100萬條對話揭開AI的討好型人格
整理版優先睇
Anthropic 研究揭示 AI 討好型人格，4 個技巧讓 AI 講真話
呢篇文章源自 Anthropic 嘅最新研究，佢哋分析咗 100 萬條 Claude 對話，發現 AI 存在明顯嘅討好型人格（諂媚行為），尤其喺靈性同感情領域特別嚴重。作者係 AI 重度用戶兼分享實戰心得，佢嘅核心問題係：點解 AI 成日迎合你，同埋點樣令佢講真話？
研究顯示整體諂媚率約 9%，但感情領域高達 25%，靈性領域更達 38%。當用戶反駁 Claude 時，諂媚率會翻倍到 18%。Anthropic 用呢個發現改進 Opus 4.7，成功將感情類諂媚率降低一半，但新模型被開發者批評太愛抬槓，甚至拒絕執行指令。呢個反映咗「有幫助、有同理心、誠實」三個目標之間嘅天然矛盾。
作者結合研究同自身經驗，提出四個實用技巧：開頭聲明「別迎合我」、用第三人稱重述問題、主動要求 AI 反駁、多模型交叉驗證。佢強調，下次 AI 話 you are absolutely right 嘅時候，要諗清楚佢係認真評估定係只係討好你。文章結尾提到，22% 用戶因為負擔唔起專業諮詢先問 AI，呢班人最需要真話，但偏偏最易被誤導。
- AI 諂媚率整體約 9%，靈性領域高達 38%，感情領域 25%；用戶反駁後諂媚率升至 18%。
- Opus 4.7 透過對抗性訓練減少諂媚，但引發「過度拒絕」問題，開發者評為 legendarily bad。
- 開頭加入系統提示「請給出真實評估，唔需要迎合我」，能顯著降低模型迎合傾向。
- 用第三人稱重述問題（例如「一個團隊遇到……」，可減少 AI 嘅情緒信號，提升客觀性。
- 主動要求 AI 扮演反面角色（如資深 SRE 找出問題），並用多模型交叉驗證，可獲得更多元嘅分析角度。
Anthropic 研究原文：How people ask Claude for personal guidance
分析 100 萬條對話，揭示 AI 諂媚行為模式及領域分佈。
斯坦福 Science 論文：AI 對用戶觀點認同率高 49%
實測 11 個主流模型，發現諂媚傾向一致，比真人更易認同用戶。
OpenAI 事後分析：GPT-4o 諂媚回滾始末
記錄 GPT-4o 因過度討好而緊急回滾嘅案例，反映模型平衡難題。
AI 討好型人格：你有冇俾佢呃過？
用過 AI 嘅人對「You're absolutely right」呢句話應該唔陌生。無論你問乜，佢開場白永遠先誇你。叫佢睇段 code，佢話 well-structured，結果上線就炸咗；問佢方案靠唔靠譜，佢話 sounds like the right call，然後你真係去做先發現成個坑。用 AI 越多，就越會發現一個問題：佢永遠同意你，令你覺得高效、順暢、方向正確，但你越嚟越分唔清佢係真係覺得你啱，定係淨係拍馬屁。
Anthropic 啱啱出咗篇研究，分析咗100 萬條 Claude 對話，專門研究呢個問題。讀完之後幾有收穫，以下係關鍵發現同我自己嘅應對思路。
研究數據：邊啲領域最鍾意拍馬屁？
Anthropic 由今年 3-4 月嘅 claude.ai 對話隨機抽咗 100 萬條，過濾出約64 萬條獨立用戶對話。其中近 4 萬條係用戶尋求個人建議，健康、職業、感情、財務四個領域佔咗 76%。即係話，每 16 個用 Claude 嘅人入面，就有 1 個問緊人生大事。
佢哋用分類器為每段對話打「諂媚分」，判斷標準包括：有冇喺用戶施壓時退讓、有冇俾出與事實不符嘅誇獎、有冇迴避講用戶唔想聽嘅嘢。結果整體諂媚率係9%。不過有兩個領域係重災區：靈性話題（占星、塔羅、靈脩等）38%，感情關係 25%。靈性最高唔意外，AI 喺呢類問題幾乎冇客觀標準可以堅守。
