Zypher Network 提出的系列方案正逐步成为破解这一困局的关键，其不仅为 LLM 和 AI Agent 等采用提供了一个可信的框架，也为其在更广泛行业中的应用铺平了道路。

像 ChatGPT、DeepSeek、Grok 等大型语言模型（LLM, Large Language Model）已成为近年来最为普遍的 AI 应用示例。聚焦于 LLM 本身，其通常指利用深度学习技术方案，在大规模文本数据上训练而成的一类自然语言处理模型，具备强大的语言理解与生成能力，广泛应用于文本创作、翻译、对话交互、问答等场景。LLM 不仅能直接面向 C 端用户提供服务，绝大多数 LLM 服务商（如 OpenAI 等）也可通过 API 接口对外开放模型能力，使其在更广泛的场景中发挥作用。例如，物联网设备、智能汽车系统等可集成 LLM API，实现更智能的交互体验，为用户提供更高效、自然的 AI 驱动服务。

事实上，普遍而言 LLM 模型本身具备高复杂度性、商业封闭性、数据不可见性以及深度学习模型的固有不可解释性等系列特点，所以当 LLM 服务商向用户提供 API 服务时，其内部模型的运作逻辑通常是不可见的。整个模型对外呈现为一个完全的黑盒系统，即用户只能通过 API 发送请求并获取响应，而无法直接访问或理解其内部的具体计算过程、参数权重或训练机制。

这种普遍的 “黑盒特性” 正在使得用户在使用大模型或集成 API 时，会面临两个潜在的核心问题：

一个是一致性问题。

系统提示词是由开发者提供的，其直接影响模型行为，比如模型可能会因为某些提示词偏好导致模型的最终推理带有一定的指向性，进而左右推理结果。

同样，用户每次进行 API 调用时，通常无法验证实际使用的系统提示词是否被篡改，可能会导致模型行为偏离预期。

一个是隐私性问题。

系统提示词通常会包含高度敏感的商业信息，比如定价策略、风控规则、内部流程等，这些提示词通常涉及企业的核心竞争力，因此开发者不愿公开。

现阶段虽然 TLS（Transport Layer Security） 方案被用于保障数据在传输过程中的加密，即确保数据不会被窃听或篡改，但 TLS 无法证明服务器端实际执行的系统提示词是否被篡改。这意味着，即使 API 通信是安全的，用户依然无法验证 LLM 使用的提示词是否与开发者所承诺的一致。如果开发者希望向第三方或合作伙伴证明他们的相关 AI 服务是可信的，通常还需要一种机制来保证系统提示词的完整性，而传统的 TLS 无法提供这种能力，这也使得大多数 LLM 都不具备保证提示词可信性的能力。

正因如此，LLM 在金融、医疗等对合规性、隐私和安全性要求较高的场景中的应用，面临一定的局限性。**随着 Zypher Network 推出了以 zkTLS 技术为核心的 zkPrompt 方案，有望成为突破瓶颈的关键。**该方案不仅能够基于 ZK 方案有效保护系统提示词的隐私，还能验证每次 API 调用中系统提示词的一致性，这将有助于推动 LLM 在更多行业领域的广泛应用起到至关重要的作用。

Zypher Network 是一套以 ZK 技术为核心的协处理设施，旨在为所有需要零知识证明的应用场景和设施提供 ZK 服务。Zypher Network 系统由一个由分布式计算节点构成的链下计算网络和一个链上引擎 Zytron 组成。当 Zypher 网络中出现零知识计算任务时，系统会将计算任务委派给计算矿工并生成 ZKP。该 ZKP 可以在链上进行验证，确保数据、交易、行为等的可信度和诚实性。与此同时，分布式计算网络不仅显著降低了系统的计算成本，还赋予了网络卓越的可扩展计算能力。

在此基础上，**Zypher Network 推出了专为 LLM 服务的 zkPrompt 方案，进一步拓展为 AI 领域重要的可信和隐私基础设施。**zkPrompt 方案以其独特的 zkTLS 技术为核心，通过将传统 TLS 协议与 ZK 技术相结合，使得用户能够在不暴露敏感数据的前提下验证数据的真实性。这一创新有效弥补了传统 TLS 在数据证明能力上的不足，在保证隐私的前提下为 AI 的运行提供了更高的可信度。

