我们提出了Urania，这是一种用于生成大语言模型（LLM）聊天机器人交互洞察的新颖框架，该框架在严格的差分隐私（Differential Privacy, DP）保障下运行。该框架采用私有聚类机制，并结合创新的关键词提取方法，包括基于频率、TF-IDF以及由LLM引导的多种策略。通过利用差分隐私工具，如聚类、分区选择和基于直方图的摘要技术，Urania实现了端到端的隐私保护。我们的评估从词汇与语义内容保留、对话对之间的相似性以及基于LLM的指标等多个维度展开，并与一个非私有的、受Clio启发的流水线（Tamkin等，2024）进行对比。此外，我们设计了一种简明的实证隐私评估方法，验证了本DP流水线在隐私鲁棒性方面的显著提升。实验结果表明，该框架能够在严格保护用户隐私的前提下，有效提取具有实际意义的对话洞察，实现了数据效用与隐私保护之间的良好平衡。