本文提出了 ProxyDrift 框架，用于在大型语言模型（LLM）应用的大规模部署中，在不接触原始用户数据的前提下进行数据漂移检测与评估集恢复。核心问题在于：隐私约束使得无法直接检查用户交互，从而难以获得代表性评估数据集或跟踪生产流量的持续演化。ProxyDrift 完全基于非 PII（个人身份信息）的代理表示运行，这些代理表示是从 LLM 对用户交互进行分类而得到的结构化多维描述符。框架包含四个关键组件：(1) 机会校准且冗余感知（RA）的对齐分数，通过互信息聚合各维度的漂移测量结果；(2) 条件采样器，生成尊重维度间依赖关系的合成代理数据；(3) 往返一致性分析，暴露生成器与分类器之间的分歧并引导代理分类法的改进；(4) 反馈关联分析，将各维度和各取值的代理分布与用户满意度联系起来，揭示可操作的失败与成功模式。该系统已服务数亿用户，实现了连续漂移监控和定向合成数据生成，且不暴露敏感用户数据。实验结果表明：往返一致性较强，合成查询与人工查询在判别器层面难以区分，端到端对齐分数（RA~0.9）与生产流量紧密匹配。本文主要面向 LLM 应用运维、隐私保护机器学习以及模型评估与监控方向的研究人员和工程师。