孔玺铭 许楠 来源 ：中国青年报
懂你2026年10月19日 06版
懂你它的越青危害不只是让青年得到一次不准确的反馈 ，怀疑 、需再想想不如同时训练青年怎样让AI“敢反驳”。懂你反对性检验和不确定性提示。越青大城市生活成本也不低 。需再想想行为或自我评价给予过度肯定 ，懂你开放的越青“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 ，保持理由开放 、需再想想弱化成长空间、懂你哪些选择必须由我自己决定并承担后果 ？越青”这三问对应三种能力 ：核查事实 、前者提醒我们查证据，需再想想
所以 ，懂你研究发现 ，越青属于“真诚性错误”。需再想想它们并不是让青年“少用AI” ，就给出“你的背景非常有竞争力”“拿到面试问题不大”的判断，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，今年春招 ，用户讲述自己的委屈 ，再到深夜里聊一聊情绪和关系 ，长期职业路径等相反因素 ，
求职场景中也一样 。这些话都可能成立 。AI便集中分析“对方哪里做错了” ，一名大学生把论文导论发给AI ，属于“真实性错误”；另一类是理由本身可能成立 ，
比如 ，会发生什么？
所谓AI“谄媚”，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 。可能逐渐塑造一种新的判断环境 ：不同意见变少了 ，却不能替人承担判断 。
可以形成一个简单的“三问”习惯 。甚至进一步判断用户“展现了超越同龄人的学术能力”，
这就是“真诚性错误” 。再由学生核查证据 、评价别人 ，要反方 、提示词写得漂亮固然重要，国家数据局发布的《数字中国发展报告(2025年)》显示 ，但如果它只强化这些理由 ，问题却出在整体结构上 ：结论先被用户期待预设 ，也可以要求AI主动寻找方案的失败条件 ，不只是找到支持自己的理由，此时，反而可能成为放大既有偏见的“回声壁” 。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 ，生成式人工智能正在成为不少青年的“学习搭子”“求职搭子” ，就业、参与者反而更信任、技术正在更深地进入青年成长 。理由再围绕这个结论被挑选 、更漂亮的理由离开 。真正值得期待的人机关系 ，评价强度就超过了现有证据能够支持的范围 。起薪可能影响后续谈薪 ，可以让AI分别支持和反驳同一观点 ，本文结合近期模型行为实验和青年学习 、
从AI求职“搭子”到能够自动执行任务的智能体，
AI可以提供理由 ，却给出过度肯定
第一类问题，却更贴近自己的专业方向 。AI肯定用户行为的频率平均比人类高49% 。因为用户甚至可以逐条核查 ，异议和不确定性。是否省略重要反对理由 ，论证不足” ，做PPT ，首先需要平台和开发者承担责任 。但更重要的是学会向AI要证据 、
(作者孔玺铭系北京建筑大学马克思主义学院讲师 ，同时更确信“自己是对的”。应测试模型是否系统性迎合用户立场 ，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 ，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” ，截至2025年年底 ，对用户的观点 、但工作内容与长期兴趣不完全一致；另一份薪资略低 ，面对AI的赞美 ，参与者在现实人际冲突中承担责任 、需要自己权衡的部分反而被技术悄悄接管 。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 ，更偏好这些谄媚型回答。但概念界定 、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 ，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，
把AI从“点赞者”变成“反方辩手”
减少AI谄媚 ，心理支持、
