REMINDA
Security

零知识架构:为什么 E2EE 在 AI 知识引擎中不可妥协

深入了解客户端 AES-256-GCM 加密、本地 PBKDF2 密钥派生,以及 Reminda 如何在不妥协数据隐私的前提下实现零知识 AI 上下文检索。

August 13, 20261 min readReminda Team
网络安全硬件盾牌和加密网络锁可视化

在现代 SaaS 环境中,云端数据库泄露不再是异常事件——它们在统计学上是不可避免的。当知识工作者依赖传统笔记平台时,他们最敏感的资产——知识产权、系统秘密、专有代码片段和个人想法——都以明文或服务端加密数据库的形式存储在第三方基础设施中。

服务端加密(“静态加密”)对于真正实现隐私保障在根本上有缺陷,因为提供商保留着解密密钥的所有权。如果云服务器配置错误、数据库转储泄露,或者第三方供应商收到传票,你的未加密知识库就会完全暴露。在 AI 个人助手消耗深层上下文数据的时代,标准的云安全模型是完全不够的。

密码学安全锁和数字数据加密的抽象可视化

零知识的必要性

在 Reminda,安全不是产品交付后附加的营销层;它是我们系统最根本的架构约束。我们使用真正的端到端加密(E2EE)将平台构建在零知识架构之上。

零知识安全的数学保证很简单:我们字面上无法读取你的数据。

  • 无密钥存储: 你的主密码学密钥在你的设备本地派生,绝不通过网络传输。
  • 不可读的云端记录: 远程数据库仅存储经过身份验证的、密码学安全的密文。即使拥有对我们生产基础设施的完整物理访问权限,工程师或攻击者看到的也只是高熵伪随机噪声。
  • 零信任基础设施: 我们的团队、主机提供商或云数据库实例都不具备解密你的个人笔记或记忆图谱的技术能力。

技术深挖:密码学管道

为了在保留零知识保证的同时实现无缝的跨设备同步,Reminda 运行基于 Web Crypto API 标准构建的多阶段本地密码学工作流。

1. PBKDF2 主密钥派生

当用户登录时,客户端运行时会使用 PBKDF2(基于密码的密钥派生函数 2)结合 SHA-256、本地盐和 600,000+ 次迭代,从密码短语本地派生出主密钥(KmasterK_{master}),以防止暴力破解和 GPU 字典攻击:

Kmaster=PBKDF2(Passphrase,Salt,iterations=600000,SHA-256)K_{master} = \text{PBKDF2}\left(\text{Passphrase}, \text{Salt}, \text{iterations}=600000, \text{SHA-256}\right)

2. 本地对称数据加密 (AES-256-GCM)

所有笔记内容、向量载荷和结构化模式均使用 AES-256-GCM(伽罗瓦/计数器模式)在客户端进行加密。选择 GCM 是因为它既能提供保密性,又能提供带关联数据的身份验证加密(AEAD),确保密文在传输过程中如果被篡改能立刻被发现。

// 客户端加密协议示例
export async function encryptLocalPayload(
 plaintext: string,
 rawKey: CryptoKey
): Promise<{ ciphertext: ArrayBuffer; iv: Uint8Array }> {
 const iv = crypto.getRandomValues(new Uint8Array(12)); // 96 位初始化向量
 const encoder = new TextEncoder();
 const data = encoder.encode(plaintext);

 const ciphertext = await crypto.subtle.encrypt(
 {
 name: 'AES-GCM',
 iv: iv,
 },
 rawKey,
 data
 );

 return { ciphertext, iv };
}

调和零知识 E2EE 与人工智能

现代隐私工程中最大的技术障碍是将 E2EE 与大语言模型结合。大多数 AI 外壳工具只是简单地将未经加密的笔记直接发送到云端端点,完全忽视了隐私。

为了在不破坏零知识架构的前提下提供实时 AI 思考伴侣,Reminda 重新架构了检索增强生成(RAG)管道,使其优先在客户端运行。

安全 AI 上下文检索的运作方式

  1. 本地向量摄取: 文本块使用编译为 WebAssembly 的轻量级模型运行时在本地进行嵌入,或索引到本地向量索引中。
  2. 客户端上下文提取: 当你提出问题时,语义搜索查询会直接在你的本地浏览器运行时中对本地解密的笔记执行。
  3. 无保留的瞬时处理: 仅回答你的查询所需的具体、隔离的文本片段会被准备成提示词包。该上下文有效载荷通过加密的 TLS 隧道分发到严格零数据保留的 AI 端点,确保输入绝不会被记录或存储用于模型训练。

安全保证: 你的整体知识库在云存储的静态状态下保持完全加密。外部 LLM 绝不会处理你的完整知识库——在主动交互期间仅处理瞬时的、经用户批准的碎片。

隐私作为一项不可剥夺的人权

安全措施绝不应该依赖于管理承诺、公司隐私政策或法律免责声明。公司政策会变,平台会被收购,条款细则会更改。真正的隐私需要数学保证。

通过将 Reminda 建立在零知识客户端加密的基础上,我们确保你的知识库始终保持其最初的本意:你大脑完全私密、不作妥协的延伸。

Share this article with your team or network.