TLS（Transport Layer Security） 是一种广泛应用的加密协议，旨在保障计算机网络中数据传输的安全性。通过对传输中的数据进行加密和验证，TLS 可以有效防止数据在传输过程中被窃取、篡改或伪造，其通常应用于各种互联网通信场景，如网页浏览、电子邮件和即时消息等，以确保通信双方的隐私和数据完整性。

TLS 协议的基本原理结合了对称加密和非对称加密：通信双方首先通过非对称加密进行身份验证，并交换加密密钥，接着使用对称加密对数据进行加密，从而提高加密效率。与此同时，TLS 还使用消息认证码（MAC）来验证数据的完整性，确保数据在传输过程中未被篡改或损坏。

在 LLM 的应用中，客户端与服务器之间的 API 调用过程中，通常是基于 TLS 加密协议，以确保 LLM 的 API 服务能够确保数据在传输过程中的安全性，防止数据被窃取或篡改，从而保障模型在处理用户请求时的隐私性和完整性。这使得 LLM 在处理敏感信息时具备了基本的安全防护，确保了通信的机密性。当然，其局限性我们上文有所讨论就不在赘述。

而将密码学方案与 TLS 加密协议进行组合，有望能够改善 LLM 模型所面临的一致性与隐私等问题。事实上，零知识证明是本身是一个不错的方案，其允许一方 (证明者) 向另一方 (验证者) 证明一个陈述是真实的，而不揭示任何额外信息，虽然 TLS 协议可以保证数据传输的完整性和保密性，但难以向第三方提供这些数据的完整性和真实性的证明，因此借助 ZK 方案，可以在保护隐私的同时向第三方证明数据的完整性和真实性。

当然为了实现上述目标，zkTLS 通常会引入一个可信第三方 (通常称为 Verifier 或 Notary)，该可信第三方可以在不损害原始连接安全性的情况下，对交互进行验证。而目前，根据现的技术路线不同，zkTLS 主要分为三种模式包括：

• 基于TEE模式：TLS协议安全的运行在TEE中，并由TEE提供会话内容证明。

• 基于MPC模式：通常采用 2-MPC 模型，即引入一个 Verifier。在这种模式下，prover 和 verifier 通过MPC共同生成会话密钥，这个会话密钥相当于分成两部分，分别由双方持有，最后prover可以选择性披露一些信息给 verifier。

• 基于代理模式：代理 ( Verifier ) 充当客户端和服务器之间的中介，负责转发并验证双方在通信过程中交换的加密数据。

Zypher Network 本身包含了一个可拓展且成本低廉链下的计算网络，与此同时其还包含了一个链上 AI 引擎 Zytron，该引擎不仅部署了大量的预编译合约，同时也搭建了一套分片化、专门用于执行合约验证的 P2P 链上通信节点网络。通过对 P2P 网络进行连接，确保各节点能够直接高效地通信。这种方式能够有效减少了中间传输的环节，使得数据传递更加迅速。并且节点之间的通信和地址定位使用了 Kademlia 算法，这种结构化设计使得节点在寻找和联系其他节点时更加快捷和精准。

而在执行上，Zytron 还根据 Kademlia 算法中定义的节点距离规则，对合约的执行过程进行分片。这意味着合约的不同部分会根据节点间的距离被分配到不同的网络节点上执行。这种基于距离的分配方式，有助于在 Zytron 网络中均匀地分布计算负载，进而提高整个系统的速度和效率。

那么得益于性能与成本优势，Zypher Network 在 zkPrompt 中采用了基于代理模式的 zkTLS实现，与其他模式相比，代理模式不仅避免了多方计算协议所带来的额外计算开销，同时也规避了 TEE 相关的硬件成本。

聚焦于 zkPrompt 方案本身， 在其代理模式中，验证者充当客户端和大模型服务器之间的中介，负责转发 TLS 流量并记录双方交换的所有密文数据。在会话结束时，在链下计算网络的支持下，客户端基于记录的密文生成 ZKP，使得任何第三方均能验证该 TLS 会话中系统提示词的一致性，而无需暴露提示词内容或任何敏感信息。

