT之家, 2026）。

关于某国产大模型厂商代码库索引和工作区数据上传争议的报道截图。

这个事件让我觉得，安全边界不能只看“模型有没有训练用户数据”，还要继续追问：客户端读取了什么、上传了什么、谁能够解密、数据保存多久，以及用户是否真的拥有关闭这些功能的能力。

解决方案

Anthropic 在 6 月调整 Claude Fable 的数据政策后，Fable 默认要求保留 30 天数据，用于安全监测（Anthropic, 2026a）。这项变化引发了部分企业对 ZDR（Zero Data Retention，零数据留存）、知识产权和日志保存范围的担忧。

在 9 月 10 日威胁报告披露后的几天内，企业客户对 AI 数据边界的担忧也开始公开化。9 月 14 日，Reuters 援引 The Information 报道，NVIDIA、Palantir、Booz Allen 等公司已经开始限制 Anthropic 模型在敏感工作流中的使用（Reuters, 2026）。

按照数据敏感程度，可以采用不同的解决方案：

按照数据敏感程度选择不同的 AI 使用方式：从普通 SaaS，到零数据留存、私有云和本地隔离环境。

理想情况下，所有数据都可以在本地处理，不需要离开设备。哪怕云服务商提供合规审查和零数据留存保证，只要数据离开本地，就已经进入了新的信任边界，不能再按照本地处理的安全等级来对待。

因此，未来的重点可能会同时落在两个方向：更安全、高效的云端计算，以及足够高效的本地模型。

一个面向个人或小团队的本地 AI 示意组合可以是：

1. 以 Google Gemma 4 作为基础模型；
2. 使用 NVIDIA DGX Spark 作为小型 AI 工作站。

不过，这只是一个示意组合。真正的企业级部署还需要 IAM、网络隔离、审计、密钥管理、备份和终端安全。

结语

我这次真正观察到的，不是 Agent 一定会“偷”数据，而是：使用云端 Agent 后，文件的安全边界不再只在本地设备，而是扩展到了模型厂商、客户端、代理服务、插件和工具链。

Agent 越强，能够读取和操作的范围就越大；因此，权限最小化、数据分级和可验证的供应链透明度，也会变得越来越重要。

参考文献

Anthropic. (2026a, June 9). Claude Fable 5. https://www.anthropic.com/claude/fable

Anthropic. (2026b, September 10). Detecting and countering misuse of AI: September 2026. https://www.anthropic.com/threat-intelligence-report-september-2026

Ferstar. (2026, September 18). 某国产大模型厂商静默上传全量 Git 历史的调查 [Investigating a Chinese model provider’s silent upload of the full Git history]. Code is cheap, let’s talk. 原始报道

IT之家. (2026, September 18). 某国产大模型厂商被质疑“偷传代码”：官方回应称问题已修复，将开源代码库、引入第三方审查 [Chinese model provider accused of “stealing code”: Official response says the issue has been fixed and the codebase will be open-sourced]. IT之家. https://www.ithome.com/1/004/310.htm

PDFMathTranslate. (n.d.). PDFMathTranslate [Computer software]. GitHub. https://github.com/PDFMathTranslate/PDFMathTranslate

Reuters. (2026, September 14). Palantir, Nvidia curb AI model use over data fears, The Information reports. Yahoo Finance. https://finance.yahoo.com/technology/ai/articles/palantir-nvidia-curb-ai-model-151108619.html