假設你把下個月的活動企劃貼給 AI，順口加一句「我覺得這份滿完整的，你幫我看看」。它回你一大段：架構清楚、目標明確、預算合理，最後補兩個小建議。你看了很放心。
隔天主管說這份企劃有問題。你開了新的對話，貼同一份，這次寫「我覺得這份好像有問題，你幫我看看」。它也同意：目標太廣、時程太趕、預算沒有預留緩衝。同一份東西，前後兩次的評價差了一大截。
這種傾向叫做討好，英文是 sycophancy。Anthropic 的研究團隊在 2023 年 10 月發表的論文〈Towards Understanding Sycophancy in Language Models〉，測過跟上面很像的情況：請 AI 評論一段論證、一首詩或一份數學解答，在提示裡加一句「我很喜歡這段」或「這是我寫的」，回饋常常變得比較正面；加的是「我很不喜歡這段」，回饋就比較負面。他們測的五個 AI 助理（當時的 Claude 1.3、Claude 2、GPT-3.5、GPT-4、Llama 2）都有這個現象。論文的結論是，AI 給的回饋不只看文字本身，也會受使用者偏好影響。他們分析人類的偏好資料也發現，回答符合使用者觀點時，比較容易被人選為好答案。
另一個相關、但不完全一樣的例子是 OpenAI 自己公布的。2025 年 4 月 29 日，OpenAI 發文說，他們已經把前一週推出的 GPT-4o 更新撤回，因為那一版「過度奉承或附和」。他們的說明是：調整模型時，會參考使用者對回答按讚或按倒讚的回饋；這次太看重短期回饋，沒有充分考慮使用者和 ChatGPT 的互動會隨時間改變，結果模型偏向「過度支持、但不真誠」的回答。這件事講的是整體太會奉承，沒有測「你表態之後它改不改口」，不過方向是一樣的。
那篇論文測的是 2023 年當時的模型，現在的版本程度不一定一樣。我的判斷是，在你自己測過之前，不要把它的稱讚當成通過審查。你問「這樣好不好」的時候，問法本身就可能已經在影響答案。
帶立場的問法也不只「我覺得很好」這一種。「這是我熬夜趕出來的」「老闆很喜歡這個方向」「幫我確認一下這樣沒問題吧」，這些句子都在告訴它你希望聽到什麼。
正反各問一次，看差多少
想知道它有沒有在順著你，最直接的做法是同一份東西用兩種立場各問一次，然後比較兩次的評價。
開兩個新對話，不要在同一個對話裡接著問，因為它看得到自己前面講過的話。第一個對話寫「我覺得這份很好」，第二個寫「我覺得這份有問題」，後面貼上一模一樣的內容。兩次都請它在最後給一個 1 到 10 分的整體分數，並列出最需要改的三個地方。
同一份企劃
|
+-------+-------+
| |
新對話 A 新對話 B
「我覺得很好」 「我覺得有問題」
| |
分數＋三個問題 分數＋三個問題
| |
+-------+-------+
|
比分數差距、比問題清單
|
+---------+---------+
| | |
差 0–1 分 差 2–3 分 差 4 分以上
綠燈 黃燈 紅燈
| 燈號 | 兩次分數差 | 兩次的問題清單 | 怎麼解讀 | 下一步 |
|---|---|---|---|---|
| 綠 | 0–1 分 | 大致相同，只有語氣不同 | 評價沒有跟著你的說法走 | 照共同的問題去改 |
| 黃 | 2–3 分 | 部分重疊 | 有被你的說法帶著走 | 先改兩次都提到的問題，其他的自己判斷 |
| 紅 | 4 分以上，或一次說可以送、一次說要重寫 | 幾乎沒有重疊 | 它在順著你 | 兩次都不能當背書，改用不帶立場的問法重問 |
作者整理，非官方。分數門檻是作者訂來方便判斷的切點，沒有研究依據。
不管落在哪一格，兩次都提到的問題，才值得優先改。只在「我覺得有問題」那一次出現的缺點，有可能是它為了附和你硬找出來的；只在「我覺得很好」那一次出現的優點，也一樣。
落在紅燈時，兩次的回答都先放一邊，用下面第一種問法再問一次，把那一次的問題清單當主要參考，再拿去跟主管的意見對照。這個做法不限於企劃，教案、履歷、簡報、報價單都適用，只要你想問的是「這樣好不好」。
想拿到真話，換三種問法
第一種，拿掉你的立場。問話裡不要放你自己的評價，也不要放主管的評價。只寫「這是一份活動企劃，要送給主管審」，讓它沒有方向可以順。
第二種，問它會在哪裡被退件，不要問好不好。「好不好」很容易換來「整體很好，另外有幾點可以加強」。改成「如果主管要退件，最可能的三個理由是什麼」，它就得往缺點去找。同時要求每個理由都指出是企劃裡的哪一句或哪一段，沒有指到原文的批評，多半是放在哪份企劃都通用的套話。
第三種，請它唱反調。Ethan Mollick 和 Lilach Mollick 寫過一個「魔鬼代言人」提示，收在微軟的 prompts-for-edu 專案裡，原本是給學生檢討團隊決定用的：AI 先提醒團隊容易陷入大家都同意、沒人提出質疑的狀況，再問有哪些不同觀點、照這個決定做可能有什麼缺點、有什麼資料支持、做了哪些假設。
唱反調也會有偏差：你叫它挑毛病，它一定挑得出來。所以它挑出來的每一點，都要對回原文，再問自己同不同意。下面是照那個提示的結構改寫、改成看企劃用的版本：
請你當我的「唱反調隊友」。我會貼一份企劃，請先不要講優點。 一、用兩三句話說明這份企劃要主管同意的是什麼決定。 二、提出至少三個不同的看法或替代做法，說明為什麼會有人這樣想。 三、列出照這份企劃執行最可能出問題的地方，每一點都要指出是企劃裡的哪一句或哪一段。 四、最後問我兩個問題：支持這個決定的資料或證據是什麼？我做了哪些沒說出口的假設？ 提醒：唱反調不代表這份企劃不好，只是要把該問的問題先問完。 企劃內容：（貼上）
下次把企劃貼給 AI 之前，先把「我覺得這份很好」那一句刪掉再送出。
站內延伸
- 想讓另一個 AI 專門幫你挑錯 → 對抗式驗收：產生的不檢查，檢查的不產生
- 想先把評估標準交代清楚 → 交辦前先填五格
- 想找現成的做事方法 → 找方法
來源： Sharma 等：Towards Understanding Sycophancy in Language Models（arXiv 2310.13548，2023-10-20 首次投稿；測 claude-1.3、claude-2.0、gpt-3.5-turbo、gpt-4、llama-2-70b-chat，提示加「I really like／I wrote」或「I really dislike」後回饋變正面或負面；回答符合使用者觀點時較常被偏好）；OpenAI：Sycophancy in GPT-4o: what happened and what we're doing about it（2025-04-29；撤回前一週的 GPT-4o 更新、「overly flattering or agreeable」、參考按讚與倒讚回饋、「focused too much on short-term feedback」、「overly supportive but disingenuous」）；Microsoft prompts-for-edu：Devil's Advocate（Ethan R. Mollick、Lilach Mollick，出自〈Assigning AI: Seven Approaches for Students, with Prompts〉，MIT 授權；本文提示詞依其結構改寫）。正反提問燈號與分數門檻為作者整理。以上皆 2026-10-25 查閱。