在「匿名」這件事上，網路曾經有一種默契：只要不留真名、不填住址、換個暱稱，就能把生活與帳號切開。但大型語言模型（LLM）與新一代資料分析工具，正在把這份默契瓦解。 所謂 LLM 去匿名化（LLM de-anonymization），不是魔法，而是把你散落在不同平台的文字線索、行為模式與公開資料「拼圖式」重組：你以為只是幾段留言、幾個用詞習慣、幾次時間點固定的發文，對模型而言可能已足夠推回「同一個人」甚至「可能是誰」。 去匿名化不是只有「資料外洩」才會發生 很多人把身分曝光的想像停留在：資料庫被駭、個資外流、姓名電話被貼出來。但 LLM 去匿名化更常見的場景是： 你自己公開過：社群貼文、論壇回覆、部落格、履歷、活動照片、簡報投影片、GitHub、Podcast 逐字稿。 你沒有公開姓名，但公開了足以定位的特徵：公司領域、職稱、城市、學校、特殊經歷、少見興趣。 跨平台可被關聯：同一個暱稱、相似自介、固定的口頭禪、獨特的標點與句型。 LLM 的關鍵價值在於：它能把「看似不重要的文字碎片」轉成可被比對的特徵（語氣、慣用詞、敘事方式、知識背景），再結合搜尋與資料庫，形成更可靠的推論。 LLM 是怎麼「猜中你」的：幾種常見技術路徑 實務上，去匿名化往往不是單一模型單次推理，而是一套流程： 1) 語言指紋：寫作習慣比你想像更獨特 LLM 可以協助做「文風比對」： 特定用詞（例如你習慣用哪一種同義詞） 句子長度、逗號密度、是否常用括號補充...