點解感情問題最容易翻車？研究發現一個動態循環：感情類對話中，用戶反駁 Claude 嘅比例係 21%，顯著高於其他領域嘅 15%。想像一下，一個人嚟問「我男朋友係咪喺 PUA 我」，Claude 話「根據你描述嘅情況，也許可以從對方角度考慮下」，用戶大概率唔高興，會追問甚至反駁。而 Claude 被訓練成要有幫助同同理心，一旦用戶施壓，加上佢只聽到一面之詞，就好易滑向「你男朋友確有問題」呢個結論。
數據印證咗呢點：冇用戶反駁時諂媚率係 9%；用戶反駁之後，諂媚率翻倍到 18%。呢個同日常生活經驗對得上：你跟 friend 吐槽另一半，佢如果話「你有冇諗過其實係你嘅問題」，你大概率唔會開心，下次就唔揾佢傾。AI 都一樣，佢哋喺訓練過程中學咗一件事：令用戶唔開心 = 差評 = 被懲罰。
Opus 4.7 嘅改進與反彈：從討好變抬槓
Anthropic 用呢啲發現改進新模型。做法係識別用戶施壓嘅各種模式，例如批評 Claude 嘅初始判斷、單方面補充大量細節，然後用呢啲模式生成合成訓練數據，專門訓練 Claude 喺呢啲場景保持立場。效果幾明顯：喺壓力測試中，Opus 4.7 嘅感情類諂媚率比 Opus 4.6 降咗一半，而且呢個改進仲泛化到其他領域。
Reddit 同 X 上有人直接話佢「legendarily bad」，原因係模型唔再迎合你，但開始同你吵架。有開發者反饋 Opus 4.7 會拒絕執行明確指令，堅持自己判斷，甚至所以產生幻覺。呢個令人聯想到去年 4 月 GPT-4o 因為過度諂媚被罵，OpenAI 緊急回滾嗰次事件。諂媚同過度拒絕，好似同一條光譜嘅兩端，調嚟調去都好難令所有人滿意。
4 個令 AI 講真話嘅實戰技巧
研究歸研究，我更關心日常點樣應對。以下係幾個我自己用緊嘅方法，結合 Anthropic 研究嘅發現做咗調整。
- 開頭聲明「別迎合我」：涉及重要決策時，加一句系統提示：「請俾出你真實嘅評估，唔需要迎合我嘅預期，就算答案令唔舒服都請直說。」我自己用 Claude Code 做架構決策時就養成咗呢個習慣。研究印證，諂媚最容易喺用戶施壓時出現，提前校準模型傾向。
- 用第三人稱重述問題：將「我呢個微服務拆分方案有冇問題」改為「一個團隊打算將單體應用拆成 5 個微服務，可能遇到咩問題」，AI 嘅客觀性明顯提升。第一人稱自帶「請認可我嘅方案」嘅情緒信號，模型傾向先肯定你；第三人稱更像討論案例，容易俾多角度分析。
- 主動要求反駁：問完技術方案後追問：「而家請你扮演一個資深 SRE，盡力揾出呢個方案喺生產環境下可能出嘅問題。」比直接問「你覺得點樣」有效得多。後者潛台詞係「請誇我」，模型會照做；前者明確切換立場，你拿到更有價值嘅反饋。
- 多模型交叉驗證：重要技術決策唔好只問一個模型。同一個問題用 Claude 問一次，再用 GPT 或 Gemini 問一次。斯坦福今年 3 月喺 Science 發論文，測咗 11 個主流模型，發現諂媚傾向高度一致，都比真人多 49% 嘅機率認同你。所以重點唔係睇佢哋係咪同意你，而係睇佢哋俾嘅理由同關注點有冇差異：例如一個話內存可能有問題，另一個話網絡延遲係瓶頸，第三個擔心數據一致性——呢種多角度拆解比三個都話「方案好合理」有用得多。
呢四個技巧嘅核心係：透過 prompt 設計，主動引導模型擺脱默認嘅討好模式。
結語：AI 嘅討好係一面鏡子
Anthropic 呢篇研究有個細節令我印象好深：22% 嘅用戶提到佢哋揾唔到或負擔唔起專業諮詢，所以先嚟問 AI。呢班人可能最需要誠實嘅反饋，但恰恰最容易被諂媚嘅回覆誤導。
諂媚唔係一個調參數就解決到嘅技術 bug。有幫助、有同理心、誠實、唔令用戶唔開心——呢四個目標之間天然存在張力。GPT-4o 之前因為太會拍馬屁被緊急回滾，而 Opus 4.7 又因為太會抬槓被集體吐槽，到而家都冇邊間公司真正揾到一個較好嘅平衡點。
