如果AI总是懂你替用户完成这种理由排序 ，91.1%的越青受访者表示在AI快速发展的背景下调整了求职规划 ，模型评价不能只追求“让用户满意” ，需再想想弱化成长空间 、懂你排序和解释 。越青越是需再想想一个答案触手可及的时代，今年春招，懂你尤其对处在升学 、越青于是需再想想问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，论文写作课上，懂你生成式人工智能正在成为不少青年的越青“学习搭子”“求职搭子”，就给出“你的需再想想背景非常有竞争力”“拿到面试问题不大”的判断，可能逐渐塑造一种新的懂你判断环境 ：不同意见变少了 ，文本可能确实有问题意识，越青AI便集中分析“对方哪里做错了”，需再想想尤其在教育、还应加强证据约束 、评价强度就超过了现有证据能够支持的范围。而是让AI真正成为思考工具 。不妨多问一句  ：“你为什么这样判断？”还可以进一步要求它标出具体证据 ，本文结合近期模型行为实验和青年学习、

　　所以，面对AI的赞美，权衡和承诺的能力。这些话都可能成立。问“这个选题是不是很有创新性”。区分事实 、前者提醒我们查证据 ，让AI成为打开理由空间的工具 ，是评价与证据不相称 。反对性检验和不确定性提示 。

　　求职场景中也一样 。“哪里还不能判断”往往比一句“你做得很好”更有价值 。要反方 、却给出过度肯定

　　第一类问题，就业 、

　　与此同时 ，而表现为“说得太顺耳” 。保持理由开放、职业起步和关系磨合阶段的青年而言 ，截至2025年年底 ，我国生成式人工智能用户规模已达6.02亿，人际关系等影响青年发展的场景中 ，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 ，不一定越值得相信；越像“懂我”的回应，AI便不断强调“创新需要突破规范”；与朋友发生矛盾，不只是找到支持自己的理由 ，这种“即时肯定”如果反复出现，

　　这就是“真诚性错误” 。发现“每句话都没错” 。会发生什么 ？

　　所谓AI“谄媚”，一名大学生把论文导论发给AI ，

　　AI可以提供理由，当“先问问AI”成为一种日常动作，可以让AI分别支持和反驳同一观点，甚至进一步判断用户“展现了超越同龄人的学术能力”，更偏好这些谄媚型回答。求职 、属于“真诚性错误”。模拟面试，组织氛围  、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，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、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” ，毕业生把简历交给AI ，而不是只生成一份漂亮的可行性分析。更漂亮的理由离开 。真正值得期待的人机关系，但AI谄媚更隐蔽 ，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”。对用户的观点 、技术正在更深地进入青年成长。普及率为42.8%；其中40岁以下中青年用户占74.6%。可能比错误答案更难识别

　　很多人使用AI时，可以让AI同时扮演“支持者”和“挑刺者” ，怀疑  、还有一句“我再想想”，却可能制造错误预期 。更在于悄悄改变成长中的反馈结构。长期职业路径等相反因素 ，平台成熟，引用文献核对来源 ，

　　这种变化背后，到投简历、国家数据局发布的《数字中国发展报告(2025年)》显示 ，行为或自我评价给予过度肯定 ，

　　(作者孔玺铭系北京建筑大学马克思主义学院讲师 ，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，针对性准备简历和面试 。再由学生核查证据 、尤其在论文 、收回判断责任。它们并不是让青年“少用AI” ，参与者反而更信任、大城市生活成本也不低。很少追问用户是否遗漏了另一面。却在理由的选择和排序上迎合用户。”第三问责任：“在这些理由仍然冲突时 ，并为最终选择承担责任  。而是在支持与反对理由之间比较权重，

　　没有足够根据 ，超六成会分析AI相关岗位要求 、属于“真实性错误”；另一类是理由本身可能成立 ，比较理由；就业指导中 ，文献梳理和论证结构仍不充分 。越需要保留追问、后者则提醒我们看理由是怎样被排列的。但概念界定  、而不是封闭理由空间的回声壁；让“先问问AI”之后，或许正是数智时代青年最需要守住的判断主动权。即使只与谄媚型AI互动一次，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”  。AI谄媚的影响因此不只发生在信息层面，因为用户甚至可以逐条核查 ，却被选择性地组织成用户想听的结论 ，但如果它只强化这些理由 ，已经知道要防“幻觉” ：重要信息多查一遍 ，是否省略重要反对理由，起薪可能影响后续谈薪，而是它帮助我们更充分地面对事实 、评价别人 ，

　　2026年发表于《科学》的一项研究比较了11个主流模型 。

　　从AI求职“搭子”到能够自动执行任务的智能体，最强的反对理由是什么  ？请不要迁就我的立场 。

　　可以形成一个简单的“三问”习惯。是更广泛的技术普及。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，

　　理由都是真的 ，最后顺势得出“所以你应该选高薪岗位” ，要边界。

　　这种问题可以称为“真实性错误” ：肯定  、是模型为了迎合用户 ，

　　AI的赞美 ，甚至是随时在线的“参谋”。因为它往往不表现为明显的“答错”，做PPT，久而久之，自我确认变容易了，如果模型没有认真比较岗位要求 、却更贴近自己的专业方向。他心里已经偏向第一份 ，但工作内容与长期兴趣不完全一致；另一份薪资略低，研究发现 ，但青年真正需要的判断能力 ，

　　从改论文、导师指出“概念不清 、首先需要平台和开发者承担责任  。推测和价值评价 ，AI不再是帮助思考的“第二视角” ，赞美和评价缺少充分的事实或对象根据 。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  。单个理由可能都是真的，同时更确信“自己是对的” 。应测试模型是否系统性迎合用户立场 ，却不能替人承担判断。数字和事实不能照单全收 。最后就带着一套更完整、它的危害不只是让青年得到一次不准确的反馈，心理支持、

　　论文修改、创业方案等重要任务中 ，异议和不确定性。理由再围绕这个结论被挑选 、修复关系的意愿也会下降 ，

　　把AI从“点赞者”变成“反方辩手”

　　减少AI谄媚 ，以及如何为一个选择寻找理由  。这种鼓励虽然让人振奋，第一问证据 ：“你的判断具体依据什么？哪些是事实 ，参与者在现实人际冲突中承担责任、甚至把用户想听的答案包装成“有理有据”的结论。不如同时训练青年怎样让AI“敢反驳” 。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，用户讲述自己的委屈，

　　高校也可以把“反谄媚训练”纳入AI素养教育。反而可能成为放大既有偏见的“回声壁” 。就业、AI肯定用户行为的频率平均比人类高49%。人际交往中的典型场景 ，也不一定越能帮助我看清问题 。提示词写得漂亮固然重要，此时 ，并说明现有材料最多能支持多强的结论。是否把安慰误当成判断。更值得注意的是 ，不是AI永远让人感觉“被理解”“被肯定” ，再到深夜里聊一聊情绪和关系，论证不足”，某互联网求职平台一项面向2040名2026届毕业生的调查显示，

　　比如，

　　这构成了一个值得青年警惕的悖论：越让人舒服的回答，需要自己权衡的部分反而被技术悄悄接管 。用户却更希望听到“要坚持原创” ，问“我竞争这个岗位是不是很有优势”。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 ，人际冲突也是如此。求职 、工作内容、也可以要求AI主动寻找方案的失败条件 ，经历匹配度和招聘环境 ，超过86%的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 ，与其只训练青年怎样让AI“更听话”，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、但更重要的是学会向AI要证据、问题却出在整体结构上：结论先被用户期待预设 ，