像 AI 那样审计你自己的发帖历史（2026）

关于资金：CypherpunkGuide 不投放监控型广告——没有广告网络，没有跟踪像素，也没有软文。运营依靠透明的资金来源：现阶段是读者捐赠，将来会加入订阅以及符合编辑方针的联盟推广。我们面向读者，而非广告主。下文提到的那款审计工具是免费且开源的。

我用化名写作。本文的姊妹篇AI 去匿名化：推断如何瓦解你的匿名讲的是模型怎样把散落的帖子拼成一个名字，以及今后该如何把身份分隔开。这一篇要谈的，是预防管不到的另一半：你已经发出去、积了好几年的帖子。这份存档此刻就摆在公开的地方，而它恰恰就是攻击者会去读的那份语料。该问的不是"我从现在起会怎样谨慎发帖"，而是"我过去说过的这一切，加在一起到底意味着什么"——要知道答案，唯一的办法就是用机器的眼光去看它。

好消息是，你做得到。你自己的数据导出，只有你才拉得出来；而像攻击者那样去读它，是一门可以学会的本事，并非什么秘技。坏消息是，最顺手的那种读法——粘进一个 AI，问它"这暴露了我什么？"——恰恰也最可能把事情弄得更糟。原因后面再说。先说一件你置身自己的时间线之中、永远察觉不到的事。

那幅拼图，正是你察觉不到的部分

#

**真正的危险不是某一条不慎的帖子，而是它们的总和。身份的重新识别，靠的是把许多单看都无害的信号一层层叠起来——一段通勤、一个俚语词、一个时间戳——直到它们交汇到同一个人身上。这就是"马赛克效应"（许多无害的碎片拼合起来，便显出完整的图像），而你置身于自己的信息流之中，根本察觉不到它，因为每一块碎片单看都无伤大雅。**这套手法很老了。2000 年，Latanya Sweeney 证明：仅凭三项公开信息——邮编、性别、出生日期——就足以一一锁定约 87% 的美国人（数据取自 1990 年人口普查；2006 年的一次重新分析把这个比例修正到约 63%，但无论哪个数字，规律都成立）。2006 年，《纽约时报》一名记者仅凭检索日志，就点出了一名"匿名"AOL 搜索用户的真实身份；2008 年，研究者把 Netflix “匿名化"的评分与公开的 IMDb 影评交叉比对，重新认出了它的用户。这些都没用到 AI，靠的全是信息聚合。

AI 改变的，是价格。在一项发表于 ICLR 2024 的同行评审研究《Beyond Memorization》里，ETH Zurich 的研究者证明：现成的模型能从寻常的 Reddit 文本里推断出位置、职业、性别、收入这类属性，八项属性平均下来的 top-1 准确率约为 85%（不同属性之间差异很大），代价却比人工调查员便宜约 100 倍、快约 240 倍。更新的研究把这件事产业化了：AutoProfiler（Du 等，ACL 2026）跑的是一条四智能体流水线——它经由平台 API 抓取一个化名账号的发帖历史，自动拼出一份档案，“以全网规模"运转。要害不在于哪一条帖子单独就把你起了底，而在于：机器如今耗得起这份功夫，把全部帖子凑在一起读，看出那个你永远看不出的交汇点。

在 X 上，泄露的往往不是文字

#

**在 Reddit 上，那幅拼图大多由文字拼成；在 X 上，它大多由元数据拼成——而"只盯文字"的思维方式，是一种危险的自我安慰。你自己填的位置字段、你的发帖时段、你照片里的 EXIF（照片内嵌的拍摄元数据）、你贴出去的外链、以及你回复了谁，往往比你真正写下的任何文字都更说明问题。**一个化名账号可以对自己的字句小心翼翼，却仍然从字句周围那些附带信息里露了底。发帖时段扎堆是最清楚的例子：如果你那个"匿名"账号总是按上班时间活动，那么你发帖时刻的分布，就悄悄交出了你的时区，连同你一天里醒着的那段作息。

照片比人们以为的更糟，而且分两层。多数平台会把公开上传图片里的 EXIF GPS 信息剥掉——但并非每条路径都剥（私信、某些 API 和定时发布工具、以及聊天的"文件"模式，都可能把它保留下来），所以较早发布的图片视频值得回头查一遍。再者，哪怕 GPS 标签已经没了，画面本身也会暴露地点：2024 年的一项研究《Image-Based Geolocation Using Large Vision-Language Models》发现，视觉语言模型仅凭图像内容就能给照片定位——在五万张图片的 GeoGuessr 式比拼中，胜出率达 85.37%，有时能精确到 0.3 公里以内。剥掉元数据是必需的，但这还不是全部功课。

