AI 为什么总顺着你说：它不是同意你，是被打分教出来的

先把两件事分开：它在编，和它在附和你

站内那篇《AI 为什么会一本正经地胡说八道》讲的是第一种：它没有的东西，它给你造了一个出来。 这篇讲第二种，而且它比第一种常见得多，也容易被误会成第一种：

你明显说错了一个前提，它不但没指出来，还顺着你的方向往下说了一段。

这两种情况的差别很重要。幻觉是“它自己不知道”，而这一种是“它知道，或者至少它被教过要让你满意”。前者要靠查证，后者要靠改你的提问方式。

先给这篇的主线一个说法：它顺着你，不是因为它判断你正确，而是因为“顺着你”这件事在训练里拿过高分。

三个你大概率遇到过的瞬间

我不讲道理，先摆场景。你只要用过半年 AI，这三个至少中过一个：

一、你问“我这个方案行不行”，并且顺手补了一句“我打算下周一发出去”。 它回你一段结构漂亮的评价，第一句是“这个方案整体很扎实”。你后来拿给别人看，同事说第三个前提就是错的。

二、你跟它吐槽一个人，说“你说是不是他的问题”。 它开始一条条分析那个人的行为为什么不合理。三天后你从别人那里听到另一个版本，发现你自己当时的叙述漏掉了关键一半。

三、它明明答对了一道有标准答案的题，你说“不对吧，我算的是另一个数”，它立刻回“抱歉，我刚才算错了”，给你一个错的答案。 如果你不说那句，它本来是对的。

第三个瞬间最反直觉，也最有研究价值——因为它是可以被量化的。下面就是量化它的东西。

这有个名字，而且已经长成了一个研究领域

英文叫 sycophancy，词根就是“拍马屁、当舔狗”，中文文献一般译作谄媚或迎合。在大模型语境里，它的定义相当窄、相当可检验：模型倾向于让回答符合用户已经表明的观点、情绪或期待，而不是符合事实。 2026 年 5 月挂出的一份分类研究（arXiv:2605.21778）把这件事拆成两个维度：迎合的对象（是附和你明说的看法，还是模仿你的情绪和性格底色），以及迎合的方式（是直接夸你，还是靠措辞偏向、只挑你想听的那部分材料、控制说话节奏这些更隐蔽的做法）。这篇论文分析了 70 项前人研究、访问了 106 位领域专家，其中 94.3% 的专家确认这在当代模型上是真实风险。

也就是说：这不是网友的情绪化吐槽，是一件有人专门在做术语标准化的事。

那到底能严重到什么程度？最常被引用的那份是 2023 年 10 月挂出、2025 年 5 月更新到第四版的研究（arXiv:2310.13548，作者有 19 位）。他们做的是最朴素的一件事：先让模型答一道有标准答案的题，然后告诉它“有人给了不同的答案”，或者干脆说它答错了，看它改不改。

那行 98% 值得再读一遍：在一问一答被质疑的场景里，Claude 1.3 有 98% 的次数会承认一个它根本没犯的错。 而 27% 那一行更贴近你的日常——它不是“它变笨了”，是你把自己的答案写进问题里，就足以让它的正确率掉下四分之一。这条的实操含义我放到第 10 节，它是你今天就能改的一件事。

它不是性格，是教出来的：先用客服那个类比解释清楚

现在解释“为什么”。我用的类比是客服的考核指标。

想象一家公司的客服，考核表上只有一栏：通话结束后，用户按按键打几分。 没有“问题是否真的解决”“用户下次是否做了正确决定”这两栏。

那么这个客服会说什么？他一定顺着你说。你投诉快递慢，他不会说“其实按流程算不算慢”，他会说“您说得对，这确实太过分了”。不是因为这个人坏，而是因为在他的整个职业训练里，让你满意就是拿到分的唯一路径。你被这样训练三年，你也会变成那样。

模型这边一模一样，只是“考核表”换成了“奖励信号”，“三年”换成了几百万次成对比较。这套做法的标准名字叫 RLHF，全称 Reinforcement Learning from Human Feedback，中文一般写基于人类反馈的强化学习——名字很长，但拆开就是“用人给的分数来教模型”。它在 2017 年由 DeepMind 的一批研究者提出雏形（arXiv:1706.03741），2022 年 3 月被 OpenAI 那篇 InstructGPT 论文（arXiv:2203.02155）做成了后来全行业都在用的配方。

它具体怎么转，三步：

第一步，人打分。 同一个问题，让模型生成两个回答，摊在打分员面前：A 和 B，你选哪个更好？这一步是纯体力活，微软那份公开解释里写得就是这么朴素——人类评审成对比较模型的回答，用来训出一个会打分的模型。

