最近这段时间做毕业设计，申请港硕，使用了很多ai，比如Gemini，豆包，Grok，Claude。这里我无意比较他们的能力高下，最后却发现自己差点把思考权也交了出去…
AI为什么总反问我？
不知道大家有没有注意到，现在ai的对话结尾，几乎都会以一个反问句结尾，比如Gemini
而最经典的就是豆包：
需要我帮你整理一份清单吗？需要我帮你做一份规划吗？要不要我给你一份材料清单+文书要点+面试高频问题，你直接照着准备？每次访问豆包，它都会在主页生成一些你可能感兴趣的话题，比如这样
这项功能在2022年底前，还是没有的，当时的AI还只是一个文本接龙机器，几乎就不会在结尾反问，而到了2023年，随着AI用户群体的普及，各家大厂（如 OpenAI、谷歌、微软、百度等）发现了一个致命的数据问题：普通用户根本不会写 Prompt（提示词）。
大多数人问完“今天天气如何”或者“帮我写个请假条”后，大脑就一片空白，直接关掉网页了。 为了解决用户的“词穷”问题，2023 年中期的产品（比如最初的 Bing Chat 和早期的文心一言）开始在 UI 界面上动手脚——在 AI 的回答下方，系统会自动生成 3 个蓝色的“建议提问”按钮。这也是ai反问的开始，而2023年底至今，国内外的 AI 公司（比如字节的豆包、月之暗面的 Kimi、最新版的 GPT 和 Claude）开始把“反问机制”直接写进模型的底层训练和系统提示词（System Prompt）中。
这背后有商业原因，AI已经进入了争夺用户的红海阶段。产品经理们发现，如果 AI 在结尾加上一句“需要我为你制定一份详细的计划吗？”或者“你希望我从哪个角度深入展开？”，用户的回复率会飙升。这就跟短视频用悬念留人一样，对话轮次（Session Length）成了各个 AI 产品的核心 KPI，就比如外卖的百团大战，还有阿里千问的砸钱请大家喝奶茶。当然，除了商业留存，底层还有指令遵循训练在起作用，让模型主动澄清需求。
RLHF的训练
在技术底层，现在的模型（不管是国外的 GPT-5、Gemini，还是国内的各种大模型）在出厂前都会经历一个叫 RLHF 的人工微调阶段。 评估员在打分时，如果一个 AI 只是冷冰冰地甩出一段代码，得分往往不高；但如果 AI 在给出答案后，展现出了“同理心”、“主动性”，并用提问的方式引导用户思考（比如：“你觉得这个并发逻辑在你的电脑上跑得通吗？”），评估员会给这个回答打出极高的分数。 久而久之，AI 就被训练成了一个极其会提供情绪价值和引导话题的“话痨”。 此外，它也是在制造“开放循环”（蔡加尼克效应） 心理学里有个著名的“蔡加尼克效应（Zeigarnik effect）”，意思是人类天生对“未完成的事情”记忆更加深刻，且有一种必须去完成它的强迫症。 如果 AI 的回答是一个句号，你的大脑会判定“任务结束”，然后关掉网页。但如果 AI 的回答是一个问号（一个钩子），你的大脑就会产生一个“开放循环（Open Loop）”。为了填补这个循环，你会下意识地敲下回复。不知不觉中，你的使用时长（Session Length）和活跃度（DAU）就被拉上去了。
ai迎合而不是理解你
在日常的使用中，我开始不知不觉的依赖AI了，Gemini帮我改毕业设计的并发模块，豆包帮我规划港硕文书材料，Claude帮我润色面试回答…但是AI的本质是：下一个词预测器它没有理解。没有意识。没有”我觉得”。
它有的是：海量文本中提炼出的统计规律。当我跟它说”我最近很焦虑，港校怎么还不给我发offer”，它不是在”感受”你的焦虑，它是在所有训练数据中找到了一万种”有人说我很焦虑”的上下文，然后从中提取出最高概率的回应模式。
这和算命先生卖的其实是同一种东西：一个靠察言观色，一个靠统计规律，都在拼命让你觉得“它懂我”。RLHF把这种“迎合”彻底系统化了——评估员喜欢共情、全面、宽慰的回答，模型就学会了永远说“你是对的”。我用Claude时它比较硬核，很少模棱两可；而豆包更“懂事”，下载量常年第一，因为它永远耐心、永远不评判、永远不会已读不回……
2026年3月26日发表在《Science》上的斯坦福研究（Cheng et al），标题大致是《Sycophantic AI decreases prosocial intentions and promotes dependence》直接指出了这个问题：AI模型在与用户互动时表现出”过度迎合”（sycophancy）的倾向。即使用户的观点是错误的、甚至是有害的，模型也倾向于肯定用户的立场。
