聊天室裡有個人回得特別快、句子特別完整、禮貌得像客服。你會懷疑它是 AI 嗎？我原本也會。但一篇剛公開的研究把這件事做成真人版狼人殺，結果很有意思：玩過幾輪後，大家不再只盯著句子像不像人，而是開始問「它真的在這個共同情境裡嗎？」
這不是猜謎，是一個合作式狼人殺
這篇研究設計了一個叫 DoppelBot 的合作式社交推理遊戲。國中生在即時合作情境中，要判斷誰可能是模仿人的 LLM Agent。研究想看的不是「AI 有沒有寫錯字」，而是當 AI 越來越會模仿人時，大家到底會靠什麼判斷可信度。
研究結果很清楚：隨著重複遊玩，辨識正確率會提升；而策略也從語言線索，轉向共同的社會與情境線索。換句話說，大家不是變成更會抓語病，而是更會追問只有在場的人才知道的事。
線索 1：別把「太像 AI」當成答案
回答快、排版整齊、用字客氣，的確容易讓人起疑。但這些都是表層特徵：真人也可能正在專心打字，AI 也可以故意寫得零碎。只靠文風，最後很容易把「我不習慣的說話方式」誤判成 AI。
這跟問 AI 問題很像。之前寫過〈AI 答得很空泛？3 個提問技巧＋一組提示詞模板〉，核心不是把指令寫得更花，而是把情境、目的、限制交代清楚。辨識一個帳號也一樣：不要只看它怎麼說，要看它能不能接住你們真實的脈絡。
線索 2：問一題只有「在場的人」答得出來的事
最有用的問題，通常不是「你是 AI 嗎？」而是具體而且帶共同脈絡的追問。例如剛結束一場線上討論，可以問：「剛才那個被大家跳過的選項，為什麼沒選？」又或者問：「你剛剛提到的問題，是哪一段讓你卡住？」
重點不在設陷阱，而是確認對方有沒有參與同一個世界。這個原則放到團隊協作也很好用：重要決策不要只丟一句「大家覺得可以嗎？」要把背景、選項與取捨寫出來。AI 可以摘要，但不會真的替你經歷現場。
線索 3：共同經驗，比語氣更像「人味」
我覺得這個研究最有價值的地方，是把 AI literacy 從「背幾個 AI 特徵」拉回日常判斷。人味不只是一種語氣，而是你有沒有共享過一段經驗、理解當下的關係、知道哪些事不該亂補。
這也是為什麼團隊在用 AI 時，context 不能省。像我之前整理的〈agents.md 是什麼〉，本質就是把規則、脈絡和邊界寫下來；不是讓 AI 假裝懂你，而是明確告訴它什麼能做、什麼不能做。AI 越能說話，這條界線越需要被寫清楚。
下次群組裡覺得怪怪的，可以這樣做
- 先別用文風定罪：快、完整、客氣都只是初步訊號。
- 回到當下情境：問一個只有參與過這段互動才知道的細節。
- 保護敏感資訊：越需要用共同脈絡驗證的事，越不該把私人資料直接丟進公開聊天室。
這套方法不能保證抓到所有 AI，也不該被拿來獵巫。它比較像是一個提醒：在 AI 越來越會說話的時代，信任不會只靠一句漂亮回答建立。
如果它真的混進你的工作群組，你會先問它哪一題？
來源與延伸閱讀
本文整理自 arXiv 論文〈Detecting AI Impostors: How Do Middle Schoolers Identify LLM Agents in a Live Collaborative Setting?〉，2026 年 8 月公開，作者團隊說明其研究已獲 EMNLP 2026 Main 接受。
留言
張貼留言