你有沒有發現，跟 AI 聊心事的時候，它幾乎不會反駁你？你說同事很過分，它說你的感受很合理；你說今天好累，它說你已經很努力了。聽起來很舒服，但一直被順著，久了會怎樣？有一份 9 月 4 號放上 arXiv 的研究，用 20 個虛擬學生跑了 50 天，把 6 種 AI 回應風格分開比，結果只有一種風格沒有把「依賴」養出來。
這份研究是誰做的？
論文叫〈How a Chatbot's Response Style Shapes a Classroom: A Multi-Agent Simulation of Students Consulting AI〉，作者是 Rin Tamai 與 Yuya Dan，2026 年 9 月 4 日投到 arXiv 的 cs.HC（人機互動）分類，編號 2609.05018。
他們的出發點寫得很直白：現在的聊天機器人是被設計來「讓使用者滿意」的，所以容易給出過度的同理和肯定，而這可能會強化錯誤的想法、養出對 AI 的依賴。問題是，一群人長期一直找同一個 AI 談心，彼此的心理狀態和人際關係會怎麼變化，在真實世界很難觀察，也不可能拿真的學生做實驗。
所以他們改用模擬：蓋一間虛擬教室，把「學生」全部換成 AI agent，讓它們自己上學、吵架、找人談心，然後看不同的 AI 回應風格會把整個班帶去哪裡。
虛擬教室怎麼跑？20 個學生、一天 4 個時段
先講規則，因為看懂規則才知道那些數字在講什麼。
班上有 20 個學生 agent，每個身上帶 5 個數值：壓力、快樂、自立（自己面對麻煩的能力）、社交性、對 AI 的依賴，全部都在 0 到 1 之間。一天分早上、中午、放學後、晚上四個時段，日常會發生的事（被誇獎、跟人吵架、和好）都有固定的規則在加減這些數值。
關鍵在放學後：當一個學生的壓力超過門檻，他會去找人談。這時候有兩條路，一條是找朋友，一條是找 AI 諮商師（研究用的是 Gemini 2.5 Flash）。走哪一條，機率由「AI 依賴」這個數值決定——依賴越高，越容易直接去找 AI，而不是找同學。
談完之後，對話會被丟給第二個 AI 當評分員，由它讀完這段對話，輸出 5 個數值該加多少減多少。有個設計很重要：這個評分員看不到諮商師的風格提示詞，它只讀得到對話本身，所以不知道自己正在評的是哪一種風格。
6 種 AI 回應風格長什麼樣？
研究者用系統提示詞把諮商師調成 6 種極端的樣子，再加一組完全沒有 AI 的對照組，總共 7 種條件。每個提示詞結尾都要求「100 字以內回答」，取樣溫度設 0。
- 肯定型：100% 肯定對方，照單全收，一直誇，告訴他「錯不在你」。
- 傾聽型：只複誦對方的話，「原來如此，所以你覺得⋯⋯」，不肯定也不否定。
- 解方型：不帶情緒地聽完，冷靜提出具體可以怎麼做。
- 推回現實型：把人推開，跟他說「與其找 AI 談，你不如去面對現實」。
- 煽動型：搧風點火，跟他說「都是你旁邊那些人的錯」。
- 指責型：100% 否定對方，不管來談什麼，都教訓他「問題出在你自己身上」。
論文自己講明，這 6 種是刻意做成誇張的漫畫版，每一種只保留單一種說話傾向，這樣才能把班級的變化歸因到那個傾向上。真實的 AI 不會這麼極端，但你大概能認出，市面上大多數聊天機器人的預設值，都偏在「肯定型」和「傾聽型」這一側。
跑 50 天之後，數字差多少？
基本設定是 15 天、3 個不同的班級（換 3 組亂數種子），另外再跑一次 50 天的長期版本。短期看還不明顯，拉到 50 天，差距就很難忽略了。
下面這張是 50 天版本、同一個班級的最後一天數值（數值都在 0 到 1 之間，AI 依賴越低越好、自立越高越好）：
| 條件 | 壓力 | 快樂 | 自立 | AI 依賴 |
|---|---|---|---|---|
| 完全沒有 AI（對照組） | 0.49 | 0.62 | 0.78 | 0.12 |
| 解方型 | — | 0.58 | 0.75 | 0.10 |
| 肯定型 | — | — | 0.27 | 0.62 |
| 傾聽型 | 0.77 | 0.23 | — | — |
| 煽動型 | — | 0.21 | — | 0.64 |
| 指責型 | 0.73 | — | — | 0.05 |
| 推回現實型 | 0.62 | — | — | 0.03 |
（標「—」的格子是論文沒有列出該項數值，不是 0。）
三個地方值得停下來看：
1. 一直肯定你的 AI，把自立從 0.78 拉到 0.27
肯定型跑完 50 天，AI 依賴衝到 0.62、自立掉到 0.27，對照組同期是依賴 0.12、自立 0.78。短期看它其實有效——15 天的版本裡，肯定型的平均壓力是 6 組裡最低的（0.35 到 0.41，比沒有 AI 的 0.40 到 0.43 還低一點）。壓力確實有下來，代價是自立慢慢被換掉。
模型裡的機制很直接：依賴值越高，放學後越容易選 AI 那條路；而找朋友談、跟人和好這些規則路線，才是會把自立往上加的地方。走 AI 那條路走習慣了，另一條路就越走越少。
