苹果在诉状中指控 OpenAI 挖角前员工并获取商业秘密。OpenAI 没有只用一句“我们否认指控”结束回应，而是以“Apple is getting this wrong”为题发布博文，并公开相关邮件与 iMessage 聊天记录。这种做法把争议从抽象指控拉回到可检查的时间线，也带来隐私、证据完整性和诉讼策略上的新风险。
从立场声明转向可核对材料
传统企业回应诉讼时，常见做法是发布一段经过律师审阅的声明：否认指控、强调合规，然后等待司法程序推进。它的优点是暴露面小，缺点是公众只能在两套相互冲突的叙事中选择相信一方。
OpenAI 此次回应的不同之处，在于摘要所描述的邮件和聊天记录。原始通信材料至少能帮助读者检查三个问题：
- 谁先联系了谁，以及联系发生在什么时间；
- 对话是否主动涉及前雇主的机密信息；
- 当事人的行为是否与诉状中的整体叙事一致。
但“公开了截图”并不等于“证明了全部事实”。公开方决定展示哪些对话、从哪里开始截取以及隐藏哪些上下文。读者看到的仍可能是经过筛选的证据集合，而不是完整取证结果。诉讼是否成立，最终还要看完整证据、证人陈述和法院对法律要件的判断。
技术团队应把证据发布当成一条工程流水线
邮件、聊天导出文件和附件不能直接丢进博客后台。一次仓促发布可能泄露手机号码、私人邮箱、客户名称、访问令牌，甚至破坏律师保密特权。更稳妥的方式是保留不可修改的原始副本，另行生成供审阅和发布的版本。
一条最小流程可以包含：
- 从邮件系统或设备导出原始材料，并限制访问权限；
- 计算文件哈希，建立证据清单；
- 在副本上标注隐私信息、商业秘密和受保护通信；
- 由法务、信息安全和通信负责人分别审核；
- 发布带上下文的文本或图片，同时保存发布版本的哈希；
- 记录每次删改，避免后续版本悄然变化。
哈希只能说明“当前文件与此前登记的文件一致”，不能单独证明消息由谁发送，也不能证明材料完整。身份、来源和保管链仍需依靠导出记录、系统日志及其他证据确认。
可以这样实践：生成证据清单并扫描敏感信息
下面是一个仅使用 Python 标准库的最小工具。假设待审阅材料放在 evidence/ 目录中；脚本会计算 SHA-256，并标记文本文件里可能存在的邮箱、电话号码和常见密钥格式。它是发布前筛查工具，不是法律审查或可靠的自动脱敏系统。
#!/usr/bin/env python3
import hashlib
import json
import re
from pathlib import Path
ROOT = Path("evidence")
TEXT_SUFFIXES = {".txt", ".md", ".csv", ".json"}
PATTERNS = {
"email": re.compile(r"[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,}", re.I),
"phone": re.compile(r"(?<!\d)(?:\+?\d[\d .()-]{7,}\d)(?!\d)"),
"api_key": re.compile(r"\b(?:sk|api)[-_][A-Za-z0-9_-]{16,}\b", re.I),
}
def sha256(path: Path) -> str:
digest = hashlib.sha256()
with path.open("rb") as source:
for chunk in iter(lambda: source.read(1024 * 1024), b""):
digest.update(chunk)
return digest.hexdigest()
def scan(path: Path) -> dict[str, int]:
if path.suffix.lower() not in TEXT_SUFFIXES:
return {}
text = path.read_text(encoding="utf-8", errors="replace")
return {
name: len(pattern.findall(text))
for name, pattern in PATTERNS.items()
if pattern.search(text)
}
def main() -> None:
if not ROOT.is_dir():
raise SystemExit("Create an evidence/ directory before running this tool")
manifest = []
for path in sorted(p for p in ROOT.rglob("*") if p.is_file()):
manifest.append({
"path": path.relative_to(ROOT).as_posix(),
"bytes": path.stat().st_size,
"sha256": sha256(path),
"possible_sensitive_data": scan(path),
})
Path("manifest.json").write_text(
json.dumps(manifest, ensure_ascii=False, indent=2) + "\n",
encoding="utf-8",
)
print(f"Wrote manifest.json for {len(manifest)} files")
if __name__ == "__main__":
main()
把脚本保存为 build_manifest.py，创建材料目录后运行：
mkdir -p evidence
cp reviewed-materials/*.txt evidence/
python3 build_manifest.py
python3 -m json.tool manifest.json
不要用脚本直接覆盖原始文件，也不要因为扫描结果为空就认定材料可以公开。图片需要 OCR 或人工检查，PDF 可能包含批注、附件和元数据，聊天截图还可能暴露头像、群名及通知内容。
公开记录也是一种高风险承诺
公开邮件能让回应更具体，却会抬高后续解释成本。一旦新的聊天记录补足了不同上下文，最初的博文可能被反过来视为选择性披露。公开通信还可能影响员工隐私、招聘关系和正在进行的取证程序。
技术公司考虑采用这种策略时，可以检查以下事项：
- 材料是否足以回应具体指控，而不是制造更多无关争议；
- 是否保留了未经处理的原件、导出时间和访问日志；
- 删节是否有一致规则，并向读者说明删节原因；
- 是否检查个人信息、商业秘密、客户数据和律师通信；
- 博文是否明确区分已公开事实、公司主张和法律结论；
- 新证据出现后，是否有可追踪的更正与版本更新机制。
OpenAI 的回应说明，公司在重大诉讼中不再只能在“沉默”和“简短否认”之间二选一。它们可以把部分证据直接交给公众检查，但透明度不是把聊天截图贴出来那么简单。真正可靠的公开回应，需要证据保管、隐私审查、上下文说明和版本控制共同支撑。