端侧确定性基线高 → LLM 是主要新增不确定性源 → 所有五种范式dou围绕 "消除或隔离 LLM 不确定性" 展开:"把 LLM 的输出限制/验证/替换/隔离在一个尽可Neng小的范围内，让系统其余部分保持天然的确定性。" → Zui优策略 = 不是 "让 LLM geng强", 而是 "让 LLM 的决策面积geng小" → 系统 ROI 的提升来自 "确定性路径的覆盖率增长", 不是 "模型精度"

每种范式的"确定性基线"解读：云端视角 vs 端侧视角，害，咱就是说这两个视角有hen大差异，你懂的。

安全解决"系统是否可靠"，可见性解决"用户是否相信系统可靠"，两者互补，缺一不可，说实话，这点hen重要。

冗余 + 投票 ← 消除 "LLM 推理的概率性" ↘确定性优先路由 ← Zui小化 LLM 决策面积 ↙闭环反馈 ← 验证环境反馈 ↘约束空间 ← 物理约束 ↙不可逆隔离 ← 物理隔离

Zui终目标：让系统尽可Neng多的决策和执行dou不经过 LLM = 从概率论回到确定论，不对不对，应该是让LLM的决策面积Zui小化。

资源约束 = 优势，哈哈，这点hen有意思，因为资源约束迫使系统用确定性路径替代LLM推理。

端侧 Agent OS 不是"云端 Agent OS 的缩小版"，它有独特的约束，也有独特的优势。

存在一个问题，为什么百度不收录我的文章？这是因为百度的收录规则比较严格，需要满足一定的条件，比如文章的质量、原创性、相关性等。

Ru果你的文章符合这些条件，还是没有被收录，Ke以尝试检查文章的标题、关键词、描述等是否准确，以及是否有外部链接指向你的文章。

Agent 状态可见性

启发

我们也Ke以提供用户状态信息，让用户心安，你懂的，这是一个hen重要的方面。

端侧 vs 云端安全对比维度端侧优势端侧劣势隐私数据不出设备 ✅设备被物理窃取风险隔离TEE 物理隔离 ✅TEE 可用资源极少审计本地哈希链 ✅离线时无法云端备份geng新固件独立于云安全补丁推送慢攻击面本地减少网络攻击物理接触攻击

核心论点：端侧 Agent OS 的独特性在于——它拥有天然的确定性基线，LLM 是主要的新增不确定性来源。

在进入具体硬件和软件设计之前，必须先回答：端侧 Agent OS 到底和云侧有什么本质差异？这些差异不是程度上的，而是本质上的——它们会反向塑造整个架构。

端侧模型选择. 关键决策

受到硬件限制，端侧模型选择的关键决策如下：INT4 是端侧标准，没有理由用 INT8，哈哈，这是一个hen重要的结论。

核心推论：端侧的"资源约束"kan似限制，实则是优势——因为约束迫使系统用确定性路径替代 LLM 推理。

Managed Agents 在端侧的映射

端侧的核心升级是 Brain-Hands 解耦 + Session-centric + cattle 化——这些概念来自 Anthropic 的 Managed Agents 架构。

┌───────────────────────────────┐│C: External ││ 外部 MCP / 第三方 Agent / Web ││ ← 默认不可信 │└───────────────────────────────┘ ▲ │ capability 调用 ▼┌───────────────────────────────┐│B: Agent Runtime ││ LLM / Cap.Broker / Memory │└───────────────────────────────┘ ▲ │ 严格 RPC ▼┌───────────────────────────────┐│A: System Critical ││ Grant / Audit Root / Key / ││ Safety Policy ││ ← 不与 LLM 交互 │└───────────────────────────────┘

Tier + 云端的映射关系如下：四级 Tier 之间会进行跃迁，具体如下表，说实话，这个设计挺巧妙的。

Zui终判断：谁先Zuo出"SoC 异构感知 + 功耗 Tier + 确定性优先路由 + TEE 安全"的端侧 Agent OS，谁就掌握手机/座舱/机器人的下一代入口，哈哈，这是一个hen重要的结论。

为什么百度不收录某些网站？这是因为百度的收录规则比较复杂，需要满足一定的条件，比如网站的质量、内容、结构等，Ru果你的网站符合这些条件，还是没有被收录，Ke以尝试检查网站的robots.txt文件、meta标签等是否正确，以及是否有外部链接指向你的网站。

我们再从内存与存储来进行分析，这些dou决定了端侧的设计后果，你懂的。

本地 RAG 与云端知识的一致性

核心论点：Agent 状态可见性是用户信任的必要条件，不是锦上添花，说实话，这是一个hen重要的方面。

Tier : VAD/唤醒词/IMU/2B 极小模型 ← always-on ← 触发条件满足Tier : 7B 端侧 NPU + 简单 capability ← 主力工作模式 ← 复杂任务Tier : 大模型 + 多模态融合 ← 短暂爆发 ← 极复杂/端侧不够Tier : 云端 ← 卸载

. 与 Grant 系统的联动

Agent 请求操作 → Risk Classifier ├─ LOW → 静默执行 + 后台记录 ├─ MEDIUM → Notification + 5s 可撤回 └─ HIGH → 阻塞弹窗 + 生物认证

. Audit Chain 与可观测性

端侧需要的不只是日志，而是 "不可篡改的审计链"— "确定性基线"论断的动态延伸——静态视角下端侧环境天然确定，LLM 是主要新增不确定性源，需Zui小化 LLM "Zui小化 LLM决策面积，让系统其余部分保持天然确定性"

Tier 状态机 ：安全降级> 用户触发> 空闲降级，说实话，这个设计挺巧妙的。

"确定性基线" 是端侧 Agent OS架构决策的基石，它不只是 "环境确定"的物理事实而是指导从硬件到范式一致的哲学。

┌───────────────────────────────────────────┐│ Session 事件流 ││ │├───────────────────────────────────────────┤│ Context Selector ││ ││ ││ 策略: Recent + Relevant + Compact │└──────────────────────┬────────────────────┘ ▼ Context Window

NPU/CPU/DSP/GPU各计算单元的分工如下： 唤醒/检测 → DSPPrefill → GPUDecode → NPU后处理/调度 → CPU安全/审计 → TEE

Tee典型的典型工作流如下： # 工作流 : Agent 要调用 "转账" APIUser → Harness: "给朋友转账 元" ↓Harness: "这需要 Grant, 我来请求" ↓TEE: - 检查 Grant 历史：上次转账给这个人是何时？ - 检查金额: 元超过今日额度吗？ - 返回临时 token 给 Harness - Token 有效期: 秒，仅限这一笔交易 - 生成不可篡改签名↓Harness: 调用转账 API, 并传入 TEE 签名 ↓银行服务：验证 TEE 签名→ 执行转账 ↓TEE: - geng新审计日志 - 计算新的 Hash Chain - 确保日志防篡改↓User: kan到转账结果，同时 Harness 记录完整 Trace ↓……

为什么有些网站百度不收录？这是因为百度的收录规则比较复杂，需要满足一定的条件，比如网站的质量、外链等，Ru果你的网站符合这些条件，还是没有被收录，Ke以尝试检查网站的内容质量、结构等是否正确，以及是否有外部链接指向你的网站，你懂的。

---