在开始任何交互之前，Client 对系统提示词进行承诺，即系统提示词通过加密进行处理，并生成一个承诺值，该承诺值被存储在区块链上，从而保证该提示词在后续操作中不可篡改。这个承诺值作为一种证明，确保系统提示词始终如一，不会在后续的交互中发生变化。

当 Client 通过 Proxy 向 LLM 大模型 发送请求时，Proxy 充当了客户端和服务器之间的中介角色。它不仅负责转发 TLS 流量，还会记录双方交换的所有加密数据包。

在此过程中，Proxy 会生成一个请求的承诺值，并将其存证到链上，确保每个请求数据包的完整性和一致性。这一过程的目的是确保请求的数据和系统提示词不被篡改。

LLM 服务返回响应时，Proxy 会同样记录响应数据包，并生成响应的承诺值。这些响应的承诺值也会被上链存证，确保响应的内容与预期一致。通过这种方式，系统可以验证响应是否在传输过程中被篡改，从而进一步保障了数据的完整性和可信度。

在会话结束后，Client 会基于所有加密记录生成零知识证明（ZKP），该证明能够使任何第三方验证 TLS 会话 中 系统提示词 的一致性，而无需暴露提示词的具体内容或其他敏感信息。这种方式既有效保护了提示词的隐私，又确保了在整个通信过程中系统提示词未被篡改。

生成的零知识证明随后会提交至链上智能合约，由 Zytron 引擎 进行验证。通过这一验证过程，能够确认提示内容是否未被篡改，以及 LLM 模型 是否按预定行为执行。如果提示内容被篡改或执行行为不符合最初设定，验证将失败，从而及时识别并防范任何不合规或潜在的风险。

Zypher 的 Zytron 引擎为 Prompt 的可靠性提供了强有力的保障，确保 LLM 模型 始终按照预期运行，避免了外部干扰或篡改带来的风险。这一验证机制不仅增强了系统的可信度，还为 zkPrompt 方案提供了重要的安全防护，使得在高合规性领域的应用能够更加稳健。

从特点上来看，zkPrompt 能确保 LLM ：

• 数据隐私：用户可以验证提示的正确性，而无需看到或了解系统提示的具体内容，保护提示的敏感性。

• 可信性与透明度：通过零知识证明，用户可以信任 AI 的行为未被恶意篡改。

• 分布式验证：任何用户或第三方都可以通过验证过程确认提示和模型的一致性，而不依赖于中心化实体。

以 zkPrompt 为基础，其不仅能够保证 Prompt 的可信性，同时还能进一步向 Proof of Inference 延伸，同样能够确保 LLM 的推理过程是可信的，推理结果是基于合法输入生成的。

值得一提的是，Zypher Network 的 zkPrompt 以易用的 SDK 形式呈现，其核心依托于一套先进的加密方案，包括强加密、Pedersen 承诺 和 zkSnarks（Plonk） 等加密原语。针对不同特点的 LLM 模型，Zypher 能够灵活适配不同的零知识方案，确保为每种 LLM 提供最优的效果。

除了 zkPrompt 外，Zypher Network 基于 ZKP 方案还首创性的提出了 zkInference 框架，该框架利用零知识证明算法，确保 AI Agent 严格遵循预定规则或 AI 模型操作，保证它们的决策过程符合公平、准确和安全的原则，该框架使得 AI Agent 的行为可以得到验证，而无需暴露底层模型或数据。因此，zkInference 有效地防止了多个AI代理之间的合谋和恶意行为，保障了包括 Web3 游戏、AI Agent 等一系列场景的公平性和安全性。

