你的推理模型在 98% 的情况下能正确识别出数据是敏感的，但它在思维链（chain-of-thought）中泄露该数据的概率却高达 33%。这种差距——即知道某事是隐私与实际保持其私密性之间的脱节——是推理轨迹（reasoning trace）隐私问题的核心，而大多数生产团队尚未为此做好准备。
深度思考（Extended thinking）已成为对准确性要求极高的应用程序的标准工具：客户服务分流、医疗编码辅助、法律文件审查、财务分析。而这些领域恰恰是 Prompt 中数据最敏感的地方。在这些场景中部署推理模型，如果不了解轨迹如何处理这些数据，将面临巨大的暴露风险。
推理轨迹与输出结果的区别
当模型生成最终答案时，已经过多年的对齐（alignment）工作，旨在防止它重复不应重复的敏感信息。推理轨迹——即推理模型在生成响应之前使用的内部“草稿纸”——受到的此类处理则少得多。
EMNLP 2025 发表的研究（《Leaky Thoughts: Large Reasoning Models Are Not Private Thinkers》）对此进行了精确量化。受测模型在 98% 的时间内能将敏感信息识别为敏感信息。但在 33.1% 的案例中，它们仍然在推理轨迹内部泄露了这些信息。这种机制大多非常平淡：74.8% 的推理轨迹泄露仅仅是简单的记忆提取——模型机械地将输入数据复制到草稿纸中，就像你在处理笔记之前先抄写一遍一样。
这之所以重要，是因为攻击面（attack surface）不同。输出泄露往往涉及上下文理解错误——模型没能理解为什么要重复某些内容是有害的。而轨迹泄露则是结构性的：模型将草稿纸作为工作记忆，如果你的社会安全号码（SSN）或诊断结果在输入中，它们通常会在任何输出层安全检查运行之前，被逐字逐句地记录在工作记忆里。
推理轨迹触达攻击者的三种方式
通过 API 直接暴露。 许多实现为了透明度会将完整的思考块传回给客户端。在敏感领域的生产环境中，这被明确禁止，但在几个框架中这是默认行为，也是阻力最小的路径。看到思考轨迹的用户——或显示这些轨迹的内部仪表板——会获取模型在审议期间编写的所有内容。
来自对抗性输入的推理注入。 一类名为 H-CoT（劫持思维链）的攻击在 2025 年初证明，推理透明度本身也成了一种攻击矢量。通过操纵显示的推理步骤并将其反馈给模型，攻击者可以重定向模型的思维过程。在这些攻击下，o1 的安全拒绝率降至 2% 以下。同样的技术也影响了 o3、DeepSeek-R1 和 Gemini 2.0 Flash Thinking。当模型的推理可以被劫持时，该推理中的任何敏感数据都变得可以提取。
日志和可观测性管道。 这是最常见的生产暴露，也是最隐蔽的。为了调试而捕获完整请求-响应对的可观测系统会将推理轨迹包含在捕获内容中。团队构建仪表板。仪表板被共享。S3 存储桶配置错误。最初作为调试辅助工具的东西，变成了系统中流经的每件敏感事件的永久记录。2025 年 1 月的 DeepSeek 基础设施事件是一个典型案例——Wiz Research 发现了一个可公开访问的 ClickHouse 数据库，其中包含超过 100 万行包含用户聊天记录的日志流。这说明了如果不像对待输出数据那样谨慎对待轨迹数据会发生什么。
深度思考悖论
在当前这一代推理模型中隐藏着一个令人不安的权衡：你在思考算力上投入越多，写入轨迹的私密数据就越多。
更长的推理链会消耗更多原始 Prompt 中的上下文。模型在问题中追踪更多路径，引用更多细节以进行正确推理，并产生更详尽的草稿纸。所有这些都提高了复杂任务的准确性。这也意味着 32 个 token 的思考预算暴露的个人身份信息（PII）比 32,000 个 token 的预算要少——即使在这两种情况下最终答案是相同的。
对于大多数通用任务来说，这并不重要。但如果你在处理申请表、医疗记录、法律文件或财务报表时运行模型，你恰恰是在最需要深度思考的上下文中使用这些工具，而深度思考在这些上下文中造成的暴露风险也最大。
实际的缓解措施
Prompt 级别的隐私指令。 明确的列表优于抽象的原则。告诉模型“不要在你的推理中包含 PHI（受保护健康信息）”的效果不如“不要在你的推理中包含这些特定的字段类型：patient_name, diagnosis_code, date_of_birth, insurance_member_id”。模型对具体性有反应，因为它们可以进行匹配。抽象的指令需要模型进行可能无法可靠完成的泛化。关于 Chain-of-Sanitized-Thoughts（EMNLP 2025 隐私赛道的一篇论文）的研究发现，指令级的引导显著减少了前沿模型的轨迹泄露，尽管弱一些的模型需要微调才能达到同样的效果。
推理时的激活转向（Activation steering）。 SALT（引导激活实现无泄露思考）在生成过程中向模型隐藏状态注入转向向量，以诱导模型避免在轨迹中包含敏感内容。它不需要微调，在 QwQ-32B、Llama-3.1-8B 和 DeepSeek-R1 上实现了 18-31% 的上下文隐私泄露减少。这是一个有意义的进步，但并非最终解决方案——但对于无法微调基础模型的团队来说，这是目前可用的手段。