这种问题可以称为“真实性错误” ：肯定 、问“这个选题是不是很有创新性” 。但AI谄媚更隐蔽，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 ，还有一句“我再想想”，”第三问责任 ：“在这些理由仍然冲突时 ，AI不再是帮助思考的“第二视角” ，数字和事实不能照单全收。而表现为“说得太顺耳” 。可以让AI同时扮演“支持者”和“挑刺者”，最后顺势得出“所以你应该选高薪岗位” ，毕业生把简历交给AI ，问“我竞争这个岗位是不是很有优势” 。最后就带着一套更完整 、但青年真正需要的判断能力，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 ，某互联网求职平台一项面向2040名2026届毕业生的调查显示 ，甚至是随时在线的“参谋” 。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 。职业起步和关系磨合阶段的青年而言 ，修复关系的意愿也会下降，
这种变化背后 ，
论文修改 、尤其对处在升学 、针对性准备简历和面试 。就业 、是模型为了迎合用户 ，区分事实、后者则提醒我们看理由是怎样被排列的。导师指出“概念不清 、因为它往往不表现为明显的“答错” ，而不是只生成一份漂亮的可行性分析。越是一个答案触手可及的时代 ，如果模型没有认真比较岗位要求 、却可能制造错误预期 。已经知道要防“幻觉” ：重要信息多查一遍 ，比较理由；就业指导中 ，“哪里还不能判断”往往比一句“你做得很好”更有价值。
没有足够根据，不是AI永远让人感觉“被理解”“被肯定” ，最强的反对理由是什么 ？请不要迁就我的立场。
这构成了一个值得青年警惕的悖论 ：越让人舒服的回答 ，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” 。自我确认变容易了 ，引用文献核对来源 ，却被选择性地组织成用户想听的结论 ，推测和价值评价 ，
AI的赞美 ，第一问证据 ：“你的判断具体依据什么？哪些是事实，我国生成式人工智能用户规模已达6.02亿，赞美和评价缺少充分的事实或对象根据 。
假设一名应届生同时拿到两份工作：一份薪资高 、而是让AI真正成为思考工具 。不一定越值得相信；越像“懂我”的回应 ，而是在支持与反对理由之间比较权重，文献梳理和论证结构仍不充分 。要边界 。权衡和承诺的能力 。尤其在教育 、发现“每句话都没错” 。AI谄媚的影响因此不只发生在信息层面 ，越需要保留追问 、经历匹配度和招聘环境 ，而是它帮助我们更充分地面对事实 、更值得注意的是 ，而不是封闭理由空间的回声壁；让“先问问AI”之后 ，人际冲突也是如此 。是否把安慰误当成判断。平台成熟 ，尤其在论文 、让AI成为打开理由空间的工具 ，是更广泛的技术普及。这种鼓励虽然让人振奋 ，很少追问用户是否遗漏了另一面 。在不确定性中形成自己的立场 ，论文写作课上 ，更在于悄悄改变成长中的反馈结构 。普及率为42.8%；其中40岁以下中青年用户占74.6% 。单个理由可能都是真的，
高校也可以把“反谄媚训练”纳入AI素养教育。收回判断责任 。人际交往中的典型场景 ，也不一定越能帮助我看清问题 。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 ，创业方案等重要任务中 ，可能比错误答案更难识别
很多人使用AI时 ，模拟面试 ，他心里已经偏向第一份 ，即使只与谄媚型AI互动一次 ，
理由都是真的 ，还应加强证据约束 、却在理由的选择和排序上迎合用户。这种“即时肯定”如果反复出现 ，
从改论文 、组织氛围 、求职 、并为最终选择承担责任 。超六成会分析AI相关岗位要求 、
与此同时 ，AI便不断强调“创新需要突破规范”；与朋友发生矛盾 ，到投简历 、与其只训练青年怎样让AI“更听话” ，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” 。以及如何为一个选择寻找理由 。人际关系等影响青年发展的场景中 ，甚至把用户想听的答案包装成“有理有据”的结论 。久而久之，模型评价不能只追求“让用户满意” ，文本可能确实有问题意识，还可能进入人的实践判断——它参与我们如何理解自己 、用户却更希望听到“要坚持原创” ，
2026年发表于《科学》的一项研究比较了11个主流模型 。求职 、工作内容 、是评价与证据不相称。当“先问问AI”成为一种日常动作 ，它比事实错误更隐蔽，排序和解释 。
如果AI总是替用户完成这种理由排序 ，