大语言模型在日常任务中的使用需要丰富的上下文指令，这不可避免地泄露用户敏感信息。现有的隐私保护方法多基于与上下文无关的静态规则，导致效用大幅下降。本文系统分析了隐私‑效用权衡，提出三条机制。第一，上下文依赖效用表明数据价值会随用户意图从关键约束转为可舍弃噪声，从而决定何时进行脱敏。第二，策略性适应指出脱敏方式取决于任务对事实完整性或结构连贯性的依赖，决定是删除还是替换。第三，组合交互展示属性之间形成语义网络，存在协同依赖或冗余对立。基于这些洞见，本文构建了意图驱动的本地保护框架。通过蒸馏轻量模型 Veilmind‑4B，驱动动态的提取‑脱敏‑恢复流水线，实现低泄漏隐私点，同时在响应效用上显著优于现有基线，推动权衡逼近帕累托前沿。点评