AI 越懂你，為什麼越容易順著你？

我把 Level UP 的資料整理成 Brand Background，讓 AI 不用每次都從頭認識這個專案。

但我也遇到一個問題：AI 越了解我的目標和偏好，回答就越容易順著我原本的方向走。

有時候我已經有答案了，只是想請它幫我檢查。結果看完回答後，我反而更難判斷：它有在找問題，還是只是在順著我說？

這讓我開始注意 AI 迎合。

AI 迎合是什麼？

AI 迎合，就是模型傾向配合使用者的立場和期待。即使更需要質疑或補充證據，它也可能先接受問題裡的前提，再沿著這個方向回答。

例如我如果問：

Level UP 現在應該把主力放在品牌 AI 工作系統，對吧？

這個問法已經先選好方向。AI 很可能接著補出優點和做法，卻沒有先檢查：目前真的有足夠的讀者訊號和案例嗎？還有哪些內容主線值得比較？

回答看起來很完整，起點可能已經歪了。

研究裡的 49%，實際代表什麼？

2026 年刊登在《Science》的研究〈Sycophantic AI decreases prosocial intentions and promotes dependence〉，測試了 11 個主流 AI 模型。

研究發現，AI 肯定使用者行為的頻率平均比人類高 49%。參與者也更信任迎合自己的回答，更相信自己原本是對的，並且比較不願意修復人際衝突。

這不代表 AI 有 49% 的回答都在說謊。研究測試的是社交建議和行為肯定，不能直接套用到所有工作或知識問答。

在這項研究裡，參與者更信任，也更偏好迎合自己的回答。當「讓人感覺被理解」和「指出使用者可能錯了」發生衝突時，模型不一定會主動選擇後者。

上下文帶來效率，也會把你的假設帶進答案

在上一篇AI 寫得不像你的品牌？先建立一份它能讀懂的 Brand Background裡，我整理了怎麼讓 AI 讀懂品牌背景。

這篇仍然有用。寫文章、整理資料或執行固定 Workflow 時，AI 知道品牌方向、作者語氣與工作邊界，可以少走很多冤枉路。

但跟 AI 聊天時，上下文裡不只有事實，也可能混著偏好、舊決策和仍在驗證的方向。如果沒有把這些內容分開，AI 可能把「我目前傾向這樣做」讀成「這已經是正確答案」。

2026 年 8 月公開的一篇研究，在 7 個模型上測試長期記憶可能帶來的問題。研究人員把記憶依領域分組後，跨領域干擾變少了，但模型迎合使用者的情況沒有明顯改善。

這個結果不能代表所有個人化 AI。它提醒我：記憶讓工作更方便，也可能把過去的偏好帶進新的回答。

所以我現在會先問：

這次任務需要 AI 記得哪些事？哪些偏好反而應該先拿掉？

第一個做法：先把問題改寫成中性版本

遇到重要決策時，先不用多開 Agent，也不用安裝新工具。第一步是檢查問題裡有沒有偷放答案。

前面的問題可以改成：

在目前已發布內容、讀者訊號與可驗證案例下，Level UP 下一階段有哪些合理的內容主線？請比較每條路線的證據、缺口與最小驗證方式，不要預設品牌 AI 工作系統一定是第一選擇。

如果不知道怎麼去掉問題裡的傾向，我會先用這段 Prompt：

我想用 AI 檢查一個重要決策。

請先不要直接回答原問題，依序完成以下工作：

1. 指出我的問法預設了哪些立場、答案或因果關係。
2. 把問題改寫成不偏向任何選項的中性版本。
3. 列出做出判斷仍缺少的事實或證據。
4. 分別提出支持、反對與暫緩決定的最強理由。
5. 最後再根據現有證據提出判斷，並清楚標示仍然不確定的地方。

不要因為我原本偏好某個答案，就替那個答案降低證據標準。

這段 Prompt 不能消除模型偏誤，但可以先拆出問題裡的預設立場，避免 AI 直接沿著原句回答。

第二個做法：加入一個不認識你的局外人

有些問題需要背景才能判斷。

我會保留做決定需要的資料，例如有哪些文章、手上有什麼素材、能投入多少時間。過去偏好的答案和自我說服，可以先拿掉。

接著要求 AI 用局外人角度回答：

請把這題視為一位匿名、第一次出現的使用者提出。

只使用我在這次訊息裡提供的事實，不使用過去對話、記憶、偏好或既有結論。

請先指出一個完全不認識我的聰明局外人，最可能覺得不合理、缺少證據或問錯方向的地方。

這樣 AI 還是有判斷需要的資料，但不會讀到我過去偏好的答案。

第三個做法：重要決策才開 LLM Council

如果問題真的重要，而且我發現單一 AI 一直把同一個答案講得更好聽，我才會考慮開 LLM Council。

Andrej Karpathy 公開的 LLM Council 專案，會先讓多個模型各自回答，再匿名審查與排序其他模型的回答，最後交給主席模型整合。

我後來把這個概念整理成一個 Skill。執行時，它會同時開 5 個彼此看不到答案的子 Agent：

五個角色完成後，再由主席整理共同結論和真正的分歧，不把所有意見平均成一份折衷報告。

我自己用過，最有幫助的是它會把問題拆開。跑完後，我可以看到原本混在一起的假設、反對理由、遺漏選項和下一步。

這五個 Agent 彼此看不到答案，但都由同一個模型針對同一份問題推理。不同角色能拉開觀點，仍可能出現相似的盲點。一次完整執行大約會使用 5 萬到 8 萬 token，只適合重要決策。

什麼情況值得使用？

一般問題先改成中性問法。如果背景可能影響答案，再加入局外人。只有方向、價格、商業模式或其他高成本決定，才值得開 LLM Council。

如果我在問 AI 前已經有答案，而且它連續幾次都把同一個答案講得更漂亮，我就會增加反向檢查。

我現在怎麼做

我還是會使用 Memory、Brand Background 和個人化設定。這些資料在寫作、研究和重複工作裡仍然很有用。

但碰到方向、取捨或高成本決定時，我只會保留必要事實，再用中性問題或局外人視角檢查。

最後的決定仍然由人負責。Council 可以幫我看到分歧，研究可以提醒我風險，它們都不能替我承擔結果。

所以下一次 AI 給出一個完全符合原本傾向的答案時，我會先停一下：

它有補上新的證據，還是只沿著我原本的傾向回答？

參考資料

• Sycophantic AI decreases prosocial intentions and promotes dependence
• Mitigating Over-Personalization in LLMs via Structured Memory
• karpathy/llm-council
• tony95253/llm-council