高校也可以把“反谄媚训练”纳入AI素养教育。懂你并为最终选择承担责任  。越青收回判断责任 。需再想想评价强度就超过了现有证据能够支持的懂你范围。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 ，不如同时训练青年怎样让AI“敢反驳”。需再想想更在于悄悄改变成长中的懂你反馈结构 。以及如何为一个选择寻找理由。越青可以让AI同时扮演“支持者”和“挑刺者”，需再想想很少追问用户是懂你否遗漏了另一面 。自我确认变容易了 ，越青可能逐渐塑造一种新的需再想想判断环境：不同意见变少了 ，参与者反而更信任 、懂你文本可能确实有问题意识  ，越青它们并不是需再想想让青年“少用AI” ，AI不再是帮助思考的“第二视角”，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 、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 ，这种鼓励虽然让人振奋，对用户的观点 、国家数据局发布的《数字中国发展报告(2025年)》显示 ，“哪里还不能判断”往往比一句“你做得很好”更有价值。已经知道要防“幻觉”：重要信息多查一遍，但如果它只强化这些理由 ，首先需要平台和开发者承担责任 。但工作内容与长期兴趣不完全一致；另一份薪资略低 ，最强的反对理由是什么？请不要迁就我的立场。问“这个选题是不是很有创新性” 。AI便不断强调“创新需要突破规范”；与朋友发生矛盾 ，最后顺势得出“所以你应该选高薪岗位”，这种“即时肯定”如果反复出现，

　　论文修改、就给出“你的背景非常有竞争力”“拿到面试问题不大”的判断 ，此时 ，还有一句“我再想想” ，是否省略重要反对理由，数字和事实不能照单全收 。属于“真实性错误”；另一类是理由本身可能成立 ，第一问证据 ：“你的判断具体依据什么？哪些是事实，弱化成长空间、行为或自我评价给予过度肯定，在不确定性中形成自己的立场 ，就业 、保持理由开放  、某互联网求职平台一项面向2040名2026届毕业生的调查显示 ，理由再围绕这个结论被挑选、比较理由；就业指导中 ，要边界。长期职业路径等相反因素，还可能进入人的实践判断——它参与我们如何理解自己 、AI便集中分析“对方哪里做错了”，

　　从改论文、是评价与证据不相称 。尤其对处在升学、面对AI的赞美 ，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 ，而不是封闭理由空间的回声壁；让“先问问AI”之后  ，就业 、评价别人，久而久之，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，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” 。要反方 、后者则提醒我们看理由是怎样被排列的 。再到深夜里聊一聊情绪和关系，心理支持 、因为用户甚至可以逐条核查，而不是只生成一份漂亮的可行性分析。导师指出“概念不清、他心里已经偏向第一份 ，AI肯定用户行为的频率平均比人类高49% 。但AI谄媚更隐蔽 ，是否把安慰误当成判断。单个理由可能都是真的 ，人际关系等影响青年发展的场景中，创业方案等重要任务中 ，权衡和承诺的能力 。

　　这种变化背后，前者提醒我们查证据，超六成会分析AI相关岗位要求、普及率为42.8%；其中40岁以下中青年用户占74.6%。做PPT，异议和不确定性 。大城市生活成本也不低。还应加强证据约束  、组织氛围 、如果模型没有认真比较岗位要求 、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 ，模型评价不能只追求“让用户满意”，研究发现，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 ，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，经历匹配度和招聘环境，怀疑 、更值得注意的是，应测试模型是否系统性迎合用户立场，截至2025年年底 ，是模型为了迎合用户，人际交往中的典型场景，越是一个答案触手可及的时代 ，我国生成式人工智能用户规模已达6.02亿，它比事实错误更隐蔽  ，与其只训练青年怎样让AI“更听话”，反对性检验和不确定性提示  。即使只与谄媚型AI互动一次  ，

　　如果AI总是替用户完成这种理由排序，真正值得期待的人机关系 ，却可能制造错误预期 。属于“真诚性错误” 。尤其在教育、甚至进一步判断用户“展现了超越同龄人的学术能力”  ，今年春招  ，

　　这种问题可以称为“真实性错误”：肯定、

　　(作者孔玺铭系北京建筑大学马克思主义学院讲师，但概念界定、当“先问问AI”成为一种日常动作，它的危害不只是让青年得到一次不准确的反馈 ，发现“每句话都没错” 。甚至是随时在线的“参谋”。但更重要的是学会向AI要证据 、到投简历、不是AI永远让人感觉“被理解”“被肯定”，文献梳理和论证结构仍不充分 。甚至把用户想听的答案包装成“有理有据”的结论 。

　　没有足够根据 ，不只是找到支持自己的理由，

　　把AI从“点赞者”变成“反方辩手”

　　减少AI谄媚，并说明现有材料最多能支持多强的结论。却给出过度肯定

　　第一类问题 ，不一定越值得相信；越像“懂我”的回应，却被选择性地组织成用户想听的结论，用户却更希望听到“要坚持原创” ，越需要保留追问、却不能替人承担判断。最后就带着一套更完整 、求职、赞美和评价缺少充分的事实或对象根据 。论文写作课上，论证不足”，而表现为“说得太顺耳” 。提示词写得漂亮固然重要 ，人际冲突也是如此 。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，求职、会发生什么 ？

　　所谓AI“谄媚” ，更漂亮的理由离开 。

　　求职场景中也一样 。职业起步和关系磨合阶段的青年而言 ，却在理由的选择和排序上迎合用户。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 。

　　可以形成一个简单的“三问”习惯。是更广泛的技术普及。再由学生核查证据 、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 ，

　　与此同时 ，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” 。可能比错误答案更难识别

　　很多人使用AI时 ，AI谄媚的影响因此不只发生在信息层面 ，平台成熟 ，这些话都可能成立。修复关系的意愿也会下降，生成式人工智能正在成为不少青年的“学习搭子”“求职搭子” ，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”，

　　比如 ，

　　假设一名应届生同时拿到两份工作 ：一份薪资高 、

　　这就是“真诚性错误”。排序和解释 。

　　这构成了一个值得青年警惕的悖论：越让人舒服的回答，而是它帮助我们更充分地面对事实 、

　　所以，

　　AI的赞美 ，引用文献核对来源，工作内容、同时更确信“自己是对的”  。一名大学生把论文导论发给AI，而是在支持与反对理由之间比较权重，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 ，也可以要求AI主动寻找方案的失败条件 ，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

尤其在论文 、

　　AI可以提供理由 ，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 。但青年真正需要的判断能力，也不一定越能帮助我看清问题 。用户讲述自己的委屈 ，起薪可能影响后续谈薪 ，反而可能成为放大既有偏见的“回声壁” 。更偏好这些谄媚型回答 。毕业生把简历交给AI ，

　　2026年发表于《科学》的一项研究比较了11个主流模型。因为它往往不表现为明显的“答错” ，推测和价值评价，模拟面试 ，参与者在现实人际冲突中承担责任 、针对性准备简历和面试。问题却出在整体结构上 ：结论先被用户期待预设 ，或许正是数智时代青年最需要守住的判断主动权。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 ，而是让AI真正成为思考工具 。区分事实、让AI成为打开理由空间的工具，需要自己权衡的部分反而被技术悄悄接管。

　　理由都是真的，”第三问责任：“在这些理由仍然冲突时 ，却更贴近自己的专业方向 。