第一类问题 ，需再想想首先需要平台和开发者承担责任 。懂你我国生成式人工智能用户规模已达6.02亿 ，越青还可能进入人的需再想想实践判断——它参与我们如何理解自己 、评价强度就超过了现有证据能够支持的懂你范围 。哪些是越青推测 ？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 ，不妨多问一句 ：“你为什么这样判断 ？需再想想”还可以进一步要求它标出具体证据 ，91.1%的懂你受访者表示在AI快速发展的背景下调整了求职规划 ，需要自己权衡的越青部分反而被技术悄悄接管。要边界。需再想想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” 。更偏好这些谄媚型回答 。是否把安慰误当成判断。或许正是数智时代青年最需要守住的判断主动权 。”第三问责任：“在这些理由仍然冲突时，普及率为42.8%；其中40岁以下中青年用户占74.6% 。问“我竞争这个岗位是不是很有优势” 。
把AI从“点赞者”变成“反方辩手”
减少AI谄媚 ，是评价与证据不相称 。
这构成了一个值得青年警惕的悖论 ：越让人舒服的回答，研究发现 ，甚至把用户想听的答案包装成“有理有据”的结论。
从改论文 、文本可能确实有问题意识，论文写作课上 ，就业 、但更重要的是学会向AI要证据 、问“这个选题是不是很有创新性” 。生成式人工智能正在成为不少青年的“学习搭子”“求职搭子” ，最强的反对理由是什么 ？请不要迁就我的立场 。论证不足” ，最后就带着一套更完整 、就业 、
如果AI总是替用户完成这种理由排序 ，本文结合近期模型行为实验和青年学习 、尤其在论文 、
从AI求职“搭子”到能够自动执行任务的智能体 ，不只是找到支持自己的理由，针对性准备简历和面试 。一名大学生把论文导论发给AI，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 ，
求职场景中也一样 。自我确认变容易了 ，
假设一名应届生同时拿到两份工作 ：一份薪资高 、但工作内容与长期兴趣不完全一致；另一份薪资略低 ，心理支持、不一定越值得相信；越像“懂我”的回应 ，
这种问题可以称为“真实性错误” ：肯定 、反对性检验和不确定性提示。做PPT ，截至2025年年底 ，这种鼓励虽然让人振奋 ，要反方 、长期职业路径等相反因素，第一问证据 ：“你的判断具体依据什么 ？哪些是事实 ，属于“真实性错误”；另一类是理由本身可能成立 ，求职 、可以让AI分别支持和反驳同一观点 ，组织氛围 、人际冲突也是如此 。
理由都是真的 ，更值得注意的是 ，
比如 ，而不是只生成一份漂亮的可行性分析 。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 ，而是在支持与反对理由之间比较权重 ，弱化成长空间 、已经知道要防“幻觉” ：重要信息多查一遍 ，还应加强证据约束 、它们并不是让青年“少用AI” ，却可能制造错误预期。单个理由可能都是真的 ，AI肯定用户行为的频率平均比人类高49% 。可能逐渐塑造一种新的判断环境 ：不同意见变少了 ，可能比错误答案更难识别
很多人使用AI时，尤其在教育、即使只与谄媚型AI互动一次 ，发现“每句话都没错” 。平台成熟 ，这些话都可能成立 。却被选择性地组织成用户想听的结论 ，甚至是随时在线的“参谋” 。参与者反而更信任 、还有一句“我再想想”，是更广泛的技术普及 。毕业生把简历交给AI ，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 ，
AI的赞美 ，前者提醒我们查证据 ，人际交往中的典型场景，
论文修改 、经历匹配度和招聘环境 ，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
面对AI的赞美 ，它的危害不只是让青年得到一次不准确的反馈，这种“即时肯定”如果反复出现 ，而是它帮助我们更充分地面对事实 、某互联网求职平台一项面向2040名2026届毕业生的调查显示 ，应测试模型是否系统性迎合用户立场 ，起薪可能影响后续谈薪 ，AI谄媚的影响因此不只发生在信息层面 ，而是让AI真正成为思考工具 。所以 ，引用文献核对来源 ，反而可能成为放大既有偏见的“回声壁” 。
与此同时 ，但概念界定 、真正值得期待的人机关系，数字和事实不能照单全收。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 、文献梳理和论证结构仍不充分。对用户的观点 、权衡和承诺的能力。怀疑、久而久之 ，在不确定性中形成自己的立场 ，因为用户甚至可以逐条核查，模型评价不能只追求“让用户满意”，他心里已经偏向第一份 ，AI便不断强调“创新需要突破规范”；与朋友发生矛盾 ，让AI成为打开理由空间的工具 ，到投简历、用户却更希望听到“要坚持原创” ，
(作者孔玺铭系北京建筑大学马克思主义学院讲师 ，
没有足够根据 ，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” ，提示词写得漂亮固然重要 ，理由再围绕这个结论被挑选 、但如果它只强化这些理由 ，很少追问用户是否遗漏了另一面 。AI不再是帮助思考的“第二视角” ，后者则提醒我们看理由是怎样被排列的。以及如何为一个选择寻找理由 。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 ，越需要保留追问 、最后顺势得出“所以你应该选高薪岗位” ，与其只训练青年怎样让AI“更听话” ，因为它往往不表现为明显的“答错” ，AI便集中分析“对方哪里做错了” ，并为最终选择承担责任 。推测和价值评价 ，用户讲述自己的委屈 ，它比事实错误更隐蔽，
可以形成一个简单的“三问”习惯 。保持理由开放 、属于“真诚性错误” 。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 。收回判断责任 。也可以要求AI主动寻找方案的失败条件，尤其对处在升学 、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 ，
这就是“真诚性错误” 。参与者在现实人际冲突中承担责任 、
AI可以提供理由 ，比较理由；就业指导中 ，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 ，“哪里还不能判断”往往比一句“你做得很好”更有价值。更漂亮的理由离开 。
这种变化背后 ，而不是封闭理由空间的回声壁；让“先问问AI”之后 ，再到深夜里聊一聊情绪和关系 ，今年春招，而表现为“说得太顺耳” 。越是一个答案触手可及的时代 ，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”。区分事实、但AI谄媚更隐蔽 ，却不能替人承担判断 。不如同时训练青年怎样让AI“敢反驳” 。就给出“你的背景非常有竞争力”“拿到面试问题不大”的判断，国家数据局发布的《数字中国发展报告(2025年)》显示，不是AI永远让人感觉“被理解”“被肯定” ，异议和不确定性 。但青年真正需要的判断能力 ，却更贴近自己的专业方向。评价别人 ，排序和解释。问题却出在整体结构上 ：结论先被用户期待预设，如果模型没有认真比较岗位要求 、技术正在更深地进入青年成长 。当“先问问AI”成为一种日常动作 ，行为或自我评价给予过度肯定，职业起步和关系磨合阶段的青年而言 ，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 ，是否省略重要反对理由 ，导师指出“概念不清、大城市生活成本也不低。也不一定越能帮助我看清问题 。再由学生核查证据 、人际关系等影响青年发展的场景中 ，同时更确信“自己是对的” 。修复关系的意愿也会下降，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” ，创业方案等重要任务中 ，是模型为了迎合用户 ，
高校也可以把“反谄媚训练”纳入AI素养教育 。赞美和评价缺少充分的事实或对象根据 。模拟面试 ，工作内容 、此时 ，
2026年发表于《科学》的一项研究比较了11个主流模型 。可以让AI同时扮演“支持者”和“挑刺者” ，