zkInference 框架更适合轻量化、需要执行基础性以及确定性任务的模型，比如 Web3 游戏中的 AI 机器人等用例。

整体而言，zkInference 框架的整体特点可以总结为：

• 可验证性：利用零知识证明技术验证 AI Agent 行为，而无需暴露底层模型或数据。

• 反合谋：有效防止不同 AI Agent 之间的合谋，确保公平的游戏体验。

• 无限计算能力：提供去中心化的矿池市场，为可验证的 AI Agent 提供无限的计算资源。

Alpha Girl 是基于 Zypher 的 Proof of Prompt 框架的首个无信任多模态 AI 代理，旨在通过实时市场数据对比特币的市场行为进行预测，并做出智能预测和决策。作为一个前沿的 AI 解决方案，Alpha Girl 利用先进的算法和数据分析，帮助用户更好地理解和预测市场趋势 。该 AI 代理由知名的 Prompt Engineer 团队经过 3 个月的深度开发，面向市场推出，目前其首批支持比特币价格的预测。根据实测，Alpha Girl 的趋势预测准确度高达 72%，相比于持币待涨策略，其提供的策略能够带来 25% 的超额回报。

通过集成 Zypher Network 的 zkPrompt 方案，Alpha Girl 的 AI 代理模型能够确保其使用的系统提示词在不透露任何底层数据的前提下，保持一致性和正确性，确保每次预测的透明性与可靠性，从而保证了预测结果与预期的高匹配度。

作为可信 AI 代理的早期示例，Alpha Girl 展示了如何通过 Zypher Network 提供的技术，确保预测过程的透明性与可验证性。Zypher Network 有望为加密货币市场中的预测工具提供保障，也为同类 AI 代理在隐私保护和数据安全方面设立了标杆。

Zypher Network 在链上游戏领域也有所实践。 目前其推出了 Game Engine 组件，开发的游戏代理利用智能合约来进行游戏操作，并基于 zkPrompt 来确保不同玩家之间的行为公正性。

在该游戏引擎中，开发人员能够使用诸如 Cocos Creator、Unity 、Unreal 等原生游戏引擎来低门槛创建链上游戏。在这些工具的支持下，游戏的核心状态管理得以实现，通过与去中心化数据管理层的接口，确保游戏状态的实时更新和验证。游戏状态管理包括输入的数据、生成的内容以及测试结果等，所有这些内容都会经过生成内容代理、游戏测试代理等多个 AI Agent 的处理，以优化游戏体验并确保数据的准确性。

游戏的数据输入、生成的内容以及测试反馈将被传送到去中心化的游戏数据管理和存储层。在这一层中，数据将被用于支持游戏逻辑的执行，并通过与 zkPrompt 集成的 ZK Game SDK 进行零知识证明验证，以确保数据的不可篡改性与真实性。同时，基于去中心化证明协议，游戏的数据通过加密矿池处理和提交，由区块链网络进行验证，确保所有游戏操作都可以公开透明且安全地记录。

该技术栈进一步结合了优化资源层，用于提供计算和存储资源的优化，使得所有参与的AI代理（如内容生成代理、游戏测试代理和数据洞察代理）都能高效协作。最终，这一系统不仅提供了游戏开发所需的高效计算能力，还通过去中心化的验证机制确保了每个游戏操作的透明度和公正性，避免了任何篡改或不公正的行为。

此外，代理玩家还可以在 “LP” 结构下进行质押，并与其他质押者共享游戏收益即游戏挖矿。这不仅使游戏支持跨平台运行（包括手机和电脑端），还通过 LP 结构 的收益共享机制，为玩家提供了更多的盈利机会，通过与 LP 的合作，玩家能够进一步增加自己的收益。目前，基于该 Game Engine 组件推出的游戏包括 Protect T-RUMP、Zombie Survival 以及 Big Whale 等数十款游戏。

现阶段，Zypher 的 zkPrompt 方案也正在向更多领域尝试探索，以进一步通过隐私、可信的方式推动 LLM 以及 AI Agent 等在更多领域的规模性采用。

总体而言，AI 领域仍处于发展初期，尽管 LLM 和 AI Agent 等应用已取得初步进展，但仍处于探索阶段，面临诸多挑战。黑盒特性所导致的缺乏可信性和可验证性，正在成为制约其进一步发展的主要瓶颈之一。Zypher Network 提出的系列方案正逐步成为破解这一困局的关键，其不仅为 LLM 和 AI Agent 等采用提供了一个可信的框架，也为其在更广泛行业中的应用铺平了道路。该方案有望显著提升 AI 系统的可靠性和透明度，同时也将为 AI 领域的广泛应用奠定坚实的信任基础。

