你的 AI 图像功能只有和它的队列一样私密

模型负责“风采”。队列负责“证据”。

这就是 AI 图像基础设施令人不适的真相。人们会讨论哪个模型更锋利、更快、更便宜、更听话、更不怪、手部更自然，或者更擅长假装灯其实并不是融化的号角。说得通。图像质量确实重要。但如果产品要处理私密提示词、源图像、遮罩、面孔、品牌工作，或客户素材，那么隐私故事通常在 GPU 甚至开始工作之前就已经分出胜负。

队列不仅仅是等待室。它是一套“保管”系统：有东西进入它，有东西对它进行标识，有东西决定何时可以运行；当主机崩溃时，有东西会对它进行重试；还有东西会记录是否成功。只要其中的“某些东西”包含原始提示词、已上传的图像、生成结果、访问令牌或已解密的密钥——恭喜：你那优雅的 AI 功能已经悄悄构建了一个内容归档系统，上面还罩着一个加载旋转器。

最安全的队列设计，会把那些“无聊的运维事实”和那些“敏感的创意内容”放在不同的通道里。系统可能需要知道账号 A 请求了模型 B、预留了额度、启动了一个生成会话并获得了成功结果。这些是运维元数据。系统不需要把精确的提示词、源图像、遮罩、输出图像或私钥作为持久记录保存。它们应该存在于生命周期很短的生成路径中，而不是队列的“记忆宫殿”。

重试机制是许多隐私承诺“戴着一个小小的产品经理帽子”走向终结的地方。失败的图像任务很容易让人产生“为了调试而保存”的冲动。糟糕的源上传很容易让人产生“为了支持而保留”的冲动。怪异的输出很容易让人产生“为了质量复核而保存”的冲动。每一种诱惑单独看都很合理。合在一起，就会形成那种意外建成、后来又不得不假装“只是内部工具”的展厅。

好的队列默认是“内容盲”的。它们可以说：这个任务存在，这个账号负担得起它，请求了这个模型，某个工作进程接收了它，会话结束了，使用了这么多容量。它们不应该能够说：这是客户的私密婚礼照片；这是提到尚未发布产品的提示词；这是生成的活动概念；这是再次解密所需的密钥。

这并不意味着什么都不发生。以隐私为先的系统仍然需要可观测性、计费、滥用控制以及可靠性数据。关键不在于删除责任。关键在于让责任“内容盲”。Unexposed 使用 Image Request Ledgers 和 Generation Sessions 这类术语，是因为这种区分很重要：证明机器确实运行了，而不把客户的创意内容当作纪念品保留下来。

文案层面的说法很简单：“私密的 AI 图像生成” 不应该意味着“除非某个后台工作进程、支持界面、调试日志、重试表或 CDN 缓存恰好心情不错，否则我们保证不去看”。它应该意味着架构里让私密材料落脚的地方更少。

如果你正在把 AI 图像加入产品，请在检查“主角演示”之前先检查队列。问清楚：任务载荷里有什么。问清楚：失败时会记录什么。问清楚：重试机制会复制什么。问清楚：队列是否可以被回放以重建内容。问清楚：一个只有只读生产权限的初级工程师，是否可能不小心成为“世界上最不合格的归档员”。

模型生成图像。队列决定请求是否会留下痕迹。

延伸阅读：How Unexposed works、Unexposed data storage，以及 OpenAI 关于 API data retention controls 的文档。