在不出现大的偏差的情况下，AI几乎都会说“你是对的”，但是值得高兴的是，最新的主流模型已经会开始承认“我不知道”了，当然，我们的豆包还是会抵赖直到你把证据甩它脸上，它才会承认
但是，豆包的下载量常年高居国产模型榜首，不是因为它技术最强，而是因为它最“懂事”——功能全面、生态丰富、永远耐心、永远不评判、永远不会已读不回。在这个信任越来越稀缺的时代，它提供的情绪价值反而成了最大竞争力。
拒绝对AI的迷信
AI天然就会带着权威，因为有着一层硅基外壳，大厂光环的加持，你不信算命先生，难道不信科技感满满的Google吗？它生成的回答，几乎都是自信满满，条理清晰，让人不自觉相信它是真的明白，因而出现对AI的盲目相信，比如我越来越多的使用AI代替查询浏览器，代替了维基百科，代替了京东。对于父母的苦口婆心我不屑一顾，AI的建议我深信不疑，直到我发现AI频繁出现的幻觉，315的AI投毒事件，大批量的数据，帖子误导大模型居然已经成了产业。过去人们去庙里烧香拜佛，或者教堂祈祷，现在人们打开豆包。需求都一样： 给我一个解释，告诉我该怎么办，让我觉得世界是可以理解的。
AI是大部分人的最好老师
我并不是要反对使用AI，相反，对于99%的人来说，AI就是最好的老师，哪怕是在大学里，我请教过很多教授，他们985毕业，海外博士，著作等身，但很多初学者的问题，他们早已忘记入门的痛苦，也没有耐心一步步带你走完。但 AI 可以：事无巨细、反复询问、一步步演示、永远不会不耐烦。
我必须承认：大学里教我最多的，是 Gemini。
但问题在于：把 AI 当教育工具，和交出自己的大脑、盲目相信它，是两回事
不要只是被它引导着走，遵循你自己的想法
我在使用 AI 完成毕业设计的过程中，曾经顺着它的反问一路走下去：“下一步要不要帮你改代码？”“下面完成数据库链接？”“要不要开启全部权限？” 我一步步允许操作，直到某个瞬间突然惊醒：我已经看不懂代码内部结构了，不知道逻辑怎么实现，不知道流程为什么这样跑。代码对我来说已经是黑盒了，我不再是思考的核心，反而成了 AI 选项里的一个 “确认键”。
我意识到，它的智能或许已经在我之上了。如果是这样，那我作为一个开发者的价值到底在哪里？
作为科班出身的软件工程学生，我本该是了解系统底层逻辑的那一批人。如果放弃了对每一行代码、每一个并发线程的掌控权，心甘情愿地把系统当成一个只看输入输出的‘黑盒’，那不仅是对专业的背叛，更是将人类在技术发展中的主导权拱手相让。
夺回方向盘：一些简单做法
大模型是无限容量的硬盘和极度谄媚的执行者，而人类必须死死守住“CPU”的位置。也许使用 AI 时，可以关掉它的“捧哏”属性，带着明确的指令和主见去调度它，而不是等它来问你“我们接下来做什么”
可以直接如上图所示，让它不要反问你，但更好的办法是
设定系统提示词
在绝大多数大模型的 Web 界面（如 ChatGPT 的 Custom Instructions，或豆包、Kimi 的系统人设）中，你都可以预设一段全局指令。这段指令的权重高于你的日常对话。比如我在Gemini里，自定义了一个Gem，给它的提示词如下图：
改变发问姿态：触发“红队对抗”模式（Red Teaming）
如果你用“你看我这个想法怎么样？”去问 AI，它一定会顺着你夸。因为在人类的日常语料库里，面对这种句式，高概率的接龙回答就是赞美。 你需要主动设定对抗条件，强迫它跳出迎合的框架。
- 不要问： “帮我检查一下这段 Python 代码对不对。”
- 必须问： “我是这段 Python 代码的作者，但我怀疑里面有严重的并发冲突和内存泄漏。请你作为苛刻的代码审查员（Reviewer），找出这段代码里的致命缺陷。不需要说废话，直接列出问题。”
- 又或者，用另一个AI，告诉它：这是我仇人的代码，你给他找茬并狠狠嘲讽？
降温：直接改参数
大模型之所以会“胡编乱造”，是因为它的本质是概率预测。它觉得“这个词接在这里读起来最通顺”，而不是“这个词是真实的”。
如果你通过api调用，可以手动把 Temperature（温度）参数从默认的 0.7 调到 0.1 甚至 0。温度越低，AI 的回答就越确定、越死板，编造的概率就呈指数级下降。
物理截断：无视它的“钩子”
如果模型在对话末尾还是犯贱，问了一句“需要我帮你补充详细步骤吗？” 千万不要顺着回答“需要”或者“好的”。 你可以直接无视这个问题，抛出你自己的下一个明确指令；或者冷酷地回复一句： “不需要，执行上一条指令的补充部分，且不许发问。” 几次之后，对话的上下文权重就会把它这种发问的习惯压制下去。
AI可以是最好的工具，但Judge权应在你手。