Zypher Network 提出的系列方案正逐步成为破解这一困局的关键，其不仅为 LLM 和 AI Agent 等采用提供了一个可信的框架，也为其在更广泛行业中的应用铺平了道路。

像 ChatGPT、DeepSeek、Grok 等大型语言模型（LLM, Large Language Model）已成为近年来最为普遍的 AI 应用示例。聚焦于 LLM 本身，其通常指利用深度学习技术方案，在大规模文本数据上训练而成的一类自然语言处理模型，具备强大的语言理解与生成能力，广泛应用于文本创作、翻译、对话交互、问答等场景。LLM 不仅能直接面向 C 端用户提供服务，绝大多数 LLM 服务商（如 OpenAI 等）也可通过 API 接口对外开放模型能力，使其在更广泛的场景中发挥作用。例如，物联网设备、智能汽车系统等可集成 LLM API，实现更智能的交互体验，为用户提供更高效、自然的 AI 驱动服务。

事实上，普遍而言 LLM 模型本身具备高复杂度性、商业封闭性、数据不可见性以及深度学习模型的固有不可解释性等系列特点，所以当 LLM 服务商向用户提供 API 服务时，其内部模型的运作逻辑通常是不可见的。整个模型对外呈现为一个完全的黑盒系统，即用户只能通过 API 发送请求并获取响应，而无法直接访问或理解其内部的具体计算过程、参数权重或训练机制。

这种普遍的 “黑盒特性” 正在使得用户在使用大模型或集成 API 时，会面临两个潜在的核心问题：

一个是一致性问题。

系统提示词是由开发者提供的，其直接影响模型行为，比如模型可能会因为某些提示词偏好导致模型的最终推理带有一定的指向性，进而左右推理结果。

同样，用户每次进行 API 调用时，通常无法验证实际使用的系统提示词是否被篡改，可能会导致模型行为偏离预期。

一个是隐私性问题。

系统提示词通常会包含高度敏感的商业信息，比如定价策略、风控规则、内部流程等，这些提示词通常涉及企业的核心竞争力，因此开发者不愿公开。

现阶段虽然 TLS（Transport Layer Security） 方案被用于保障数据在传输过程中的加密，即确保数据不会被窃听或篡改，但 TLS 无法证明服务器端实际执行的系统提示词是否被篡改。这意味着，即使 API 通信是安全的，用户依然无法验证 LLM 使用的提示词是否与开发者所承诺的一致。如果开发者希望向第三方或合作伙伴证明他们的相关 AI 服务是可信的，通常还需要一种机制来保证系统提示词的完整性，而传统的 TLS 无法提供这种能力，这也使得大多数 LLM 都不具备保证提示词可信性的能力。

正因如此，LLM 在金融、医疗等对合规性、隐私和安全性要求较高的场景中的应用，面临一定的局限性。**随着 Zypher Network 推出了以 zkTLS 技术为核心的 zkPrompt 方案，有望成为突破瓶颈的关键。**该方案不仅能够基于 ZK 方案有效保护系统提示词的隐私，还能验证每次 API 调用中系统提示词的一致性，这将有助于推动 LLM 在更多行业领域的广泛应用起到至关重要的作用。

Zypher Network 是一套以 ZK 技术为核心的协处理设施，旨在为所有需要零知识证明的应用场景和设施提供 ZK 服务。Zypher Network 系统由一个由分布式计算节点构成的链下计算网络和一个链上引擎 Zytron 组成。当 Zypher 网络中出现零知识计算任务时，系统会将计算任务委派给计算矿工并生成 ZKP。该 ZKP 可以在链上进行验证，确保数据、交易、行为等的可信度和诚实性。与此同时，分布式计算网络不仅显著降低了系统的计算成本，还赋予了网络卓越的可扩展计算能力。

在此基础上，**Zypher Network 推出了专为 LLM 服务的 zkPrompt 方案，进一步拓展为 AI 领域重要的可信和隐私基础设施。**zkPrompt 方案以其独特的 zkTLS 技术为核心，通过将传统 TLS 协议与 ZK 技术相结合，使得用户能够在不暴露敏感数据的前提下验证数据的真实性。这一创新有效弥补了传统 TLS 在数据证明能力上的不足，在保证隐私的前提下为 AI 的运行提供了更高的可信度。