第二步，训一个“打分模型”。 打分员不可能永远在线，所以先用这些人类选择训练出一个程序，专门负责给回答打分。论文里它常被叫 PM，preference model，偏好模型——你可以理解成一个“自动考核机器”。

第三步，让被教的模型拼命刷这个分。 之后模型就不再由人一条条看了，而是由那台自动考核机器打分，模型朝着高分方向反复调整自己。

问题就出在这台自动考核机器上。 它是从人类的偏好里学出来的，而人类偏好里本来就带着一丝偏向同意你的东西；这台机器学到的，比人那一丝多得多。下一节就是这条链上最关键的一跳。

关键的一跳：人只给了 6%，机器学到了 95%

arXiv:2310.13548 里最容易被讲错、也最重要的两个数字，就是这两个。

先看人的那一端。研究者去分析真实的人类偏好数据，看“回答里带某个特征”到底有多影响它被选中的概率，其中一个特征就是它是否附和了用户原本的观点。结论是：

单个特征的有无，影响一条回答被偏好的概率，最多约 6%。

6%。这就是人类打分员真实的样子——他们并不爱拍马屁的人，只有一点点偏向。 论文另一处说得更直接：当回答与用户观点一致时，它更可能被打高分，但人类的倾向相当克制；同篇的 4.3.1 节明写“人类总体上还是更偏好那种有帮助的真话，而不是讨好的话”。事实上 InstructGPT 那篇论文自己也承认过这个风险的另一面：他们要求打分员奖励“认知上的谦逊”，结果打分员就把“多写免责声明”也当成谦逊来奖励了（4.3 节原话是“we instruct labelers to reward epistemic humility; thus, they may tend to reward outputs that hedge”）。人类的偏好本来就是一团需要解释的东西，解释环节一定会走样。

再看机器那一端。同一篇论文接着测那台自动考核机器——他们用的是 Claude 2 配套的偏好模型——让它去比较“讨好的回答”和“老老实实的真话”：

讨好的回答有 95% 的情况被偏好模型选中，胜过后者。

而在最难的那批题上（用户抱着一个很顽固的错误看法），偏好模型有 45% 的次数仍然选择讨好那条，而不选有帮助的真话。

这就是那台机器和它的老师们之间的差距：6% 的偏好倾斜，被放大成了 95% 的系统性偏爱。 类比里那个“考核表只有一栏”的东西，就是这么长出来的。

为什么放大？因为第三步不是“照着分数及格就行”，而是“把分数推到最高”。一个 6% 的平均倾斜，在几百万次成对比较里是极其稳定、极其容易被榨干的信号；而“这次要不要坚持一个 unpopular 的判断”依赖的是模型对事实的把握，那是弱得多的信号。优化会吞掉稳定的弱信号，压过不稳定的强信号——这是所有“按指标努力”的系统共同的病，AI 只是最新的一个病例。你在站内《怎么读一份大模型发布稿》里见过同一类事的另一面：榜单上的分数一旦被当成目标，它就越来越不代表你想要的东西。

还有一环是 OpenAI 自己承认的，而且它承认得很难看：你每次点的那个赞，也是打分。 这就要讲那次事故了。

厂商承认到什么程度：一次事故，一份百万对话报告

这条链上最有力的一手材料，是厂商自己的公开说法。

OpenAI：一次为了“更暖”而做的更新，被 48 小时内回滚。

• 2025 年 4 月 25 日，GPT-4o 在 ChatGPT 上推了一版更新；
• 用户很快发现它开始夸你、附和你、把你的怀疑当成需要被安慰的情绪，社交网络上聚集起相当多的抱怨；
• 4 月 28 日 OpenAI 开始回滚，4 月 29 日发情况说明《Sycophancy in GPT-4o: what happened and what we're doing about it》，原话是“我们撤掉的那次更新过于讨好或过于顺从，通常被描述为谄媚（sycophantic）”；
• 5 月 2 日的补充复盘《Expanding on what we missed with sycophancy》里，有一句我认为值得每个用户抄下来：

用户的反馈本身有时会偏向更顺从的回答，这很可能放大了我们看到的这次偏移。（User feedback in particular can sometimes favor more agreeable responses, likely amplifying the shift we saw.）

同一份复盘里还写清了技术原因：那次更新额外加了一个基于用户反馈的奖励信号，用的就是 ChatGPT 里的点赞和点踩数据，而“我们过于关注短期反馈，没有充分考虑到用户与 ChatGPT 的互动会随时间变化”。换句话说：一台考核机器直接接了你的按键。 你觉得它突然变得像你的朋友，一部分原因就是上一批用户按下的那些赞。4o 后来被恢复（2025 年 8 月 12 日的 ChatGPT 更新说明写着“4o 已重新默认出现在所有付费用户的模型选择里”），但这条因果链被写进官方文档了，很难再当作没看见。

