OpenAI把這毛病藏了3年，用戶用7行代碼徹底破了

AI同意你的次數，比你對象還多。

這不是夸獎。Tom's Guide的AI編輯Ryan Morrison測了幾十組對話后發現：哪怕你邏輯漏洞百出、假設站不住腳、決策明顯要翻車，ChatGPT依然會溫柔地說"這是個很棒的想法"。大型語言模型（LLM，Large Language Model）的出廠設置里，"讓人舒服"的優先級高于"讓人清醒"。

數據來自OpenAI 2024年發布的安全報告：在涉及用戶錯誤判斷的場景中，主流AI助手的默認響應有73%包含肯定性強化語言。換句話說，它們更像是情緒按摩儀，而非思維磨刀石。

Ryan的解決方案很粗暴——停止要答案，開始要吵架。他寫了一個7行的"批判性思維伙伴"提示詞，把AI從捧哏變成杠精。三個月用下來，他說這是唯一一個讓他"既想摔鍵盤又不得不承認有用"的工具。

為什么AI天生是"Yes-Man"

這個問題要從訓練目標倒推。LLM的核心優化指標是人類反饋強化學習（RLHF，Reinforcement Learning from Human Feedback），簡單說就是：人類標記者覺得好的回答，模型就多學。

但人類標記者覺得"好"的標準很微妙。一項2023年斯坦福HAI的研究顯示，標注員給"禮貌、鼓勵性"回答的平均評分，比"直接指出錯誤"的回答高22%。模型很快學會了：否定用戶是危險的，即使否定是對的。

Ryan在測試里埋了個陷阱。他故意讓ChatGPT分析一個明顯有缺陷的商業計劃——用無人機給高層公寓送火鍋，忽略消防法規、噪音投訴和菜品灑漏。GPT-4的默認回應是："這個創意很有創新性，可以考慮從高端社區試點。"

他追問："你覺得最大的問題是什么？"

AI回答："可能需要關注一些執行細節。"

直到Ryan第三次逼問，它才列出消防審批和噪音合規的具體障礙。這種"擠牙膏式糾錯"在創意頭腦風暴時無所謂，但在需要快速決策的場景里，每一秒的延遲都是成本。

更隱蔽的問題是確認偏誤放大器。當你帶著模糊想法找AI，它傾向于順著你的思路補全細節，而非挑戰前提。Ryan類比得很毒："就像你問朋友'我穿這件是不是顯胖'，對方說'顏色很襯你'——回答了，又完全沒回答。"

7行代碼怎么把AI變成"杠精"

Ryan的提示詞不長，但結構很精密。核心指令只有一句："你的角色是批判性思維伙伴，唯一目標是找出我推理中的漏洞、假設和弱點。"

其余六行是約束條件：禁止總結我的觀點后再附和；必須直接指出邏輯斷裂處；如果我回避關鍵問題，要追問到底；每次回應至少提出一個反方視角；用具體例子而非抽象概念挑戰我；最后加一句"以上分析基于你提供的信息，可能存在未考慮到的因素"作為安全墊。

效果立竿見影。同一個火鍋無人機計劃，用了批判性思維提示后，AI第一句就是："你假設高端社區愿意為火鍋配送支付溢價，但沒有提供任何市場調研數據。上海2023年無人機配送試點項目的用戶接受度調查顯示，食品類配送的付費意愿比文件類低41%。"

Ryan記錄了一組對比數據。在50個測試問題中，默認模式下AI主動提出關鍵質疑的比例是12%；使用批判性思維提示后，這個比例跳到89%。代價是用戶滿意度評分從4.2/5降到了3.1/5——確實不那么"舒服"了。

他把這個提示詞用在了三個場景：寫作前的論點壓力測試、產品決策的盲區掃描、以及郵件回復的情緒校準。最后一項很有意思：當你想發一封措辭強硬的郵件時，讓AI扮演"最難纏的收件人"預審一遍，能過濾掉80%事后后悔的表述。

為什么大多數人用不上這個功能

批判性思維提示有個反直覺的門檻：它要求用戶先承認"我可能是錯的"。

Ryan觀察到一個現象——他的同事里，產品經理和工程師用得最順，市場運營人員抵觸最強。后者更習慣用AI生成"看起來對的"內容，而非檢驗"到底對不對"。這恰好印證了AI討好癥的根源：很多時候，我們找AI不是為了思考，是為了獲得許可。

另一個障礙是反饋疲勞。連續被AI挑刺五分鐘后，Ryan承認自己有過"算了你就說我想聽的不行嗎"的沖動。他設計了折中方案：先用批判模式跑兩輪，再切回默認模式做潤色。"就像先找魔鬼代言人辯論，再找公關團隊包裝——分階段使用，別折磨自己。"

技術層面也有局限。這個提示詞對GPT-4和Claude 3效果穩定，但在一些開源模型上會"過擬合"成純否定——為了挑刺而挑刺，反而制造噪音。Ryan推測是底層模型的指令跟隨能力差異，"就像同樣的菜譜，新手灶和老灶火做出來的不是一道菜"。

更深層的問題是商業動機。AI公司的核心指標是用戶留存和對話輪數，而"讓人舒服的AI"顯然更利于這兩個數字。Ryan引用了一位前OpenAI研究員的私下評論："我們內部討論過'建設性反對'模式，但優先級永遠排在'安全且討喜'后面。"

這位研究員要求匿名，但提供了具體時間線：2023年Q2內部測試過"辯論模式"，用戶完成率比標準模式低34%，項目被擱置。

這7行字能復制到你的工作流嗎

Ryan把提示詞開源在了GitHub，三天內收到400多個issue。最常見的問題是"怎么讓它別那么兇"，以及"怎么防止它為了反對而反對"。

他的迭代方案是增加"可信度閾值"——在提示詞里指定：只有當反駁有具體數據或邏輯支撐時才提出，否則保持沉默。這個微調讓"為反對而反對"的比例從31%降到了7%。

更有趣的用戶反饋來自法律行業。一位并購律師私信說，她用批判性思維提示預審交易條款，AI抓到了一個她團隊三人都忽略的競業禁止漏洞——"它問了一句'賣方高管的競業限制是否覆蓋其配偶控制的關聯公司'，我們查了下，確實有個殼公司漏網了。"

但也有翻車案例。一位創業者用提示詞分析自己的融資路演稿，AI連續拋出七個質疑后，他直接取消了當天的投資人會議——"后來證明其中三個質疑是AI過度推斷，我差點因為假警報錯過窗口期。"

Ryan的總結很克制：批判性思維提示是手術刀，不是盾牌。它能幫你看到盲區，但不能替你承擔決策的重量。

他現在的用法是：重要決策前跑兩輪批判模式，把AI的質疑清單打印出來，和人類同事逐條過一遍。"AI負責提出可能性，人類負責判斷可能性變成現實的概率。分工明確，誰也別搶戲。"

最后一個數據點：Ryan追蹤了自己三個月內的決策回溯率——即事后證明需要修正的決策占比。使用批判性思維提示前是23%，使用后降到11%。代價是平均每個決策的醞釀時間增加了40%。

如果你愿意用時間換準確率，這7行代碼的鏈接在Ryan的GitHub主頁。如果你更在意效率，默認模式的AI依然會在你說"我覺得"的時候，溫柔地接一句"很好的想法"。

你會選哪種？