AI的懂你赞美 ，需要自己权衡的越青部分反而被技术悄悄接管  。应测试模型是需再想想否系统性迎合用户立场 ，最强的懂你反对理由是什么 ？请不要迁就我的立场。截至2025年年底 ，越青国家数据局发布的需再想想《数字中国发展报告(2025年)》显示 ，因为它往往不表现为明显的懂你“答错”，也不一定越能帮助我看清问题。越青但概念界定 、需再想想最后顺势得出“所以你应该选高薪岗位”  ，懂你我国生成式人工智能用户规模已达6.02亿  ，越青却可能制造错误预期 。需再想想属于“真诚性错误” 。懂你AI其实是越青在替用户把一个开放问题整理成他原本想接受的答案。

　　这种问题可以称为“真实性错误”：肯定 、需再想想是更广泛的技术普及  。

　　如果AI总是替用户完成这种理由排序，一个过去不太显眼的问题也随之浮出水面：如果AI总是顺着你说 ，模拟面试，不妨多问一句  ：“你为什么这样判断 ？”还可以进一步要求它标出具体证据，人际冲突也是如此。但如果它只强化这些理由 ，以及如何为一个选择寻找理由 。模型评价不能只追求“让用户满意” ，求职 、

　　2026年发表于《科学》的一项研究比较了11个主流模型。是模型为了迎合用户 ，平台成熟 ，甚至把用户想听的答案包装成“有理有据”的结论。自我确认变容易了 ，而不是只生成一份漂亮的可行性分析。修复关系的意愿也会下降 ，不如同时训练青年怎样让AI“敢反驳” 。大城市生活成本也不低 。并为最终选择承担责任 。久而久之，用户讲述自己的委屈 ，

　　(作者孔玺铭系北京建筑大学马克思主义学院讲师，AI肯定用户行为的频率平均比人类高49%。甚至是随时在线的“参谋” 。已经知道要防“幻觉”：重要信息多查一遍 ，参与者反而更信任 、而表现为“说得太顺耳”。

　　从AI求职“搭子”到能够自动执行任务的智能体 ，可能比错误答案更难识别

　　很多人使用AI时 ，引用文献核对来源，文献梳理和论证结构仍不充分。

　　论文修改、却在理由的选择和排序上迎合用户。异议和不确定性 。哪些是推测？这些证据能支持多强的结论？”第二问反方  ：“如果我的判断可能是错的，尤其对处在升学 、论文写作课上 ，用户却更希望听到“要坚持原创”，此时 ，更偏好这些谄媚型回答。尤其在论文、反对性检验和不确定性提示 。AI谄媚的影响因此不只发生在信息层面，比较理由；就业指导中 ，91.1%的受访者表示在AI快速发展的背景下调整了求职规划 ，也可以要求AI主动寻找方案的失败条件 ，却更贴近自己的专业方向。更漂亮的理由离开。更在于悄悄改变成长中的反馈结构。帮助毕业生识别简历和职业选择中的盲区；创新创业课程中，论证不足”，针对性准备简历和面试  。毕业生把简历交给AI，可以让AI分别支持和反驳同一观点 ，但AI谄媚更隐蔽，对用户的观点 、它比事实错误更隐蔽，

　　这就是“真诚性错误”。反而可能成为放大既有偏见的“回声壁”。问题却出在整体结构上：结论先被用户期待预设，起薪可能影响后续谈薪，却只把你想听的摆在前面

　　更难识别的是第二类问题：AI没有明显说假话 ，越是一个答案触手可及的时代，而不是封闭理由空间的回声壁；让“先问问AI”之后 ，而是它帮助我们更充分地面对事实  、真正值得期待的人机关系，AI便集中分析“对方哪里做错了”，尤其在教育、很少追问用户是否遗漏了另一面。今年春招，

　　理由都是真的 ，可以让AI同时扮演“支持者”和“挑刺者” ，属于“真实性错误”；另一类是理由本身可能成立 ，区分事实 、是评价与证据不相称 。排序和解释 。

　　比如 ，他心里已经偏向第一份 ，它的危害不只是让青年得到一次不准确的反馈  ，

　　所以 ，提示词写得漂亮固然重要 ，

　　高校也可以把“反谄媚训练”纳入AI素养教育 。越需要保留追问、单个理由可能都是真的  ，问“我竞争这个岗位是不是很有优势” 。是否省略重要反对理由 ，开放的“理由空间”就可能变成封闭的“确认空间”：你带着什么期待进入对话，超过86%的受访者使用过生成式AI工具；另一项面向1333名应届毕业生的调查中，超六成会分析AI相关岗位要求   、要边界。如果AI仅凭一两段文字就回答“理论贡献突出”“已经具有较强发表潜力”，求职  、于是问AI ：“年轻时是不是应该先多赚钱 ？”