TLS（Transport Layer Security） 是一种广泛应用的加密协议，旨在保障计算机网络中数据传输的安全性。通过对传输中的数据进行加密和验证，TLS 可以有效防止数据在传输过程中被窃取、篡改或伪造，其通常应用于各种互联网通信场景，如网页浏览、电子邮件和即时消息等，以确保通信双方的隐私和数据完整性。

TLS 协议的基本原理结合了对称加密和非对称加密：通信双方首先通过非对称加密进行身份验证，并交换加密密钥，接着使用对称加密对数据进行加密，从而提高加密效率。与此同时，TLS 还使用消息认证码（MAC）来验证数据的完整性，确保数据在传输过程中未被篡改或损坏。

在 LLM 的应用中，客户端与服务器之间的 API 调用过程中，通常是基于 TLS 加密协议，以确保 LLM 的 API 服务能够确保数据在传输过程中的安全性，防止数据被窃取或篡改，从而保障模型在处理用户请求时的隐私性和完整性。这使得 LLM 在处理敏感信息时具备了基本的安全防护，确保了通信的机密性。当然，其局限性我们上文有所讨论就不在赘述。

而将密码学方案与 TLS 加密协议进行组合，有望能够改善 LLM 模型所面临的一致性与隐私等问题。事实上，零知识证明是本身是一个不错的方案，其允许一方 (证明者) 向另一方 (验证者) 证明一个陈述是真实的，而不揭示任何额外信息，虽然 TLS 协议可以保证数据传输的完整性和保密性，但难以向第三方提供这些数据的完整性和真实性的证明，因此借助 ZK 方案，可以在保护隐私的同时向第三方证明数据的完整性和真实性。

当然为了实现上述目标，zkTLS 通常会引入一个可信第三方 (通常称为 Verifier 或 Notary)，该可信第三方可以在不损害原始连接安全性的情况下，对交互进行验证。而目前，根据现的技术路线不同，zkTLS 主要分为三种模式包括：

• 基于TEE模式：TLS协议安全的运行在TEE中，并由TEE提供会话内容证明。

• 基于MPC模式：通常采用 2-MPC 模型，即引入一个 Verifier。在这种模式下，prover 和 verifier 通过MPC共同生成会话密钥，这个会话密钥相当于分成两部分，分别由双方持有，最后prover可以选择性披露一些信息给 verifier。

• 基于代理模式：代理 ( Verifier ) 充当客户端和服务器之间的中介，负责转发并验证双方在通信过程中交换的加密数据。

Zypher Network 本身包含了一个可拓展且成本低廉链下的计算网络，与此同时其还包含了一个链上 AI 引擎 Zytron，该引擎不仅部署了大量的预编译合约，同时也搭建了一套分片化、专门用于执行合约验证的 P2P 链上通信节点网络。通过对 P2P 网络进行连接，确保各节点能够直接高效地通信。这种方式能够有效减少了中间传输的环节，使得数据传递更加迅速。并且节点之间的通信和地址定位使用了 Kademlia 算法，这种结构化设计使得节点在寻找和联系其他节点时更加快捷和精准。

而在执行上，Zytron 还根据 Kademlia 算法中定义的节点距离规则，对合约的执行过程进行分片。这意味着合约的不同部分会根据节点间的距离被分配到不同的网络节点上执行。这种基于距离的分配方式，有助于在 Zytron 网络中均匀地分布计算负载，进而提高整个系统的速度和效率。

那么得益于性能与成本优势，Zypher Network 在 zkPrompt 中采用了基于代理模式的 zkTLS实现，与其他模式相比，代理模式不仅避免了多方计算协议所带来的额外计算开销，同时也规避了 TEE 相关的硬件成本。

聚焦于 zkPrompt 方案本身， 在其代理模式中，验证者充当客户端和大模型服务器之间的中介，负责转发 TLS 流量并记录双方交换的所有密文数据。在会话结束时，在链下计算网络的支持下，客户端基于记录的密文生成 ZKP，使得任何第三方均能验证该 TLS 会话中系统提示词的一致性，而无需暴露提示词内容或任何敏感信息。