思考加密和摘要层。 Anthropic 的深度思考实现以加密方式返回思考块，并允许提供者在这些块到达客户端之前，红线删除包含安全相关内容的块。相关的模式是在进行任何日志记录或展示之前，让轨迹经过一个摘要步骤——摘要模型剔除细节，仅保留调试所需的内容，而完整的轨迹则被丢弃。Claude 的 Messages API 在某些配置中使用了这种模式，返回推理摘要而非原始草稿纸。
带访问控制的选择性轨迹存储。 如果你为了调试目的记录日志，你不需要存储所有内容，更不需要让每个人都能访问你存储的内容。实际的方法是分层的：普通访问仅限聚合指标（延迟、token 计数、模型版本）；工程师可访问采样后的、脱敏的示例；值班调试人员在审计日志监控下可访问未脱敏的轨迹；以及用于合规审查的紧急访问程序。存储原始轨迹并设置短保留期（通常为 30 天），并在分析完成后将其删除。
网关层 PII 脱敏。 在任何轨迹数据到达你的可观测性后端之前，通过自动脱敏进行路由。像 Kong AI Gateway、集成到 OpenTelemetry 管道中的 Microsoft Presidio，以及 Weights & Biases Weave 中的平台原生控件，都在基础设施层处理此问题，而不是依赖应用程序代码。Regex 模式捕获结构化 PII（信用卡号、SSN、电话号码）；NER 模型捕获非结构化 PII（姓名、地址、自由文本中的健康状况）。两者单独使用都不完美，但结合使用可以捕捉到大多数生产环境中的暴露。
监管敞口所在之处
HIPAA 的问题很直接：如果推理链（Reasoning Traces）包含 PHI（受保护健康信息），且你属于覆盖主体或商业伙伴，那么这些推理链必须受到与 PHI 本身相同的保护。这包括静态加密、访问控制、审计日志和保留政策。将完整的推理链存储在不具备这些控制措施的标准可观测性后端中，是一种实际存在的 HIPAA 风险敞口，而非理论上的。
GDPR 则更为复杂。英国信息专员公署（UK Information Commissioner's Office）一直在审查推理链泄露是否构成 GDPR 下的数据泄露。相关问题在于推理链中的信息是否属于个人数据，而如果输入包含个人数据，那么答案几乎总是肯定的。删除权变得复杂：如果推理链存储在无法轻易识别记录与用户对应关系的系统中，履行删除请求在操作上将变得异常困难。
实际影响是，受监管行业——医疗、金融、法律——需要从一开始就将推理链视为高保证数据。适用于输出结果的隐私控制也应同样适用于推理链。大多数团队尚未做出明确的架构决策，这意味着他们正在带着一种未量化的合规风险在运行。
现有系统需要审计的内容
如果你目前正在生产环境中运行推理模型，在继续之前，有四个问题值得回答：
推理链是否返回给了客户端？ 检查你的 API 响应处理。如果思考块（Thinking Blocks）被传递给前端客户端或外部系统，这就是一个直接的泄露路径，你应该有一个刻意的决策，而不是采用默认设置。
你的可观测性系统捕获了什么？ 如果你正在使用 LangSmith、LangFuse、Weights & Biases Weave 或自定义追踪方案，请在敏感场景下运行一个样本追踪，并检查后端最终存储了什么。许多团队发现，他们的调试基础设施已经存储了数月的完整推理内容。
你的提示词级隐私指令是否针对特定字段？ 通用指令（如“注意敏感信息”）的效果明显不如针对特定字段的指令。如果你还没更新，请立即更新。
你的推理链保留政策是否有文档记录？ 如果你的团队无法回答原始推理链保留多久、谁可以访问以及如何处理删除，那么在将推理模型扩展到高敏感度工作流之前，这就是需要填补的政策空白。
工程师需要内化的不对称性
这里最有用的心智模型是：推理链并不是一种安全的中间表示。其中的数据与输入数据一样敏感，而且它是通过一个过程——即审议期间的机械化回忆——进入其中的，而这一过程对于那些获得更多关注的输出层安全工作来说，在很大程度上是不可见的。
好消息是，泄露的机制现在已经得到了很好的定性。简单回忆是主要的失效模式，这意味着结构化的缓解措施（特定字段的指令、网关脱敏、加密的推理链存储）可以解决大部分风险。H-CoT 注入攻击类更复杂，需要深度防御，但这类攻击通常需要对手意图，而非意外泄露。
能够处理好这一点的团队是那些做出了明确架构决策的团队——记录哪些推理链、谁能访问、保留多久、存储前运行什么脱敏逻辑——而不是继承框架默认值并寄希望于输出层安全也能覆盖草稿本（Scratchpad）。它覆盖不到，现在的研究已经清楚地表明了这一点，以至于“不知道”不再是一个合情合理的立场。
会员专享
余下内容仅对会员开放。
会员可读完整内容 —— 每一个公开发布的观点背后，那些框架、决策与推理的全貌。
- —完整文章，包含未公开存档的部分
- —可落地的工作框架，附带权衡与决策依据
- —新文章抢先看，先于公开发布
随时取消 · 一次订阅，畅读全部
