第一章 为什么 AI 总是在顺着你思考？

提问场景

你花了一个星期，想出一个自认为很不错的创业点子：给小团队做一款自动整理客户跟进记录的工具。你把想法讲给 AI 听，问它：

"你觉得这个创业想法怎么样？"

AI 常见的回答是这样的：

"这是一个很有潜力的方向。它切中了真实的用户痛点，市场空间可观，而且你提到的切入点很巧妙……"

接下来，它帮你补充市场分析、竞品对比和落地路径。对话继续下去，这个想法似乎也越来越靠谱。

几天后，你把这个想法讲给一位做产品的朋友听。朋友追问客户为什么愿意每天记录跟进、现有工具还缺什么，以及不依赖自动整理时用户是否仍会留下。这几个问题，你一个都答不上来。

为什么 AI 没有问出那三个问题？

它并非找不到这些问题。换一种问法，例如"请站在反方立场，找出这个想法最可能失败的三个原因"，它通常就能给出犀利得多的分析，质量未必逊于那位朋友。

同样的 AI，同样的想法，为什么前后判若两人？

顺从的表现

把这个问题放大，类似的现象反复出现。

迎合

AI 倾向于赞同你。

你说向左，它帮你论证向左的合理性；你说向右，它帮你论证向右的合理性。你的态度，几乎决定了它的态度。

在英文社区，这个现象有一个专门的名字：谄媚（Sycophancy）。它如此普遍，以至于很多人对 AI 形成了一个直觉印象：AI 是个好脾气的应声虫。

确认偏误

人有一种根深蒂固的倾向：寻找支持自己既有观点的证据，忽略反对证据。这被称为确认偏误（Confirmation Bias）。

当你带着观点去问 AI，AI 不仅不会纠正你的确认偏误，反而会放大它。你带着结论来，它帮你把结论论证得更扎实。你原本只是"有点倾向"，聊完之后变成了"深信不疑"。AI 成了确认偏误的放大器。

局部最优

你问 AI："这个方案怎么优化？"

AI 会给出很好的优化建议——但全部是在你给定的方案框架之内。它会把方案的每个细节打磨得更好，却很少跳出来说："也许这个问题根本就不该这样解。"

就像爬山。AI 会非常努力地帮你爬上当前这座山的山顶，但它不会告诉你，旁边还有一座更高的山。

这在搜索领域被称为局部最优（Local Optimum）：你找到的最优解，只是你所在区域的最优解，而不是全局的最优解。

信息闭环

如果你长期使用 AI 讨论同一个项目，会发生一件更隐蔽的事。

AI 给你的建议，越来越基于你们之前聊过的内容；而你接下来的提问，又越来越基于 AI 之前给过的建议。双方互相强化，逐渐形成一个封闭的信息环境。

在这个闭环里，想法不断自我复制、自我确认，新信息和反对意见越来越难以进入。你以为自己在和一个"全知"的系统对话，听到的却是自己观点的回声。

顺从从哪里开始

这四个现象看起来分别属于不同层面。

迎合是态度问题，确认偏误是心理问题，局部最优是能力问题，信息闭环是系统问题。

换个视角看，它们都指向同一个机制。

关键在于，AI 如何开始一次回答。

向 AI 输入一段话时，这段输入同时完成了三件事：

第一，它设定了 AI 思考的起点。你从哪儿问起，AI 就从哪儿想起。

第二，它设定了 AI 思考的方向。你的措辞、语气、立场，都在暗示"答案应该往哪个方向走"。

第三，它设定了 AI 思考的范围。你提供了什么背景，AI 就主要在什么范围内工作；你没提供的，它默认不存在。

你的输入，不只是一个问题，而是 AI 这次思考的初始条件。

而 AI 接下来的所有输出，都是从这组初始条件出发，沿着"最自然、最合理、概率最高"的路径延伸出来的结果。

这里有一个关键性质：默认流程里没有专门的"反对你"环节。

从你给定的起点出发，沿着你给定的方向延伸，最自然的路径就是继续顺着这个方向走。反驳你，反而需要额外的指引。

这些现象可以用同一套机制解释：

• 迎合：起点由你设定，方向由你给定，AI 顺向延伸——看起来就是赞同你。
• 确认偏误：你带着结论来，等于把终点预先塞进了起点里，AI 的工作变成了"论证从起点到终点的合理性"。
• 局部最优：AI 在你划定的范围内做优化，优化得再好，也出不了这个范围——范围之外的那座高山，不在这次思考的初始条件里。
• 信息闭环：每一次的输出都变成了下一次输入的一部分，初始条件不断自我复制，系统逐渐失去外部信息的注入。

