随着本地小语言模型（SLM）与能力更强的云端大语言模型（LLM）协作日益普遍，一个自然的隐私问题浮现：本地 SLM 能否在获得云端 LLM 指导的同时保护用户隐私？现有隐私保护 SLM-LLM 框架主要隐藏敏感数值而保留任务语义，但任务语义本身仍会泄露用户意图。例如，跨医院分配稀缺医疗物资可能暗示公共卫生紧急事件，再平衡投资组合可能暴露私人投资策略，即便姓名与数值已被隐藏。近期基于诱饵（decoy）的方法把真实请求混入候选中以掩盖意图，但更强保护依赖更多诱饵或语义抽象，会推高开销或造成效用损失。更根本的是，现有工作没有系统刻画私有任务意图的组成，以及各组成部分应如何被保护。本文提出 task-private consultation 这一设定，将任务意图拆解为两个组成部分：任务上下文（task context）与任务操作（task operation）。作者称这是首个系统研究这两部分及其单独与联合保护的工作，面向本地-云端 SLM-LLM 咨询场景。为落地该设定，作者提出 PriCon 端到端框架，通过可恢复的数学重构（recoverable mathematical reformulation）直接变换任务本身，而非把任务藏在候选中；并设计本地闭环细化机制，在咨询全过程中维持隐私性与可恢复性。在 100 个任务上的实验显示，PriCon 将云端侧任务意图推断 Hit@1 降至接近 0%，而仅移除敏感值的方法为 93-99%，基于诱饵的保护为 3-30%，同时保持云端辅助效用。适合隐私保护机器学习、分布式/边缘推理、LLM 协作安全与合规审计方向的研究者与工程师阅读。