本地模型不是断网版云模型：Agent任务路由怎么分才不泄密
内容提要
Google 为 Antigravity SDK 增加本地模型支持，核心是任务路由：按敏感度、能力需求、成本和风险，将任务分配给本地或云端模型。演示中云端仅用 95 个 Token 做规划，97.2% 在本地处理。文章提供纯 Python 路由示例，强调敏感数据留在本地、云端只传脱敏元数据、外部写入需审批，并指出本地不等于安全，失败时应关闭式处理，避免源码被静默上传。
延伸解读
任务路由的本质：控制层而非模型选择
文章强调，任务路由是根据输入标签、数据策略、能力要求、成本预算和失败风险，将任务及其最小必要上下文分配给不同模型或工具的控制层。它不只是选模型，还包括脱敏、降级、超时、人工审批与结果校验。这意味着路由决策需要可测试、可审计，而非依赖模型默认行为。
演示数据的边界：95个云端Token不代表生产常态
官方演示中云端仅用95个Token做规划，97.2%的Token在本地处理，但这只是演示数据，不代表所有仓库都能达到同样比例。文章提醒，生产指标应是越权传输为零、路由可解释、降级可预测，以及本地失败时不会静默把原始数据转发到云端。
常见误区：本地不等于安全，脱敏不止删内容
文章指出三个误区：第一，本地模型若可读整个家目录、访问网络或拿到Git凭据，风险仍在；第二，脱敏不是删掉文件内容就结束，文件名、错误栈和测试数据也可能泄密；第三，强模型不该自动获得更多权限，推理能力与授权范围是两条轴。
适用场景与失败处理：关闭式降级
混合路由适合企业源码审计、离线现场设备、受监管数据处理，以及大量低风险本地任务配少量云端规划。不适合硬件不足却强行跑大模型，或必须上传完整上下文的任务。路由失败必须关闭式处理：本地模型不可用时返回明确错误，不能为可用性悄悄把源码升级发送到云端。
Q&A
Google Antigravity SDK 新增的本地模型支持，核心功能是什么？
核心是任务路由：根据敏感度、能力需求、成本和风险，将任务分配给本地或云端模型执行。
任务路由具体是根据哪些因素来决定任务由本地还是云端执行的？
根据输入标签、数据策略、能力要求、成本预算和失败风险，将任务及其最小必要上下文分配给不同模型或工具。
在官方演示中，云端和本地模型各自处理了多少 Token？
云端 Gemini 3.8 Flash 只用了 95 个 Token 做规划，97.2% 的 Token 在本地处理。
文章提到的纯 Python 路由示例中，关键点有哪些？
关键点有三处：先用明确标签判断敏感性；云端上下文只保留完成规划所需的元数据；写外部系统即使本地执行也要审批。
关于本地模型的安全性，文章指出了哪些常见误区？
三个误区：第一，“本地”不等于安全，模型进程若权限过大风险仍在；第二，脱敏不是删掉文件内容就结束，文件名、错误栈等也可能泄密；第三，强模型不该自动拿到更多权限。
混合路由适合哪些场景，不适合哪些场景？
适合企业源码审计、离线现场设备、受监管数据处理，以及大量低风险本地任务配少量云端规划。不适合硬件不足却强行跑大模型，也不适合必须上传完整上下文才能完成的任务。
