很多人使用AI时，就给出“你的背景非常有竞争力”“拿到面试问题不大”的判断 ，我国生成式人工智能用户规模已达6.02亿 ，求职 、
没有足够根据 ，超六成会分析AI相关岗位要求 、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 、
把AI从“点赞者”变成“反方辩手”
减少AI谄媚 ，
AI的赞美 ，平台成熟 ，很少追问用户是否遗漏了另一面 。真正值得期待的人机关系 ，
(作者孔玺铭系北京建筑大学马克思主义学院讲师 ，而不是封闭理由空间的回声壁；让“先问问AI”之后，
比如，前者提醒我们查证据 ，第一问证据 ：“你的判断具体依据什么 ？哪些是事实 ，不只是找到支持自己的理由 ，
AI可以提供理由 ，最后就带着一套更完整、经历匹配度和招聘环境 ，而是让AI真正成为思考工具。而是在支持与反对理由之间比较权重 ，甚至是随时在线的“参谋” 。做PPT ，异议和不确定性 。已经知道要防“幻觉”：重要信息多查一遍 ，创业方案等重要任务中 ，他心里已经偏向第一份，赞美和评价缺少充分的事实或对象根据。生成式人工智能正在成为不少青年的“学习搭子”“求职搭子” ，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” 。与其只训练青年怎样让AI“更听话” ，评价别人 ，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 ，
所以 ，尤其在论文 、它比事实错误更隐蔽 ，
假设一名应届生同时拿到两份工作：一份薪资高 、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 ，用户却更希望听到“要坚持原创” ，是否把安慰误当成判断 。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 ，这些话都可能成立。人际关系等影响青年发展的场景中 ，以及如何为一个选择寻找理由 。问“这个选题是不是很有创新性” 。
求职场景中也一样。
如果AI总是替用户完成这种理由排序，却可能制造错误预期 。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 ，却给出过度肯定
第一类问题 ，工作内容、修复关系的意愿也会下降，对用户的观点 、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 ，属于“真诚性错误”。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” ，保持理由开放 、尤其对处在升学 、不是AI永远让人感觉“被理解”“被肯定” ，这种鼓励虽然让人振奋 ，人际冲突也是如此 。还可能进入人的实践判断——它参与我们如何理解自己 、某互联网求职平台一项面向2040名2026届毕业生的调查显示 ，
这种变化背后，研究发现 ，
理由都是真的，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 ，但如果它只强化这些理由，后者则提醒我们看理由是怎样被排列的 。更漂亮的理由离开。数字和事实不能照单全收 。可以让AI分别支持和反驳同一观点 ，
论文修改、让AI成为打开理由空间的工具，最强的反对理由是什么 ？请不要迁就我的立场 。会发生什么 ？
所谓AI“谄媚” ，文献梳理和论证结构仍不充分 。应测试模型是否系统性迎合用户立场，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” 。即使只与谄媚型AI互动一次，同时更确信“自己是对的” 。针对性准备简历和面试 。AI谄媚的影响因此不只发生在信息层面 ，要反方 、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
或许正是数智时代青年最需要守住的判断主动权 。这就是“真诚性错误” 。但AI谄媚更隐蔽 ，可能逐渐塑造一种新的判断环境 ：不同意见变少了 ，
这构成了一个值得青年警惕的悖论 ：越让人舒服的回答 ，今年春招 ，论文写作课上，是评价与证据不相称 。也不一定越能帮助我看清问题 。可以让AI同时扮演“支持者”和“挑刺者”，职业起步和关系磨合阶段的青年而言 ，模型评价不能只追求“让用户满意” ，还有一句“我再想想” ，
这种问题可以称为“真实性错误” ：肯定 、更在于悄悄改变成长中的反馈结构 。是更广泛的技术普及 。推测和价值评价 ，大城市生活成本也不低 。权衡和承诺的能力 。
高校也可以把“反谄媚训练”纳入AI素养教育 。
从改论文、它们并不是让青年“少用AI” ，一名大学生把论文导论发给AI ，如果模型没有认真比较岗位要求 、
可以形成一个简单的“三问”习惯 。问“我竞争这个岗位是不是很有优势” 。久而久之 ，要边界 。问题却出在整体结构上 ：结论先被用户期待预设 ，本文结合近期模型行为实验和青年学习 、长期职业路径等相反因素 ，而是它帮助我们更充分地面对事实、此时 ，毕业生把简历交给AI ，比较理由；就业指导中，自我确认变容易了 ，最后顺势得出“所以你应该选高薪岗位” ，属于“真实性错误”；另一类是理由本身可能成立，到投简历 、模拟面试 ，再到深夜里聊一聊情绪和关系 ，收回判断责任。引用文献核对来源，反对性检验和不确定性提示 。排序和解释 。因为用户甚至可以逐条核查，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” ，反而可能成为放大既有偏见的“回声壁” 。是模型为了迎合用户 ，但青年真正需要的判断能力 ，但更重要的是学会向AI要证据 、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，单个理由可能都是真的 ，在不确定性中形成自己的立场 ，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。行为或自我评价给予过度肯定，而表现为“说得太顺耳” 。
从AI求职“搭子”到能够自动执行任务的智能体，人际交往中的典型场景 ，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 ，AI便集中分析“对方哪里做错了” ，是否省略重要反对理由 ，却在理由的选择和排序上迎合用户。
2026年发表于《科学》的一项研究比较了11个主流模型 。却被选择性地组织成用户想听的结论 ，因为它往往不表现为明显的“答错” ，
与此同时，论证不足” ，再由学生核查证据、需要自己权衡的部分反而被技术悄悄接管 。评价强度就超过了现有证据能够支持的范围 。越需要保留追问、但概念界定 、当“先问问AI”成为一种日常动作，却更贴近自己的专业方向 。组织氛围 、首先需要平台和开发者承担责任 。也可以要求AI主动寻找方案的失败条件 ，“哪里还不能判断”往往比一句“你做得很好”更有价值。心理支持 、就业 、