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