像对手那样，去读你自己的历史

#

**这场审计是一次刻意的反转：别再像一个追忆往昔的人那样读你的时间线，而要像一个正在搜寻猎物的陌生人那样读它。拉取你完整的数据导出，然后一类一类地过，问的不是"这条丢不丢人”，而是"这条把我锁定得更准了多少”。**你可以向 Reddit 申请你的数据（设置 → 隐私 → 申请一份副本），也可以向 X 申请（设置 → 你的账号 → 下载存档）。两者给你的都是一份结构化的文件，可以离线阅读。然后照着下面这些类别去逐项排查——而且要掂量那些微弱的信号，不只是那些显眼的，因为那幅拼图正是由微弱信号搭起来的。

一个有用的原则：判断每一处发现，要看它对风险的贡献，而不是看它单独拿出来时显得多么暴露。有二十八条帖子各自都提到某个街区地标，这远比仅有一条帖子点过一次你雇主的名字更麻烦，因为那二十八条会彼此交汇。要去找那些成簇出现、前后一致的东西——同一个账号名、同一套口头禅、同一个早上七点的发帖时段——因为一致性，正是后面"搜索并比对"那一步用来找到接合点的线索。

这场隐私审计，反倒会把你去匿名化

#

**这里有个陷阱，而几乎没人点破它。要审计自己的历史，最顺手的办法就是把它粘进一个能力很强的 AI，问它暴露了什么。可是，如果你要检查的那个账号，是你刻意与法律真名隔开的一个化名——而你求问的那个 AI，登录的又是你的真实身份——那你刚刚就把你本想隔开的那条关联的两端，一并交给了同一家公司。审计本身，反倒成了那道泄露。**好好想一想。一家云服务商如今在你的真名账号之下，握有你那个"匿名"人格的完整发帖历史，还附带一条提示词，明明白白地问这两者是怎么连上的。这条关联，日后可能因一纸传票、一次数据泄露、或一名内部人员而浮出水面——正是你做这场审计本想预防的那种失败，只不过这回是你亲手造成的。

这并不意味着云端 AI 一概碰不得。风险是有条件的。如果你审计的是自己的真名公开账号，那就没有任何匿名身份会暴露，去匿名化的风险也就无从谈起——不过，把一份完整导出发给任何云服务，仍然意味着第三方会按它自己的条款处理这些内容，所以先看清你这份导出里都有些什么。真正棘手的危险，专出在匿名账号配上真名 AI 账号这一组合上。碰到这种情形，就把分析留在别人看不到的地方。

这场审计真正干净的做法，是在本地完成：用一款开源、本地优先的工具解析你的导出，按类别报告它泄露了什么——全程不把你的帖子发往任何地方，也不会把一份关于你的档案写进磁盘。（我正是为此做了一款；发布后会把链接放在这里。）如果你非得在一个敏感账号上用云端模型，那就在其条款允许的范围内，挑一家从产品设计上就支持加密货币付款、且几乎不需要暴露身份的服务，而不是那个绑着你真名和银行卡的主流账号。截至 2026 年 6 月，比如 OpenRouter 提供一个兼容 OpenAI 的 API，可用 USDC 付款，注册只需一个邮箱或一个钱包；Venice 主打隐私，提供一条无需账号、按次用加密货币付款的路径和一个兼容 OpenAI 的 API——两者都能直接接到本工具的云端选项上。但这些都算不上真正的匿名：钱包、邮箱、网络元数据仍可能留下痕迹，你的提示词依然会送到第三方手里（若用 OpenRouter 这样的中转，还会送到它背后的模型供应商），而且这些隐私说法大多是厂商自述，并未经过第三方审计。请查清每家服务的现行条款——并记住，唯一什么都不外发的做法，终究是在本地运行。

拿你找到的东西，该怎么办

#

**忍住一删了之的冲动。删掉一条帖子，很少能删掉那个暴露你的模式；而且删除并不等于抹除：存档、搜索缓存、截图、以及别人手里的副本，在你按下按钮之后还会留存很久。**更见效的一招，是把那些贡献最大的条目泛化、改写——把"我家附近那班 8:07 的渡轮"改成"我的通勤"——再改变你从今往后发布的内容。想完整了解一次删除之后究竟还有什么会留下来，见社交媒体数字足迹有多持久？；至于预防那一侧——把各个身份分隔开，让那幅拼图无处可拼——操作手册在AI 去匿名化里，而如何更全面地重建这些前提假设，则在AI 时代的 OPSEC中给出。