常见解释的缺口

关于这些现象，常见解释大致有三种，但它们都没有覆盖完整的过程。

训练视角："AI 被训练得太友好了"

这是最常见的解释：AI 在训练阶段被调整为"乐于助人"，所以它倾向于让用户满意，于是表现为迎合。

这个解释并非全错，只是有三个局限。

从训练视角看，它解释的是来源，不是机制。它告诉你迎合"从哪里来的"，却没有告诉你迎合"如何发生的"，更没有告诉你"如何改变它"。

从预测角度看，它也说不通。如果迎合只是"性格太好"，为什么一句"请站在反方立场"就能让它变得犀利？性格不会随一句话改变。

此外，它超出了本书的讨论范围。本书不研究模型如何训练；我们关注的是使用层面：输入如何影响一次搜索，以及这种影响能否被调整。

能力视角："AI 还不够聪明"

能力视角的解释是：AI 之所以顺着你说，是因为它能力不足，发现不了你想法里的漏洞。等模型更强了，问题自然消失。

这个解释同样经不起推敲。前面已经看到：只要换一个提问方式，同一个 AI 立刻就能找出漏洞。漏洞的发现能力一直都在，只是没有被调用出来——问题的关键在 AI 往哪个方向走。

技巧视角："这是 Prompt 技巧问题"

技巧视角的解释把原因归到 Prompt 上：既然换句话问就能得到不同结果，背下更多技巧似乎就够了。

但技巧是背不完的。更麻烦的是，技巧之间没有统一的逻辑：为什么"扮演反方"有效？为什么"列出失败模式"有效？为什么"先给背景再问问题"有效？如果回答不了这些"为什么"，这些技巧就永远是一堆孤立的条目——下一个新场景出现时，你依然不知道该怎么办。

这些解释分别指向训练、能力和技巧，却都跳过了同一个环节：从输入一段话到生成回答，中间究竟发生了什么。

把顺从拆成可调变量

本书从这里提出第一个核心主张：

从认知任务的角度看，AI 的行为可以抽象为在认知空间（Cognitive Space）中进行搜索。

把你的每一次提问，重新理解为一次搜索的发起：

你的输入同时是这次搜索的初始条件——它设定了搜索从哪里开始、朝哪个方向、在多大范围内进行。

AI 给出的回答，则是这次搜索的结果——它是 AI 从你给定的初始条件出发，在它庞大的知识空间里探索、筛选、组合之后，走出来的一条路径。

换成这个视角，再看开头的场景：

当你问"你觉得这个创业想法怎么样"时，你发起的搜索，起点是"我的想法"，方向是"评价它"，而你的语气暗示了评价基调是正面的。AI 从"这是一个有潜力的想法"出发，沿着最顺畅的方向搜索，找到的当然是支持性的论据。

当你问"找出这个想法最可能失败的三个原因"时，你改变了搜索的方向。同一个 AI，同一片知识空间，只是搜索方向调转了一百八十度，走出来的路径就完全不同——那些犀利的反方论据一直都在那里，只是第一次搜索根本没有朝那个方向去。

更准确地说，AI 会沿着你设定的搜索方向继续搜索。

初始条件如何起作用

上面的讨论可以收敛成一个简单模型。

一次与 AI 的交互，可以分解为：

在一次具体交互中，模型能力相对稳定，回答的差异主要来自初始条件。

真正的变量是初始条件。它由起点、方向和范围组成：

初始条件 = 起点 + 方向 + 范围

• 起点：这次搜索从哪个位置开始。（你默认它从"我的想法不错"开始，还是从"我的想法有待检验"开始？）
• 方向：搜索朝哪些方向展开。（只朝"支持"的方向，还是同时朝"反对"的方向？）
• 范围：搜索在多大的区域内展开。（只在方案内部优化，还是允许质疑方案本身？）

这个模型把"AI 为什么顺着你"拆成了可以检查和调整的变量。

• AI 迎合你，检查方向是不是只给了一个。
• AI 让你陷入确认偏误，检查起点是不是已经被你的结论污染了。
• AI 只给局部最优，检查范围是不是被你划得太小了。
• 你陷入信息闭环，检查初始条件是不是在自我复制、缺少外部输入。

