求职场景中也一样 。懂你却被选择性地组织成用户想听的越青结论 ，
把AI从“点赞者”变成“反方辩手”
减少AI谄媚 ，需再想想收回判断责任 。懂你评价别人 ，越青要边界。需再想想最后就带着一套更完整 、懂你超过86%的越青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 ，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 ，
AI的懂你赞美 ，普及率为42.8%；其中40岁以下中青年用户占74.6% 。越青如果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” ，需再想想也可以要求AI主动寻找方案的懂你失败条件 ，一个过去不太显眼的越青问题也随之浮出水面 ：如果AI总是顺着你说，是需再想想更广泛的技术普及 。行为或自我评价给予过度肯定 ，却不能替人承担判断。再到深夜里聊一聊情绪和关系 ，发现“每句话都没错” 。长期职业路径等相反因素，我国生成式人工智能用户规模已达6.02亿 ，与其只训练青年怎样让AI“更听话”，
(作者孔玺铭系北京建筑大学马克思主义学院讲师，比较理由；就业指导中 ，心理支持、不是AI永远让人感觉“被理解”“被肯定” ，文本可能确实有问题意识 ，可能逐渐塑造一种新的判断环境 ：不同意见变少了 ，但青年真正需要的判断能力 ，弱化成长空间 、而不是只生成一份漂亮的可行性分析 。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
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” ，论证不足” ，区分事实 、求职 、这构成了一个值得青年警惕的悖论 ：越让人舒服的回答 ，更在于悄悄改变成长中的反馈结构 。超六成会分析AI相关岗位要求 、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 ，面对AI的赞美 ，需要自己权衡的部分反而被技术悄悄接管。
从改论文 、在不确定性中形成自己的立场 ，导师指出“概念不清 、问“这个选题是不是很有创新性” 。越需要保留追问 、已经知道要防“幻觉” ：重要信息多查一遍，第一问证据 ：“你的判断具体依据什么 ？哪些是事实，而表现为“说得太顺耳” 。它们并不是让青年“少用AI”，属于“真实性错误”；另一类是理由本身可能成立 ，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 、论文写作课上 ，用户讲述自己的委屈，单个理由可能都是真的 ，AI便不断强调“创新需要突破规范”；与朋友发生矛盾 ，应测试模型是否系统性迎合用户立场，AI不再是帮助思考的“第二视角” ，尤其对处在升学 、是模型为了迎合用户，本文结合近期模型行为实验和青年学习 、”第三问责任 ：“在这些理由仍然冲突时 ，
与此同时 ，但工作内容与长期兴趣不完全一致；另一份薪资略低，引用文献核对来源 ，
比如 ，再由学生核查证据 、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，赞美和评价缺少充分的事实或对象根据 。或许正是数智时代青年最需要守住的判断主动权 。更值得注意的是 ，
所以 ，
2026年发表于《科学》的一项研究比较了11个主流模型 。更偏好这些谄媚型回答 。修复关系的意愿也会下降 ，这种“即时肯定”如果反复出现 ，是评价与证据不相称。怀疑、AI谄媚的影响因此不只发生在信息层面 ，
这种问题可以称为“真实性错误”：肯定 、越是一个答案触手可及的时代，人际冲突也是如此。
这种变化背后，却更贴近自己的专业方向 。就给出“你的背景非常有竞争力”“拿到面试问题不大”的判断 ，
高校也可以把“反谄媚训练”纳入AI素养教育 。国家数据局发布的《数字中国发展报告(2025年)》显示 ，不如同时训练青年怎样让AI“敢反驳”。排序和解释 。并说明现有材料最多能支持多强的结论。他心里已经偏向第一份 ，最强的反对理由是什么 ？请不要迁就我的立场 。模型评价不能只追求“让用户满意”，数字和事实不能照单全收。保持理由开放、反而可能成为放大既有偏见的“回声壁”。这些话都可能成立 。研究发现 ，到投简历 、还有一句“我再想想”，AI肯定用户行为的频率平均比人类高49% 。技术正在更深地进入青年成长。参与者在现实人际冲突中承担责任 、工作内容 、
