很多人本地跑大模型，第一步就是急着装环境、跑代码，却忽略了最关键的安全配置。默认设置下，你的对话记录、本地文件可能正在被悄悄上传。这篇文章手把手教你堵上这些漏洞。
写在前面
上周有个朋友跟我吐槽：他在本地跑了一个月的Llama 3，结果某天发现自己的对话记录被上传到了某个公共数据集。虽然内容没什么敏感的，但这种“被偷走”的感觉让他很不舒服。
我问他：“你关掉数据回传了吗？”
他一脸茫然：“还有这回事？”
这就是我写这篇文章的原因。本地部署AI确实能保护隐私——但前提是你得先设置好。
高危风险点：默认设置下，你的数据去哪儿了？
绝大多数开源模型和推理框架，在默认安装时都会开启以下3个数据通道：
| 通道 | 默认状态 | 传输内容 | 风险等级 |
|---|---|---|---|
| 日志上报 | ✅ 开启 | 对话记录、错误日志、系统信息 | 🔴 高 |
| 用户行为采集 | ✅ 开启 | 使用习惯、功能点击、停留时长 | 🟡 中 |
| 模型反馈回传 | ⚠️ 部分开启 | 用户修正、评分、bad case | 🔴 高 |
最容易被忽视的是模型反馈回传——当你对模型的回答点“👍”或“👎”，或者手动修改了输出内容，这些数据可能会被回传给模型厂商用于训练。你的每一次“调教”，都在帮别人优化模型。
4步安全设置（实操版）
第一步：关闭日志上报（以Ollama为例）
Ollama是目前最流行的本地部署工具，默认会上报匿名使用数据。
操作方法：
# 方式1：启动时禁用
ollama serve --no-logs
# 方式2：设置环境变量（推荐，永久生效）
# Linux/macOS
export OLLAMA_NO_LOGS=true
# Windows (CMD)
set OLLAMA_NO_LOGS=true
验证是否生效：
# 查看日志目录，应该是空的 ls ~/.ollama/logs/
第二步：关闭用户行为采集（以Text Generation WebUI为例）
操作方法：
-
进入
settings.yaml配置文件 -
找到以下参数并修改：
# 修改前 → 修改后 analytics_enabled: true → false send_usage_stats: true → false telemetry_enabled: true → false
-
保存后重启服务
第三步：关闭模型反馈回传（最常见的大坑）
这是最重要也最容易被忽略的一步。不同框架的关闭方式不同：
LM Studio 用户：
-
设置 → Privacy → 关闭
Send Feedback和Anonymous Usage Data
GPT4All 用户：
-
设置 → 取消勾选
Share usage statistics with our research team
llama.cpp 用户（server模式）：
# 启动时添加参数 ./server --disable-feedback --no-report
第四步：开启离线模式（终极方案）
如果你完全不联网运行，直接断网是最安全的。但大部分场景需要联网下载模型，这里提供“联网下载，离线使用”的方案：
操作流程：
-
第一次下载模型时：正常联网
-
模型下载完成后：立即断开网络，或使用防火墙阻止相关应用联网
-
后续使用：全程离线
macOS/Linux 防火墙规则示例：
# 阻止Ollama联网（保留本地访问） sudo iptables -A OUTPUT -p tcp --dport 443 -m owner --uid-owner $(id -u ollama) -j DROP
安全自检清单
完成以上设置后，建议按此清单逐项确认：
-
日志目录为空或只有启动日志，无对话记录
-
配置文件中所有
analytics、telemetry、feedback相关参数均为false -
使用网络监控工具（如Little Snitch、GlassWire）确认无异常出站连接
-
离线模式下运行10分钟，功能正常且无报错
-
清空了之前的历史对话缓存（如果有）
常见问题 Q&A
Q：关闭这些功能会影响模型性能吗？
A：完全不会。这些只是数据上传开关，与推理性能无关。
Q：我用的是国内的开源框架，也要关吗？
A：更要关。部分国内框架的数据采集力度比国外框架更大，建议全程离线使用。
Q：已经泄露的数据能删除吗？
A：可以尝试联系对应平台的隐私邮箱申请删除，但成功率不高。预防远比补救重要。
写在最后
本地部署AI的核心优势就是数据可控。但如果忽略这些默认设置，这个优势就等于不存在。
花5分钟做好这4项配置，你的AI才能真正“为你所用，为你所控”。
下期预告：《如何用本地模型搭建一个完全离线的知识库》——敬请期待。