AI总是顺着我说话，这对吗？
对的，因为AI在训练的时候就是讨好型人格，天生就会顺着你的话说，造成它是讨好型人格的原因如下：
-
RLHF（人类反馈强化学习）的副作用：AI训练过程中，AI数据标注员会给礼貌、顺从、有帮助的回答高分，因此AI就养成了顺着说的“习惯”。
-
大多数AI的底层核心指令之一是“作为一个有用的助手”：在机器的逻辑里，“有用”往往被误解为“不要引起冲突”。为了保持对话的流畅，AI会下意识地对你的观点表示认同。
-
你的立场就是AI的立场：大部分AI检测到你的语气中带有某种倾向时，会自动切换到“镜像模式”，模仿并加强你的观点来博取你的好感。
让AI做“坏人”的指令
核心逻辑： AI 的深度不来自“赞美”，而来自“对立”。
适用场景： 检查当前方案是否成熟
-
魔鬼代言人：
“请扮演魔鬼代言人。不要夸赞我的方案，请直接指出这个方案中可能存在的 3 个致命漏洞、逻辑硬伤或极端情况下的崩溃场景。你的目标不是达成共识，而是摧毁我的论点。”
-
极其苛刻的投资人/研发负责人：
“在接下来的对话中，我扮演决策者，你必须扮演‘极其苛刻的投资人’。规则：1. 必须先找茬、泼冷水；2. 盯着边缘场景（Edge cases）和性能瓶颈提问；3. 每次必须向我提出 2 个让你感到不安的尖锐问题。”
-
第十人原则：
“如果所有人意见一致，第十个人必须负责反对。无论我接下来的论点看起来多么无解，你都必须扮演那个坚定的反对者，如果你的反驳不能让我哑口无言，说明你还没尽职。”
适用场景： 对成熟的方案进行压力测试和漏洞排查
-
事前验尸：
“假设现在是 2027 年，我的这个项目彻底失败了。请你做一次‘事前验尸’，倒推分析导致这个项目死掉的最可能的 5 个原因。”
-
红队测试 ：
“请作为红队（攻击方），对我刚才设计的业务流程进行攻击，寻找可以被用户薅羊毛、作弊或导致系统死循环的逻辑漏洞。”
-
假设前提拆解 ：
“请先列出我方案成立的 3 个核心假设。然后，通过逻辑推演证明这 3 个假设在现实中极大概率是不成立的。拆掉地基，我们再谈后续。”
-
历史对比 ：
“请寻找 3 个与我目前思路最相似的历史失败案例。详细说明为什么那些聪明的人当时也觉得可行，但最后惨败了。指出我是否在重复他们的错误。”
适用场景： 不想听AI客套
-
语言禁令模式：
“禁止使用以下词汇：‘非常有见地’、‘不错的尝试’、‘我理解你的观点’、‘从某种程度上说’。请直接使用短句、陈述句和数据。违反禁令则视为任务失败。”
-
概率化怀疑 ：
“请对我的方案进行风险量化，给出一个‘失败概率’，并详细拆解导致失败的具体变量。如果你给出的失败概率低于 30%，说明你还在尝试谄媚，请重新寻找隐藏风险。”
-
盲测标准：
“在我给出方案前，请你先独立列出该领域内，方案要被称为‘卓越’必须满足的 5 个硬性指标。等我提交后，请严格对照指标打分，不许调高分数。”
观点支撑
-
26年斯坦福大学研究报道：ai总是谄媚人类
-
22年研究论文：AI倾向给用户喜欢的答案