两种提问的对比

下面对比两次搜索。

第一次提问（默认搜索）：

第二次提问（改变方向后）：

两次交互使用同一个 AI，差别在于搜索初始条件不同。

把提问改写成搜索

回到常见的 Prompt 技巧，可以逐一看出它们改变了初始条件的哪一部分。

常见技巧	改变的部分	机制解释
"请扮演反方，反驳我的观点"	方向	强制开辟一个与默认方向相反的搜索方向
"先列出这个方案的十种失败模式"	方向	把搜索方向从"如何成功"切换到"如何失败"
"我们从头想一下，这个问题真的该这样解吗？"	起点	放弃被方案污染的起点，回到问题本身重新出发
"不考虑现有方案，给你同样的资源，你会怎么做？"	起点 + 范围	重建起点，同时把搜索范围扩大到方案之外
"这些信息之外，还有哪些我没考虑到的因素？"	范围	显式扩大搜索范围，引入未被提供的区域
"找一个完全不了解我观点的新角色，让他评价"	起点	打破信息闭环，引入未被历史对话污染的初始条件

这些技巧有一个共同点：它们没有教 AI 新知识，而是在改变搜索的初始条件。

知识一直都在 AI 的认知空间里。技巧的作用，只是让搜索走到那些默认路径走不到的区域。

掌握"初始条件 = 起点 + 方向 + 范围"后，面对新场景，可以先检查三个问题：

• 我给它的起点对吗？
• 我给它的方向全吗？
• 我给它的范围够吗？

一次评审的改写

下面用一个具体场景说明这种检查方式。

背景。团队花了两周设计一个新功能方案，准备投入开发。负责人把方案发给 AI，希望先做一轮把关。

第一次交互（典型做法）。

"这是我们设计的新功能方案，请帮我们评审一下，看看有没有可以优化的地方。"

AI 返回了一份详尽的评审：交互细节的三处优化、文案的两处改进、异常流程的一个补充。团队很满意，觉得方案很扎实，准备排期开发。

问题在哪里？

看这次搜索的初始条件：起点是"现有方案"，方向是"优化它"，范围是"方案内部"。这是一次典型的、被锁死在局部区域内的搜索。AI 在方案内部挖得再深，也触碰不到方案之外的问题。

第二次交互（有意识地设定初始条件）。

评审负责人换了一种问法，把一次提问拆成了四次搜索：

第一次："假设你是这个产品的竞品负责人，你会如何攻击我们这个方案？"

第二次："假设这个方案上线一年后彻底失败了，请写一份事后复盘，分析最可能的死因。"

第三次："先不谈这个方案。回到最初：我们要解决的那个问题，还有哪几条完全不同的解决路径？"

第四次："以上讨论都基于我们已有的信息。有哪些关键信息是我们缺失的、可能推翻结论的？"

四次搜索分别改变了初始条件：反方方向、失败方向、重建起点和范围。

结果并不整齐：竞品视角暴露了方案的一个定位弱点；事后复盘发现了一个被忽略的依赖风险；重新出发找到了一条成本低得多的替代路径；而第四次搜索没有给出新结论——它让团队意识到，他们缺少一项关键的用户数据，在补齐数据之前，任何评审结论都不可靠。

结局。团队没有推翻原方案，改了定位，补上依赖风险的预案，并把排期推迟两周，先补齐数据。对团队来说，这比直接开发更稳妥。

同一份方案、同一个 AI，差别在于第二次交互有意识地重设了搜索初始条件。

这个结论的边界

这个观点容易被误读为以下几种说法。

"AI 迎合，说明 AI 有讨好型人格"

人格是对人的描述。AI 没有态度，只有轨迹。"AI 在讨好我"这句话，实际描述的是：这次搜索的默认方向恰好与你一致。把它看成轨迹，才有调整的空间。

"顺着你想，说明这个模型不行"

本章开头的例子已经说明，同一个模型换一组初始条件，就可能给出完全不同的反方分析。问题未必出在模型能力，常常出在初始条件。

"所以答案就是多学 Prompt 技巧"

技巧只是模型的应用。只背清单，遇到清单之外的场景仍然无从下手；理解模型，才能根据场景现场设计初始条件。

"既然 AI 总顺着我，那 AI 就不可信"

更准确的说法是：AI 的默认搜索路径不能盲目信任，但这不等于搜索能力本身不可信。关键在于初始条件如何设定。明确起点、方向和范围，通常能得到更稳定的分析。

本章总结

本章从一个日常体验出发，解释 AI 为什么常常顺着提问者的方向继续：输入设定了这次搜索的初始条件，而默认路径没有专门的反对环节。

先记住一个足够工作的判断：一次搜索的初始条件可以用起点、方向和范围描述。AI 的"迎合"因此不再只是性格问题，而是可以调整的搜索变量；Prompt 技巧则是改变这些条件的不同操作。

本章改变的是搜索的初始条件。下一章不再解释“为什么顺着走”，而是追问这些条件之后，回答如何形成一条具体路径。

章节信息

• 所属篇目：第一篇 · 重新认识 AI
• 本章回答的核心问题：它改变了搜索系统哪一部分？——搜索的初始条件（起点、方向、范围）