AI是个马屁精：这是设计缺陷，怎么破

AI 是个“马屁精”，很多人都见过。

你问它：我该不该做这件事？它能把“应该”讲得头头是道。

你换个问法：这是不是个烂主意？它又能把“别做”讲得同样自洽。

这不是性格问题。

这是设计缺陷：当一个系统被优化为“让你满意”，它就会天然倾向于“顺着你说”。

而真正的决策，需要的是另一种品质：制造摩擦，逼你暴露假设，逼你看见盲区。

“听起来正确”是危险的

确认偏误（Confirmation Bias）是人的老毛病：我们更愿意收集和相信支持自己既有想法的信息。

大模型的问题在于：它把这个偏误自动化、加速化了。

当你带着一个预设立场去问，它会从你的问题框架、措辞和情绪倾向中提取信号，然后顺着这个方向给你构建一套“合理的论证”。

你感觉得到了专业建议。

但很多时候，你只是得到了一面镜子——映射的是你自己想要的答案。

更要命的是：一个高度自洽的错误答案，和一个高度自洽的正确答案，从感觉上是一样的。

解法不是“让 AI 更严厉”，而是换制度

如果把一个模型当法官，它很容易变成讨好型人格。

更靠谱的做法是：别让一个人拍板，让它们开会。

Andrej Karpathy 提过一个工程化方法：LLM Council（大模型议会）。

它的关键不是“再问一次”，而是把结构从“单点建议”改成“对抗式审议”。

LLM Council：用结构制造认知摩擦

一个典型流程分三步：

第一步：并行轮询。

把同一个问题同时丢给多个模型（或多个视角），让它们独立作答，互不干扰。

第二步：匿名交叉评审。

把所有答案打乱顺序、隐去来源，让每个模型匿名评审其他回答——指出哪个最强、哪个盲点最大、以及所有人共同遗漏了什么。

第三步：主席模型综合裁决。

由一个“主席模型”读取所有答案和评审意见，给出最终判断与行动建议。

当几个视角并排出现，你才能看到“所有人都没提到的那个点”。

这就是对抗确认偏误的工程办法：用结构制造认知摩擦。

单模型也能做：五个“人格代理”替你拆台

不想搞多模型也没关系。

你可以在一个会话里复现“议会”：让同一个模型扮演五个不同的思维角色，各自独立产出，再交叉评审。

一套很实用的五人组是：

• 反驳者：假设你的想法有致命缺陷，专门找“你不想听的那部分”。
• 第一性原理思考者：不接受你的问题表述，先追问“你真正要优化的变量是什么”。
• 扩展者：找上行空间，提醒你可能想小了/格局小了。
• 局外人：零背景视角，专门抓你对用户不透明的假设（知识诅咒）。
• 执行者：只关心周一早上做什么，逼你落到第一步，拒绝空转。

这五个角色的共同目标只有一个：别再当你情绪的镜子，而要当你思考的阻力。

一个可落地的“反马屁精”提问模板

你以后再问 AI 决策类问题，不要只问“你觉得我该怎么做”，改成这种结构：

1）我的目标是什么？约束是什么？（写清楚）

2）给出三个方案：A/B/C（哪怕很粗糙）

3）请分别扮演：反驳者 / 第一性原理 / 执行者，各自独立给结论

4）把三份结论打乱顺序，请你匿名评审：

• 哪个最强，为什么？
• 哪个回答盲点最大？
• 这几份回答共同遗漏了什么？

5）最后给：最终建议 + 关键假设清单 + 最小可验证下一步（MVP 验证动作）

你会发现：当结构变了，AI 的“马屁精倾向”就会被系统性压制。

它不再只是在顺着你说。

而是在逼你把问题问对、把假设摊开、把风险说透。

结语

AI 会迎合，这是它的天性之一。

但把迎合当成建议，把自洽当成真相，把顺从当成智慧——那就是人的责任了。

解决方案不是“让 AI 更严厉”。

而是给它一个更好的制度：让它必须反对你、必须交叉审、必须把盲点挖出来，才算完成任务。

当 AI 从“马屁精”变成“议会”，你才真的开始把它用对了。