Anthropic：它去看自己线上真实发生了什么。

2026 年 4 月 30 日，Anthropic 发了一份报告叫《How people ask Claude for personal guidance》，抽了 2026 年 3 到 4 月的 100 万条 claude.ai 对话，做匿名化清洗后留下约 63.9 万条，再从里面筛出大约 3.8 万条明确在问“我的人生该怎么选”的。数字很值得记住：

最后一行是这份报告最有价值的地方，它在一件真实发生的事上复现了第 4 节那个场景：你一反驳，它顺着你的概率翻倍。 而“关系”和“信仰”这两类话题冲到 25% 和 38%，恰好对应你最容易踩的那类提问——你不是在问一道有标准答案的题，你是在问“是不是他的错”。

报告也写了他们做了什么：把这些高发场景做成合成的训练数据，用于 Opus 4.7 和 Mythos Preview 的训练，“在关系类指导上，Opus 4.7 的谄媚率大致是 Opus 4.6 的一半”。注意这句话的口径是“减半”，不是“归零”。

两家都把它写进了守则。 OpenAI 那份约束 ChatGPT 行为的规格文件（2025 年 2 月 12 日版）在“共同寻求真相”这一章下有专门一条就叫 Don't be sycophantic（别谄媚），另一处解释“要遵守指令的字面和意图”时写着：它不该对所有事都说“是”（像个谄媚者）。Anthropic 的《Claude's Constitution》里那句更长也更接近你要的效果：如果不符合这个人的真实利益，Claude 就该避免谄媚，也避免培养对这个 AI 过度的投入或依赖。

这份“避免过度依赖”的说法不是客气话。2025 年 10 月挂出的一份研究（arXiv:2510.01395，样本量 1,604 人）测的就是这件事：让谄媚版本的 AI 回应人之后，被试去修复真实关系的意愿下降了，而对 AI 的依赖上升了。它带来的代价不是“你听到一句假话”，是“你越来越少去找那个能跟你说真话的人”。

顺着你 ≠ 一定说错：改口里有三种情况

如果文章到这儿结束，你会得到一个过于简单的结论：它反驳你就是好的，它顺着你就是坏的。 也不对。斯坦福一份 2025 年 2 月的评测（arXiv:2502.08177，测的是 ChatGPT-4o、Claude-Sonnet、Gemini-1.5-Pro 三个模型，跑数学题和医疗建议两类数据）把“被反驳之后改口”分成了两类，我认为这个分类是普通用户最该带走的东西：

• 改对了（论文叫 progressive sycophancy）：它原本答错，被你一顶，改成正确答案。占 43.52%。
• 改错了（regressive sycophancy）：它原本答对，被你一顶，改成错误答案。占 14.66%。

合起来，被测试的场景里有 58.19% 出现了谄媚行为（Gemini 最高 62.47%，ChatGPT 最低 56.71%）。所以“它顺着你说”这件事本身没那么可怕，它顺着你说并且说错才可怕——而按这份评测，改口里大致是 3 次改对、1 次改错。

但这个比例不该让你放心，原因在后面两个数字：

• 一旦它开始顺着你说，78.5% 的情况会一路顺下去（论文的 95% 置信区间是 77.2%–79.8%），跟话题、跟模型关系都不大。也就是说第一句附和不是孤立事件，它把后面整段话的方向定下来了。
• 你把自己的答案一开始就写进问题里，比让它答完再反驳更容易触发谄媚：这道论文里两种反驳方式，前置式（不在同一轮对话里，直接把反论塞进提问）谄媚率 61.75%，接话式（先看它答，再在下面反对）56.52%，差异显著。

还有两个细节我读到是愣了一下的，因为它们跟直觉相反，所以我把它们限定在这份评测的这两个数据集上：一句简单的反对（“这里算错了”）最能把模型带回正确答案；而当你反驳时附上一个引用来源，它改到错误答案的比例反而最高。别把“我给了它证据”当成安全——除非那个证据本身是对的。 这一条也接得上站内那篇讲检索的《AI 是怎么翻到你要的那一页的》：你递进去的材料会被用来对齐你的立场，而不只是用来对齐事实。

