本地处理：为什么隐私对 AI 助理至关重要

在面试辅助场景里，隐私不是锦上添花，而是基础门槛。

一旦候选人的简历、项目细节、语音内容被不受控地外流，风险并不是“理论上的”。

面试数据为什么比普通数据更敏感

面试数据通常包含：

• 个人身份信息与联系方式
• 项目架构与业务细节
• 当前公司或过往公司的非公开经验
• 行为面试中的个人叙事

这些内容一旦泄露，不仅影响求职，还可能影响在职合规与职业信誉。

本地优先的核心价值

1) 降低暴露面

数据不离开本机，意味着可被攻击的链路更短。

2) 提高可控性

你能明确知道哪些内容被保存、保存多久、何时删除。

3) 建立使用信任

当用户知道敏感信息不会被随意上传，才会愿意长期使用工具沉淀资产。

一个实用的数据风险模型

建议把数据按“泄露代价”分三级：

1. 高敏：简历原文、面试录音、项目细节。
2. 中敏：题目截图、阶段性总结。
3. 低敏：匿名化统计与通用配置。

你的策略应是：高敏默认本地，中敏可选上传，低敏最小化采集。

日常使用中的 5 个安全动作

1. 面试前清理无关窗口和通知。
2. 只在必要时打开共享与录制能力。
3. 每周检查本地缓存并定期清理。
4. 对历史会话做分级保留，不长期囤积。
5. 换设备前先导出必要资料，再删除旧设备副本。

常见误区

• 误区一：只要产品写了“安全”就一定安全。
  现实：你需要看默认行为是否最小化采集。

• 误区二：我只是练习，不涉及隐私。
  现实：练习内容往往包含真实经历与目标岗位信息。

• 误区三：云同步一定更方便。
  现实：便利性和风险暴露是需要平衡的。

FAQ

下一步

• 查看功能全景并确认你的数据流。
• 到 Roadmap 看后续能力规划边界。
• 下载后按“会前安全清单”做一次实测：Download