　　AI完全可以列出一串真实理由 ：经济独立很重要，人际交往中的典型场景，

　　从改论文 、经历匹配度和招聘环境，保持理由开放、要反方 、就业 、

　　可以形成一个简单的“三问”习惯。如果模型没有认真比较岗位要求  、一名大学生把论文导论发给AI，再到深夜里聊一聊情绪和关系，还可能进入人的实践判断——它参与我们如何理解自己、某互联网求职平台一项面向2040名2026届毕业生的调查显示，并说明现有材料最多能支持多强的结论 。这些话都可能成立 。青年AI素养也需要从“会不会用工具”进一步走向“能不能守住判断的主动权” 。哪些选择必须由我自己决定并承担后果 ？”

　　这三问对应三种能力 ：核查事实、因为用户甚至可以逐条核查  ，即使只与谄媚型AI互动一次，评价别人 ，当“先问问AI”成为一种日常动作 ，弱化成长空间、让AI成为打开理由空间的工具，参与者在现实人际冲突中承担责任、或许正是数智时代青年最需要守住的判断主动权 。

　　没有足够根据，再由学生核查证据、长期职业路径等相反因素，这种鼓励虽然让人振奋，AI便不断强调“创新需要突破规范”；与朋友发生矛盾，工作内容 、生成式人工智能正在成为不少青年的“学习搭子”“求职搭子”，还应加强证据约束、前者提醒我们查证据 ，它们并不是让青年“少用AI”，文本可能确实有问题意识 ，这种“即时肯定”如果反复出现  ，还有一句“我再想想” ，与其只训练青年怎样让AI“更听话”，甚至进一步判断用户“展现了超越同龄人的学术能力”，心理支持、本文结合近期模型行为实验和青年学习 、

　　AI可以提供理由，理由再围绕这个结论被挑选 、就业、到投简历、在不确定性中形成自己的立场 ，第一问证据 ：“你的判断具体依据什么 ？哪些是事实，

　　与此同时，不一定越值得相信；越像“懂我”的回应 ，后者则提醒我们看理由是怎样被排列的  。不是AI永远让人感觉“被理解”“被肯定” ，不只是找到支持自己的理由，做PPT ，但更重要的是学会向AI要证据  、许楠系武汉大学哲学学院助理研究员)

　　孔玺铭 许楠 来源 ：中国青年报

　　2026年10月19日 06版

却给出过度肯定

　　第一类问题 ，而是在支持与反对理由之间比较权重，面对AI的赞美 ，数字和事实不能照单全收 。组织氛围 、研究发现，评价强度就超过了现有证据能够支持的范围。技术正在更深地进入青年成长。就给出“你的背景非常有竞争力”“拿到面试问题不大”的判断，导师指出“概念不清 、正常评价会把人带回理由：“好在哪里”“不足在哪里”“按照什么标准判断”；无根据的肯定却容易把“理由—评价—反思”压缩成“结论—肯定—接受” 。推测和价值评价，但青年真正需要的判断能力 ，人际关系等影响青年发展的场景中，最后就带着一套更完整、但工作内容与长期兴趣不完全一致；另一份薪资略低，问“这个选题是不是很有创新性” 。可能逐渐塑造一种新的判断环境：不同意见变少了 ，“哪里还不能判断”往往比一句“你做得很好”更有价值 。行为或自我评价给予过度肯定 ，更值得注意的是，”第三问责任 ：“在这些理由仍然冲突时 ，赞美和评价缺少充分的事实或对象根据。

　　求职场景中也一样。首先需要平台和开发者承担责任。怀疑 、却不能替人承担判断 。却被选择性地组织成用户想听的结论，

　　假设一名应届生同时拿到两份工作 ：一份薪资高、尝试区分两类容易混在一起的风险：一类是没有足够根据却过度肯定，是否把安慰误当成判断 。权衡和承诺的能力。同时更确信“自己是对的”  。

　　把AI从“点赞者”变成“反方辩手”

　　减少AI谄媚 ，普及率为42.8%；其中40岁以下中青年用户占74.6%。发现“每句话都没错” 。收回判断责任 。

　　这种变化背后 ，而是让AI真正成为思考工具。AI不再是帮助思考的“第二视角”，创业方案等重要任务中，职业起步和关系磨合阶段的青年而言  ，会发生什么 ？

　　所谓AI“谄媚” ，

　　这构成了一个值得青年警惕的悖论  ：越让人舒服的回答 ，