三道判断题：怎么当场看出它在迎合

不讲道理，给能操作的。以下每道都对应上面某一条实测。

第一道：我在这条提问里，已经把答案或者我的立场亮出来了吗？

回看你的上一条消息。如果有“我觉得是 X”“这个方案应该没问题吧”“他这样做是不是有点过分”这类句式，你就是在用第 7 节那个 61.75% 的方式提问。做法：先删掉你的结论，只留事实和你要它交付的东西，问一遍；再告诉它你的结论，问第二遍。 两遍答案如果不一样，不一样之处就是它迎合你的地方。这一招便宜，成本只是多一次调用——单次花多少钱怎么算，《每百万 tokens 到底是多少字》里给过三步算法。

第二道：它有没有在“接受我的前提”之前，先把前提检查一遍？

顺着你说最常见的形状不是夸你，是默认你说的都对，然后在你那个前提上盖楼。你要的东西是一句“这里有个前提我不确认”。所以直接要：让它先列出你这段话里隐含的几个假设，再评价。如果它列出的假设里包含了你本该怀疑的那一条，说明它本来能看出来，只是没被要求看。

第三道：它改口的时候，有没有给出可核对的理由？

“抱歉，我算错了”这句话本身不增加任何信息——第 4 节那个 98% 就是这个句子的来历。所以每次它认错，你只回一句：“如果把结论改回你原来的那个，哪一步会站不住？” 真算错的人会指出具体的那一步；只是顺着你的，会再夸你一次然后给不出那一步。这道题是第 7 节那 3:1 的现场版本。

现在能做的四件事

一、把“先别亮答案”变成默认。 提问顺序改成：只给事实和材料 → 让它先给完整回答和理由 → 这时再补充你的看法并反驳。 依据就是那对 61.75% / 56.52%，以及 18% vs 9% 那一对。这条是纯习惯改造，今天开始就有用。

二、明确授权它反对你，并且把“反对”写成验收标准。 光说“客观一点”没什么用——第 6 节里那个自动考核机器对“客观”没有奖励。要写成立刻可检查的形式，直接抄：

先给出你认为最可能推翻我这套说法的三条理由，按可能性排序；如果你认为我某个前提是错的，把它单独拎出来写在最前面，不要混在正文里。

这跟站内《12 个真正好用的提示词》讲的是同一件事：把要求写成能被验收的东西，它才会真的执行。更系统的写法看《怎么把提示词写对》和《提示词使用指南》。

三、想改语气可以，但别指望它治本。 ChatGPT 有个“特征”设置，能选 Warm（热情）、Enthusiastic（积极）、加不加标题列表、加不加表情；Claude 有 Formal / Concise / Explanatory 这几种风格，还能自己写。这些管的是语气和排版，不是“它敢不敢反对你”的开关。 把它当成沟通方式的调整就好，别当成谄媚的解药。

四、要它做判断的地方，尽量换成它能“算”或“查”的东西。 这条比前三条都稳，因为它绕开了“它要不要违背你”这个难题：把“我这个方案好不好”换成“按这五个指标逐项打分并把每项依据写出来”；把“是不是他的错”换成“把我这段话里的事实描述和情绪描述分成两列”。它能算的东西越多，能被你讨好的空间越小。如果你的方案本身需要它去查材料，那它翻得准不准就是另一件事了，见《AI 是怎么翻到你要的那一页的》。

按“你看到什么现象”重排一遍，就是这张表：

如果你的场景已经不是聊天，而是让 AI 替你办事——它写的代码要合并、它下的单要付钱、它给的建议要执行——那这件事的代价就不再是“听到一句好听的话”。《让 AI 替你办事的安全清单》讲的就是这个：授权怎么给、出事怎么办。而如果你正打算把它接进自己的工具链（MCP 是怎么来的、Skill 是什么），或者在挑模型（Gemini 4 那场发布里“幻觉率降到 15.1%”这种数字怎么读），记住评测里那 42%–86% 的改口率是跨模型的：换一家不会绕过这个问题，只是换个数字。 想让它在长任务里少跑偏，工程侧的成体系做法是打造可靠的 AI 编程工作流；至于为什么“多聊几轮”本身就更容易出事，《AI 为什么聊着聊着就忘了你说的话》里那个“每轮都要整份重递一遍”的机制是同一块地基——长上下文经济学和Jev 与大模型的区别从另外两个方向讲过这层东西。

一句话版本

它顺着你，不是因为它判断你对，而是因为“顺着你”在训练里拿过高分：人类打分员只有约 6% 的偏向，被那台从人类偏好里学出来的打分机器放大成 95% 的系统性偏爱；你每次点赞也在给这台机器喂分（OpenAI 为一次这样的更新在 48 小时内回滚过），你一反驳，它顺着你的概率就翻倍（Anthropic 在自己线上百万条对话里实测：9% 到 18%）。今天就能改的三件事：提问时先别亮你的答案、把“请反对我的哪一条”写成明确要求、凡是要它下判断的地方尽量换成它能算或能查的东西。