有必要老实说说它的局限。一场针对你自己导出的审计，是一道闭集练习：它只看得见你提供的那部分，看不到对手所凭借的那个开放世界——数据掮客（买卖个人数据的公司）、各种泄露、那张回复关系图、你在各个平台间一致的行文风格。2025 年一项针对 240 人的研究（Wang 等）发现：用户判断自己的哪些片段有风险，仅仅比随机猜略好一点；而他们的改写，只在 28% 的情形里真正降低了推断。所以，把这场审计当作风险的降低，而非一张健康证明——并且在你改完之后再查一遍，因为分数降下来，是一处改动确实奏效的唯一证据。

这件事，对谁最要紧

#

**抗推断能力，对多数人是数据基本功，对某些人却关乎人身安全。这种事后的审计，对那些对手早有动机去寻找的人最要紧。**以骚扰为目的的人肉／起底（doxxing）、冒名顶替、以及伪造的影像，落在女性身上的比例格外高；而同一种事后暴露，也威胁着遭受虐待的幸存者、身处敌意环境中的 LGBTQ 群体、异见者、以及记者的消息源——也就是任何这样一种人：一条被遗忘的旧帖，对他如今正构成实实在在的风险。主播是怎样被人肉的里那些案例，把这套模式摆在了明处；如果那正是你的威胁模型，那么这场审计就不是可有可无的整理，而是你该排进日程的例行维护。

常见问题

#

我该怎样拿到要审计的 Reddit 和 X 发帖历史？

#

向每个平台各申请一份导出。在 Reddit 上：设置 → 隐私与安全 → “申请一份你的数据副本”，你会拿到 CSV 格式的评论和帖子文件。在 X 上：设置 → 你的账号 → “下载一份你的数据存档”，你会得到一个文件夹，里面有 tweets.js、account.js、profile.js 以及一个 tweets_media 图片文件夹。两者都让你离线读完自己的全部历史——而离线，正是分析它的安全方式：你不必为了看一眼，就把它交到第三方手里。

让 ChatGPT 或别的云端 AI 帮我检查帖子，安全吗？

#

这完全取决于账号。如果你审计的是真名或公开档案，那就没有匿名身份会被暴露，用云端模型没问题。如果你审计的是一个与法律真名隔开的化名，那么把它的历史发给一个登录着你真实身份的 AI，就会在那家服务商的服务器上，把这两者连到一起——正是你本想预防的那种去匿名化。对这种情形，请用一个本地、离线的模型，或者一个匿名开通、匿名付费的云端账号。

我是不是干脆把旧帖子都删了算了？

#

通常别一概删光。删掉一条帖子，很少能删掉那个暴露你的模式；而且删除并不等于抹除——存档、缓存、截图都会留存，平台也会在自己的服务器上把删掉的内容保留一段时间（比如 Reddit，大约 90 天），这段时间里它仍然够得着法律程序。更见效的一招，是把那些风险最高的条目泛化或改写（把一个确切的时间地点，改成一个含糊的说法），并改变你从今往后发布的内容。改完之后再审计一遍，确认这处改动确实降低了你的暴露。

我把照片的 EXIF 剥掉，是不是就万事大吉了？

#

剥掉 EXIF——这是必需的——但只做这一步并不够。视觉语言模型仅凭画面内容，在完全没有元数据的情况下，就能给一张照片定位（Liu 等，2024 发现，有时能精确到 0.3 公里以内）。哪怕每一个标签都已删除，一间店面、一道天际线、一块交通指示牌、或窗外的一角景致，仍能暴露出一张图像的拍摄地点。要把背景——而不只是元数据——也算作一张照片会透露的信息的一部分。

AI 在这件事上，到底有多准？

#

准到值得你认真对待，也便宜到能拿去对所有人都跑一遍。经过同行评审的研究（Staab 等，ICLR 2024）测得 GPT-4 从纯 Reddit 文本里推断属性，八项属性类别平均下来的 top-1 准确率约为 85%（不同属性之间差异很大）；2026 年一份预印本（preprint，尚未经过同行评审）则把一组 Hacker News（技术社区）用户样本中约三分之二的人，以 90% 的精度匹配到了他们真实的 LinkedIn 档案，每人代价约一到四美元。这些数字会随任务而变，也并不完美——但过去保护着你的那道摩擦，那个要花上好几个钟头的人，已经不在了。