在开始任何交互之前，Client 对系统提示词进行承诺，即系统提示词通过加密进行处理，并生成一个承诺值，该承诺值被存储在区块链上，从而保证该提示词在后续操作中不可篡改。这个承诺值作为一种证明，确保系统提示词始终如一，不会在后续的交互中发生变化。

当 Client 通过 Proxy 向 LLM 大模型 发送请求时，Proxy 充当了客户端和服务器之间的中介角色。它不仅负责转发 TLS 流量，还会记录双方交换的所有加密数据包。

在此过程中，Proxy 会生成一个请求的承诺值，并将其存证到链上，确保每个请求数据包的完整性和一致性。这一过程的目的是确保请求的数据和系统提示词不被篡改。

LLM 服务返回响应时，Proxy 会同样记录响应数据包，并生成响应的承诺值。这些响应的承诺值也会被上链存证，确保响应的内容与预期一致。通过这种方式，系统可以验证响应是否在传输过程中被篡改，从而进一步保障了数据的完整性和可信度。

在会话结束后，Client 会基于所有加密记录生成零知识证明（ZKP），该证明能够使任何第三方验证 TLS 会话 中 系统提示词 的一致性，而无需暴露提示词的具体内容或其他敏感信息。这种方式既有效保护了提示词的隐私，又确保了在整个通信过程中系统提示词未被篡改。

生成的零知识证明随后会提交至链上智能合约，由 Zytron 引擎 进行验证。通过这一验证过程，能够确认提示内容是否未被篡改，以及 LLM 模型 是否按预定行为执行。如果提示内容被篡改或执行行为不符合最初设定，验证将失败，从而及时识别并防范任何不合规或潜在的风险。

Zypher 的 Zytron 引擎为 Prompt 的可靠性提供了强有力的保障，确保 LLM 模型 始终按照预期运行，避免了外部干扰或篡改带来的风险。这一验证机制不仅增强了系统的可信度，还为 zkPrompt 方案提供了重要的安全防护，使得在高合规性领域的应用能够更加稳健。

从特点上来看，zkPrompt 能确保 LLM ：

• 数据隐私：用户可以验证提示的正确性，而无需看到或了解系统提示的具体内容，保护提示的敏感性。

• 可信性与透明度：通过零知识证明，用户可以信任 AI 的行为未被恶意篡改。

• 分布式验证：任何用户或第三方都可以通过验证过程确认提示和模型的一致性，而不依赖于中心化实体。

以 zkPrompt 为基础，其不仅能够保证 Prompt 的可信性，同时还能进一步向 Proof of Inference 延伸，同样能够确保 LLM 的推理过程是可信的，推理结果是基于合法输入生成的。

值得一提的是，Zypher Network 的 zkPrompt 以易用的 SDK 形式呈现，其核心依托于一套先进的加密方案，包括强加密、Pedersen 承诺 和 zkSnarks（Plonk） 等加密原语。针对不同特点的 LLM 模型，Zypher 能够灵活适配不同的零知识方案，确保为每种 LLM 提供最优的效果。

除了 zkPrompt 外，Zypher Network 基于 ZKP 方案还首创性的提出了 zkInference 框架，该框架利用零知识证明算法，确保 AI Agent 严格遵循预定规则或 AI 模型操作，保证它们的决策过程符合公平、准确和安全的原则，该框架使得 AI Agent 的行为可以得到验证，而无需暴露底层模型或数据。因此，zkInference 有效地防止了多个AI代理之间的合谋和恶意行为，保障了包括 Web3 游戏、AI Agent 等一系列场景的公平性和安全性。