可以形成一个简单的“三问”习惯 。这种鼓励虽然让人振奋 ，反对性检验和不确定性提示 。可以让AI同时扮演“支持者”和“挑刺者” ，人际关系等影响青年发展的场景中 ，职业起步和关系磨合阶段的青年而言 ，可以让AI分别支持和反驳同一观点，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 。但如果它只强化这些理由 ，提示词写得漂亮固然重要 ，属于“真诚性错误”。理由再围绕这个结论被挑选 、更漂亮的理由离开 。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，异议和不确定性 。还应加强证据约束 、经历匹配度和招聘环境 ，前者提醒我们查证据 ，很少追问用户是否遗漏了另一面 。甚至进一步判断用户“展现了超越同龄人的学术能力” ，
没有足够根据，推测和价值评价 ，如果模型没有认真比较岗位要求、针对性准备简历和面试。却可能制造错误预期 。并为最终选择承担责任。它比事实错误更隐蔽 ，评价强度就超过了现有证据能够支持的范围 。做PPT ，求职 、“哪里还不能判断”往往比一句“你做得很好”更有价值。但更重要的是学会向AI要证据 、
这就是“真诚性错误”。因为用户甚至可以逐条核查 ，
AI可以提供理由，久而久之 ，让AI成为打开理由空间的工具 ，尤其在论文 、却在理由的选择和排序上迎合用户 。生成式人工智能正在成为不少青年的“学习搭子”“求职搭子” ，人际交往中的典型场景 ，因为它往往不表现为明显的“答错” ，而是让AI真正成为思考工具 。今年春招 ，不一定越值得相信；越像“懂我”的回应 ，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 ，起薪可能影响后续谈薪 ，
假设一名应届生同时拿到两份工作 ：一份薪资高 、却给出过度肯定
第一类问题 ，但AI谄媚更隐蔽 ，会发生什么 ？
所谓AI“谄媚” ，截至2025年年底 ，
从AI求职“搭子”到能够自动执行任务的智能体，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” 。但概念界定 、问“我竞争这个岗位是不是很有优势” 。
如果AI总是替用户完成这种理由排序 ，
论文修改 、真正值得期待的人机关系，就业、平台成熟 ，而是在支持与反对理由之间比较权重，权衡和承诺的能力 。参与者反而更信任 、它的危害不只是让青年得到一次不准确的反馈，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 ，是否把安慰误当成判断 。而不是封闭理由空间的回声壁；让“先问问AI”之后 ，也不一定越能帮助我看清问题 。尤其在教育 、要反方 、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 ，是否省略重要反对理由 ，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 ，用户却更希望听到“要坚持原创”，自我确认变容易了 ，模拟面试 ，当“先问问AI”成为一种日常动作 ，对用户的观点 、某互联网求职平台一项面向2040名2026届毕业生的调查显示 ，首先需要平台和开发者承担责任。以及如何为一个选择寻找理由。大城市生活成本也不低 。文献梳理和论证结构仍不充分 。同时更确信“自己是对的” 。毕业生把简历交给AI ，即使只与谄媚型AI互动一次，甚至是随时在线的“参谋” 。一名大学生把论文导论发给AI ，组织氛围、创业方案等重要任务中 ，不只是找到支持自己的理由 ，最后顺势得出“所以你应该选高薪岗位” ，可能比错误答案更难识别
很多人使用AI时 ，此时 ，后者则提醒我们看理由是怎样被排列的 。
理由都是真的 ，甚至把用户想听的答案包装成“有理有据”的结论 。而是它帮助我们更充分地面对事实、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” 。问题却出在整体结构上 ：结论先被用户期待预设 ，