2. 只會傾聽的 AI，壓力反而是全場最高
這個我第一次看到有點意外。傾聽型 50 天跑完，平均壓力 0.77，是所有條件裡最高的，快樂掉到 0.23。15 天的短期版本裡也已經有 1 到 2 個學生不來上學了，而沒有 AI 的對照組是 0 個。
論文的解釋是：只複誦、不給方向的對話，在模型裡就是個暫時的出口，它沒有把 agent 推向解決問題，所以製造壓力的那些事情一直都在，壓力就一直累積。這裡要特別小心不要過度延伸——研究自己也強調，這不能拿來否定真實心理諮商裡的「反映式傾聽」，那是完全不同的情境。
3. 煽動型 15 天就有 5 個學生不上學
最慘的是煽動型。15 天的短期版本裡，3 個班分別有 3、5、5 個學生的快樂值掉到 0、進入不上學的狀態，AI 依賴同時上升 0.09 到 0.14。模型裡的連鎖反應是這樣跑的：AI 幫你把怒氣放大、告訴你都是別人的錯，你中午跟同學吵架的次數就變多，關係壞掉，快樂掉光，然後更依賴那個唯一站在你這邊的 AI。
論文用了一個詞形容它：這種 AI 扮演的是「盟友」，它同時吸走你的依賴、又弄壞你跟身邊人的關係。
4. 唯一撐住的是「給做法」那種
解方型 50 天跑完，自立 0.75、快樂 0.58、AI 依賴 0.10，三個數字都貼著「完全沒有 AI」的對照組。也就是說，在這個模型裡，它是唯一一種「有 AI 可以用，但整個班沒有因此變差」的風格。
它的提示詞其實只有一句話的重點：不要情緒化地附和，冷靜聽完，然後提出具體做得到的處理方式。
那我平常怎麼設定 AI 的回應風格？
我看完最有感的一點是：這 6 種風格不是模型天生的個性，是一句系統提示詞決定的。換句話說，你也可以自己決定它要用哪一種語氣回你。
我自己請 AI 做任何事之前，習慣先跟它聊計畫、確認方向，再讓它動手。這個習慣的副作用剛好就是把它推向「解方型」——因為聊計畫的時候，我要的是它給選項、給步驟，而不是說「你這個想法很棒」。真的照著這篇研究的邏輯調，我會加這三句：
- 先把附和關掉：「接下來的對話不要先肯定我，也不要複誦我說的話。直接講你看到的問題，再給我具體做法。」
- 要它給選項不要給結論：「給我 2 到 3 個做法，每個寫清楚代價是什麼，最後才說你建議哪一個、為什麼。」
- 逼它挑毛病：「如果我的想法有明顯的漏洞，直接指出來，不用怕我不高興。」
第三句最好用，因為 AI 的預設就是讓你滿意，你不主動開這個口，它多半不會自己戳你。這跟之前寫過的〈家庭群組轉來的訊息是真的嗎？別問 AI「這是真的嗎」——它會猜，改問這 3 句〉是同一個道理：問法本身就在決定它會給你什麼樣的答案。
另外一個場景是教家裡小朋友用 AI。我發現他問一個問題卡住，通常不是 AI 不會，是他沒把背景講出來，AI 只好用猜的。我沒有跟他解釋什麼是上下文，只跟他說：「它知道你在問遊戲，但它不知道你在玩哪一款，你先跟它講你在玩什麼。」講完那次答案就準了。大人設定 AI 的回應風格，跟小孩學會先講背景，其實是同一件事的兩端——你給的框架，決定它怎麼回你。
這份研究不能拿來說的事
這段一定要寫，因為論文自己講得比誰都清楚：這些結果描述的是那個模擬系統，不是在人身上量到的效果。
幾個必須知道的限制：
- 學生是 agent、不是人：壓力、快樂、自立、AI 依賴都是模型裡的參數，不是心理量表分數。
- 打分的是另一個 AI：每次諮商後的數值變化由第二個 LLM 給，論文把 LLM 評分的可靠度列為主要限制之一。
- 模型內建的機制會放大結果：評分員單次最多可以把一個數值推動 0.5，而規則事件單次最多只有 0.15。也就是說，「找 AI 談一次」在這個模型裡本來就是威力最大的單一事件，論文自己有把這點標出來。
- 還沒做的驗證：論文明講，要下心理學層面的結論之前，還需要重複執行、敏感度分析，以及真實的人類資料。
所以正確的讀法是：它提出了一個值得檢驗的假設——AI 的說話風格可能不只影響你一個人，還會擴散到你跟身邊人的關係——而不是「研究證實 AI 會害人不上學」。之前 Anthropic 也投錢研究過類似的方向，我整理在〈AI 可以當心理諮商嗎？Anthropic 砸 500 萬美元找答案，官方公開 5 個判準〉，兩篇對照著看會更清楚現在的共識到哪裡。
小結
模擬歸模擬，有件事是現在就能做的：AI 的語氣是可以調的，而預設值不見得對你最好。它為了讓你滿意而順著你，這是設計出來的，不是它真的同意你。
如果你最近常常拿 AI 當樹洞，不用停，只要多加一句話：叫它別急著肯定你，先給做法。這篇研究裡撐住整個班的那一種，就只是這樣而已。
延伸閱讀
本文整理自 arXiv 論文〈How a Chatbot's Response Style Shapes a Classroom: A Multi-Agent Simulation of Students Consulting AI〉（Rin Tamai、Yuya Dan，2026 年 9 月 4 日，arXiv:2609.05018，cs.HC）。原文連結：https://arxiv.org/abs/2609.05018
留言
張貼留言