为解决在线语言模型应用中的隐私问题，本文介绍了一种名为 ProSan 的端到端提示隐私保护框架，它可以产生去除上下文隐私的匿名提示，同时保持任务可用性和人类可读性。ProSan 还能够灵活调整其保护目标和强度，适应不同的计算资源条件，确保即使在计算能力有限的移动设备上也能提供隐私保护。实验证明，ProSan 在各种任务中，包括问题回答、文本摘要和代码生成，有效去除私人信息，并仅对任务性能产生最小的影响。