zkInference 框架更适合轻量化、需要执行基础性以及确定性任务的模型，比如 Web3 游戏中的 AI 机器人等用例。

整体而言，zkInference 框架的整体特点可以总结为：

• 可验证性：利用零知识证明技术验证 AI Agent 行为，而无需暴露底层模型或数据。

• 反合谋：有效防止不同 AI Agent 之间的合谋，确保公平的游戏体验。

• 无限计算能力：提供去中心化的矿池市场，为可验证的 AI Agent 提供无限的计算资源。

Alpha Girl 是基于 Zypher 的 Proof of Prompt 框架的首个无信任多模态 AI 代理，旨在通过实时市场数据对比特币的市场行为进行预测，并做出智能预测和决策。作为一个前沿的 AI 解决方案，Alpha Girl 利用先进的算法和数据分析，帮助用户更好地理解和预测市场趋势 。该 AI 代理由知名的 Prompt Engineer 团队经过 3 个月的深度开发，面向市场推出，目前其首批支持比特币价格的预测。根据实测，Alpha Girl 的趋势预测准确度高达 72%，相比于持币待涨策略，其提供的策略能够带来 25% 的超额回报。

通过集成 Zypher Network 的 zkPrompt 方案，Alpha Girl 的 AI 代理模型能够确保其使用的系统提示词在不透露任何底层数据的前提下，保持一致性和正确性，确保每次预测的透明性与可靠性，从而保证了预测结果与预期的高匹配度。

作为可信 AI 代理的早期示例，Alpha Girl 展示了如何通过 Zypher Network 提供的技术，确保预测过程的透明性与可验证性。Zypher Network 有望为加密货币市场中的预测工具提供保障，也为同类 AI 代理在隐私保护和数据安全方面设立了标杆。

Zypher Network 在链上游戏领域也有所实践。 目前其推出了 Game Engine 组件，开发的游戏代理利用智能合约来进行游戏操作，并基于 zkPrompt 来确保不同玩家之间的行为公正性。

在该游戏引擎中，开发人员能够使用诸如 Cocos Creator、Unity 、Unreal 等原生游戏引擎来低门槛创建链上游戏。在这些工具的支持下，游戏的核心状态管理得以实现，通过与去中心化数据管理层的接口，确保游戏状态的实时更新和验证。游戏状态管理包括输入的数据、生成的内容以及测试结果等，所有这些内容都会经过生成内容代理、游戏测试代理等多个 AI Agent 的处理，以优化游戏体验并确保数据的准确性。

游戏的数据输入、生成的内容以及测试反馈将被传送到去中心化的游戏数据管理和存储层。在这一层中，数据将被用于支持游戏逻辑的执行，并通过与 zkPrompt 集成的 ZK Game SDK 进行零知识证明验证，以确保数据的不可篡改性与真实性。同时，基于去中心化证明协议，游戏的数据通过加密矿池处理和提交，由区块链网络进行验证，确保所有游戏操作都可以公开透明且安全地记录。

该技术栈进一步结合了优化资源层，用于提供计算和存储资源的优化，使得所有参与的AI代理（如内容生成代理、游戏测试代理和数据洞察代理）都能高效协作。最终，这一系统不仅提供了游戏开发所需的高效计算能力，还通过去中心化的验证机制确保了每个游戏操作的透明度和公正性，避免了任何篡改或不公正的行为。

此外，代理玩家还可以在 “LP” 结构下进行质押，并与其他质押者共享游戏收益即游戏挖矿。这不仅使游戏支持跨平台运行（包括手机和电脑端），还通过 LP 结构 的收益共享机制，为玩家提供了更多的盈利机会，通过与 LP 的合作，玩家能够进一步增加自己的收益。目前，基于该 Game Engine 组件推出的游戏包括 Protect T-RUMP、Zombie Survival 以及 Big Whale 等数十款游戏。

现阶段，Zypher 的 zkPrompt 方案也正在向更多领域尝试探索，以进一步通过隐私、可信的方式推动 LLM 以及 AI Agent 等在更多领域的规模性采用。

总体而言，AI 领域仍处于发展初期，尽管 LLM 和 AI Agent 等应用已取得初步进展，但仍处于探索阶段，面临诸多挑战。黑盒特性所导致的缺乏可信性和可验证性，正在成为制约其进一步发展的主要瓶颈之一。Zypher Network 提出的系列方案正逐步成为破解这一困局的关键，其不仅为 LLM 和 AI Agent 等采用提供了一个可信的框架，也为其在更广泛行业中的应用铺平了道路。该方案有望显著提升 AI 系统的可靠性和透明度，同时也将为 AI 领域的广泛应用奠定坚实的信任基础。