Superlinked工程师Filip Makraduli演示本地AI工作流：用MCP和小型模型处理敏感文档
在2026年10月11日发布的视频中，Superlinked的Filip Makraduli展示了一种将Obsidian知识库转化为本地AI工程环境的工作流。该方案利用MCP集成和Superlinked推理引擎，通过小型开源模型在团队控制的基础设施上执行OCR、摘要和脱敏等文档预处理任务，从而减少向大型模型发送原始敏感数据的成本与风险。视频详细讲解了主机、MCP服务器和GPU工作池的配置，并探讨了隐私边界是否真正有效的问题。
对于需要在本地环境中处理敏感文档的AI工程师而言，如何在保护隐私的同时降低对大型云端模型的依赖是一个实际挑战。Superlinked的Filip Makraduli在2026年10月11日发布的一段视频中，演示了一种基于Obsidian知识库、MCP（Model Context Protocol）集成以及Superlinked推理引擎的工作流架构。
该工作流的核心思路是将文档预处理任务从编码代理中卸载出来。Makraduli展示了如何使用小型开源模型在团队自有的GPU基础设施上执行OCR、摘要生成、问答和脱敏操作。例如，一份扫描的保密协议（NDA）会先被转换为经过脱敏处理的Markdown文档，然后才供编码代理使用。这种方法避免了将每一页原始图像或文本直接发送给昂贵且可能不合规的大型模型，而是返回一个更小、更安全的工件供代理后续处理。
视频进一步剖析了支撑这一流程的基础设施组件，包括主机、MCP服务器和GPU工作池。Makraduli解释了这些选择如何与嵌入、重排序、特定任务的LoRA微调以及模型路由相结合，以优化资源利用率。他还现场演示了一个练习：从一个包含合成文件的收件箱开始，让代理通过配置的工具处理文档。
值得注意的是，讨论并未回避隐私声明的局限性。视频最后探讨了如果代理在调用工具前能够访问原始文件，仅靠指令约束可能存在的安全缺口。这一部分为读者提供了关于分离文件访问权限与处理逻辑、运行私有集群以及验证安全边界是否真正有效的具体思考方向。