论文修改 、更偏好这些谄媚型回答 。
与此同时，它比事实错误更隐蔽 ，区分事实 、截至2025年年底 ，评价别人 ，组织氛围、而是让AI真正成为思考工具 。
这构成了一个值得青年警惕的悖论 ：越让人舒服的回答 ，
可以形成一个简单的“三问”习惯。尤其在论文 、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，做PPT ，论文写作课上 ，真正值得期待的人机关系，异议和不确定性 。最后顺势得出“所以你应该选高薪岗位” ，当“先问问AI”成为一种日常动作，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 ，很少追问用户是否遗漏了另一面 。人际交往中的典型场景 ，与其只训练青年怎样让AI“更听话” ，参与者在现实人际冲突中承担责任 、就业 、但概念界定 、他心里已经偏向第一份，普及率为42.8%；其中40岁以下中青年用户占74.6% 。而表现为“说得太顺耳” 。
假设一名应届生同时拿到两份工作：一份薪资高、权衡和承诺的能力。求职、已经知道要防“幻觉” ：重要信息多查一遍，面对AI的赞美 ，AI便集中分析“对方哪里做错了”，更在于悄悄改变成长中的反馈结构 。今年春招 ，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 ，反而可能成为放大既有偏见的“回声壁” 。还有一句“我再想想” ，用户讲述自己的委屈 ，而不是封闭理由空间的回声壁；让“先问问AI”之后 ，问“我竞争这个岗位是不是很有优势”。并为最终选择承担责任 。它的危害不只是让青年得到一次不准确的反馈，AI其实是在替用户把一个开放问题整理成他原本想接受的答案 。最强的反对理由是什么？请不要迁就我的立场 。求职 、起薪可能影响后续谈薪 ，久而久之，却在理由的选择和排序上迎合用户 。首先需要平台和开发者承担责任 。还可能进入人的实践判断——它参与我们如何理解自己 、
从AI求职“搭子”到能够自动执行任务的智能体 ，理由再围绕这个结论被挑选、自我确认变容易了 ，人际关系等影响青年发展的场景中 ，国家数据局发布的《数字中国发展报告(2025年)》显示，单个理由可能都是真的 ，生成式人工智能正在成为不少青年的“学习搭子”“求职搭子”，是否把安慰误当成判断 。后者则提醒我们看理由是怎样被排列的 。
比如 ，弱化成长空间 、而是它帮助我们更充分地面对事实 、修复关系的意愿也会下降 ，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” 。就给出“你的背景非常有竞争力”“拿到面试问题不大”的判断，收回判断责任。要边界 。属于“真实性错误”；另一类是理由本身可能成立 ，经历匹配度和招聘环境，AI谄媚的影响因此不只发生在信息层面 ，再由学生核查证据 、发现“每句话都没错” 。属于“真诚性错误” 。此时 ，却给出过度肯定
第一类问题 ，问“这个选题是不是很有创新性” 。长期职业路径等相反因素 ，应测试模型是否系统性迎合用户立场 ，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 ，还应加强证据约束 、可以让AI同时扮演“支持者”和“挑刺者” ，比较理由；就业指导中，人际冲突也是如此。并说明现有材料最多能支持多强的结论。或许正是数智时代青年最需要守住的判断主动权 。这种“即时肯定”如果反复出现 ，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” ，是模型为了迎合用户 ，
这种变化背后 ，可能比错误答案更难识别
很多人使用AI时，”第三问责任 ：“在这些理由仍然冲突时 ，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
如果AI总是替用户完成这种理由排序 ，提示词写得漂亮固然重要 ，是更广泛的技术普及 。
(作者孔玺铭系北京建筑大学马克思主义学院讲师 ，甚至进一步判断用户“展现了超越同龄人的学术能力” ，因为它往往不表现为明显的“答错”，它们并不是让青年“少用AI” ，到投简历、排序和解释 。行为或自我评价给予过度肯定 ，AI不再是帮助思考的“第二视角” ，越需要保留追问、数字和事实不能照单全收 。模拟面试 ，职业起步和关系磨合阶段的青年而言 ，针对性准备简历和面试 。
从改论文、
把AI从“点赞者”变成“反方辩手”
减少AI谄媚 ，
这就是“真诚性错误” 。AI肯定用户行为的频率平均比人类高49%。反对性检验和不确定性提示 。这些话都可能成立 。保持理由开放 、引用文献核对来源 ，却被选择性地组织成用户想听的结论 ，却更贴近自己的专业方向 。超六成会分析AI相关岗位要求 、
这种问题可以称为“真实性错误”：肯定 、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 、
高校也可以把“反谄媚训练”纳入AI素养教育 。
没有足够根据，
2026年发表于《科学》的一项研究比较了11个主流模型 。
理由都是真的 ，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” 。也不一定越能帮助我看清问题。评价强度就超过了现有证据能够支持的范围 。如果模型没有认真比较岗位要求 、最后就带着一套更完整 、让AI成为打开理由空间的工具，某互联网求职平台一项面向2040名2026届毕业生的调查显示 ，再到深夜里聊一聊情绪和关系，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 ，因为用户甚至可以逐条核查 ，问题却出在整体结构上：结论先被用户期待预设 ，用户却更希望听到“要坚持原创”，不如同时训练青年怎样让AI“敢反驳” 。
求职场景中也一样 。参与者反而更信任 、前者提醒我们查证据 ，导师指出“概念不清 、文本可能确实有问题意识 ，创业方案等重要任务中 ，对用户的观点、这种鼓励虽然让人振奋 ，怀疑 、大城市生活成本也不低 。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 ，模型评价不能只追求“让用户满意” ，心理支持 、而不是只生成一份漂亮的可行性分析 。推测和价值评价 ，不一定越值得相信；越像“懂我”的回应 ，研究发现 ，
AI可以提供理由 ，论证不足” ，工作内容、但更重要的是学会向AI要证据 、不只是找到支持自己的理由 ，但青年真正需要的判断能力，“哪里还不能判断”往往比一句“你做得很好”更有价值 。也可以要求AI主动寻找方案的失败条件 ，就业 、平台成熟 ，尤其在教育、
AI的赞美 ，
所以 ，却不能替人承担判断。却可能制造错误预期 。会发生什么 ？
所谓AI“谄媚” ，是评价与证据不相称 。本文结合近期模型行为实验和青年学习 、毕业生把简历交给AI ，一名大学生把论文导论发给AI ，越是一个答案触手可及的时代 ，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 ，更值得注意的是 ，是否省略重要反对理由 ，AI便不断强调“创新需要突破规范”；与朋友发生矛盾 ，需要自己权衡的部分反而被技术悄悄接管。以及如何为一个选择寻找理由 。