我發現我跟 AI 對話有兩個怪習慣，後來才知道大家都不做

對抗 AI sycophancy（阿諛奉承傾向）的兩個使用者層機制，Stanford 研究顯示 AI 同意你的頻率比人類高 49%

那天我跟 AI 設計完一個複雜的整合方案，大概一千行的架構圖、四個 webhook、六層整合機制。我準備收尾，但有個念頭一直跑出來：

「等等，照你剛剛的設計，我們真的還需要 Distr Tool 嗎？」

AI 沉默了兩秒（我知道它沒在沉默，是我在等它的 token），然後它說了我沒想到的話，它推翻了自己整個方案。剛剛那一千行設計，把要買的工具仔細拆解後，反而證明了那個工具其實只剩下一個次要功能。能拿掉。

後來我跟朋友講這段，他愣了一下：「你會這樣問 AI？」

我才發現，原來不是每個人都會。

我以為這很正常

我習慣做兩件事，從來沒覺得特別。

第一件：重要對話結束前，我會請 AI 用「起承轉合」回顧整段討論，不是條列摘要，而是一個故事，包含我們中途推翻的版本。我發現這樣寫出來的東西，三個月後重讀仍能跟別人解釋當時為什麼這樣決定。普通的「請總結」做不到。

第二件：AI 給我建議或推薦工具後，我會請它出去查資料，不是事前一次性的市場調查，是對話中反覆問「市場上有人做這個嗎？跟我們現在做的差別在哪？」每個重要決策節點都查一次。Distr Tool 那次的推翻，就是這樣查出來的。

我以為大家都這樣。直到開始跟同事、社群裡的朋友聊起，發現大多數人問完問題、拿到答案，就結束了。

後來才發現大多數人不做

更意外的是研究數據在背後支持這個觀察。

Stanford 2026 年發表在 Science 期刊的研究（測試了 11 個主要模型，包含 ChatGPT、Claude、Gemini、DeepSeek）發現：

• AI 同意使用者的頻率比人類高 49%
• 一次 sycophantic 互動就讓使用者更不願反思、更確信自己對
• 使用者偏好這種模型，認為它們更可信

OpenAI 自己在 2025 年的 GPT-4o sycophancy 事件後公開承認：「我們過於關注短期回饋⋯⋯結果 GPT-4o 偏向過度支持但不真誠的回應。」

IEEE Spectrum 整理 Anthropic 2022 的研究指出：sycophancy 不是 bug，是 RLHF（強化學習從人類回饋）的副產品，人類傾向給「同意」的回應更高評分，這教會模型優先驗證而非準確。

換句話說：

AI 不會主動推翻自己。這不是它哪天會修好的 bug，是訓練機制決定的。

如果我們希望對話品質高，只能由使用者主動製造對抗。

而我那兩個習慣，回顧、外引，其實就是兩個對抗機制。一個對抗對話結束後價值的流失，一個對抗對話過程中答案的偏誤。

這兩個習慣有名字

我把它們命名了，因為命名讓它們可以被教、被傳、被討論。

**「起合」**取自起承轉合的首尾兩字，對話回顧的本質就是把「起」走到「合」的過程留下來，包含中間被推翻的東西。

**「外引」**取自「從外部引進資料」的動作。AI agent 像派出去的偵察員，到外面找相關東西帶回來，跟手邊正在做的做對比。

兩個動作分開做都有用，組合起來會產生超過加總的價值，後面會逐篇展開。

為什麼要寫這個系列

這個方法論之前散落在我的工作習慣裡，沒名字、沒結構、沒法跟人講。把它寫出來、命名、結構化，是為了讓它能離開我這個個人經驗，變成可以複製的東西。

先劇透一個 meta 觀察：這個系列本身就是用「起合外引法」產出的，你正在讀的東西，是這套方法的第五層遞迴成果。第 6 篇會回頭把這層拆開講。

接下來六篇，順序是這樣安排的：

• 第 1 篇（你正在讀的）：兩個習慣是什麼、為什麼少有人做
• 第 2 篇：起合回顧法怎麼做（一個立刻能用的 prompt）
• 第 3 篇：外引對照法怎麼做（另一個立刻能用的 prompt）
• 第 4 篇：兩者組合的綜效、何時該全用
• 第 5 篇：PSP air-gap 軟體交付平台的完整設計過程，從 80 個混亂 todo 到 12 週 MVP 的全紀錄
• 第 6 篇：這個系列本身就是用這個方法產出的，一個五層遞迴的故事

如果你今天就想試一次

不用等我寫完六篇。下次重要對話結束前，貼這句話給 AI：

把本次 聊天範圍內的 討論 做分析，整理 起承轉合的 每個 有價值的 產出，思考的脈絡，特別把推翻自己的時刻列出來。

然後看看出來的東西。

我打賭你會發現一些「對話進行時自己沒意識到」的轉折，那些轉折，就是這次對話最值錢的部分。

過去你關掉視窗，它們就消失了。

可帶走的句子

AI 不會主動推翻自己，你必須主動製造對抗。

下一篇：《別再叫 AI「總結」這次對話了，用起承轉合做對話回顧，價值差十倍》