在 AI 驱动的教育系统中，如何在保护学生隐私的同时实现精准的认知诊断仍是重大挑战。为此我们提出了一种联邦推理框架，允许多个商业 LLM API（如 LLaMA‑3.3‑70B、GPT‑4o‑mini、Claude‑3‑Haiku）在不访问原始学生数据和模型内部细节的前提下协同工作。框架基于异构多LLM 架构，各实体在本地对预测结果加入拉普拉斯噪声实现 $\epsilon$‑本地差分隐私，然后再进行聚合；残差基聚合方法用于缓解模型之间的异质性。我们假设 API 提供者遵循诚实但好奇的信任模型，即不会滥用查询，而差分隐私机制进一步防止外部对已发布诊断结果的推断。通过严格的隐私‑效用分析，我们证明在几乎不损失准确率的情况下提供强隐私保障。实验证明，在三个教育基准数据集上的实验显示该框架具备实际可用性并能够跨领域泛化。
点评